{
 "format": "ai-atlas-public/1",
 "revision": 122,
 "revision_at": "2026-10-30T18:07:27.821889+00:00",
 "base_url": "https://aiatlasgraph.com",
 "nodes": {
  "a2a": {
   "id": "a2a",
   "parent_id": "agentsnode",
   "label": "Protokoły agent–agent",
   "canonical_name": "Agent-to-agent protocols",
   "description": "Uzgodniony sposób rozmowy między agentami różnych systemów.",
   "description_en": "An agreed way for agents from different systems to talk.",
   "examples": "A2A",
   "examples_en": "A2A",
   "plain": "To wspólne zasady, dzięki którym asystenci z różnych systemów mogą przekazywać sobie zadania i wyniki.",
   "plain_en": "These shared rules let assistants from different systems exchange tasks and results.",
   "solves": "Asystenci nie potrafią współpracować, gdy każdy inaczej opisuje swoje możliwości, prośby i wyniki.",
   "solves_en": "Assistants struggle to work together when each describes its abilities, requests and results differently.",
   "does": "Ustalają, jak ogłosić dostępne umiejętności, zlecić zadanie i poinformować drugą stronę o jego postępie.",
   "does_en": "They define how to advertise available skills, request work and tell the other assistant how a task is progressing.",
   "example": "Asystent organizujący wyjazd pyta asystenta rezerwacji o noclegi i odbiera listę dostępnych ofert.",
   "example_en": "Your travel assistant asks a booking assistant for accommodation and receives a list of available options.",
   "for_you": [
    "chcesz połączyć asystentów działających w różnych systemach",
    "przekazujesz wyniki między asystentami ręcznie"
   ],
   "for_you_en": [
    "want assistants in different systems to work together",
    "pass results between assistants by hand"
   ],
   "how": "Protokół opisuje, jak odkryć możliwości zdalnego agenta, przekazać wiadomość i śledzić zadanie. Uzgodnione struktury wiadomości, stanów i artefaktów pozwalają współpracować agentom działającym w różnych środowiskach wykonawczych.",
   "how_en": "The protocol specifies how to discover a remote agent's capabilities, send a message and track a task. Agreed message, state and artifact structures let agents cooperate across different runtimes.",
   "limits": "Zgodność formatu nie zapewnia wspólnego rozumienia zadania ani poprawnego wyniku. Integracja nadal wymaga uwierzytelniania, zasad dostępu, obsługi przerwań i zgodnych wersji protokołu.",
   "limits_en": "Format compatibility does not ensure shared task understanding or a correct result. Integration still requires authentication, access policies, interruption handling and compatible protocol versions.",
   "terms": [
    {
     "gloss": "Opis możliwości agenta, jego adresu i wymagań połączenia.",
     "term": "Agent Card"
    },
    {
     "gloss": "Informacja, czy zadanie trwa, czeka na dane lub się zakończyło.",
     "term": "stan zadania"
    },
    {
     "gloss": "Wynik zadania przekazany jako tekst, plik lub dane.",
     "term": "artefakt"
    }
   ],
   "terms_en": [
    {
     "gloss": "A description of an agent's capabilities, endpoint and connection requirements.",
     "term": "Agent Card"
    },
    {
     "gloss": "Whether a task is running, awaiting input or finished.",
     "term": "task state"
    },
    {
     "gloss": "A task result delivered as text, a file or data.",
     "term": "artifact"
    }
   ],
   "prereq": [
    "structured",
    "agentroles"
   ],
   "keywords": [
    "A2A",
    "Agent Card",
    "agent discovery",
    "task lifecycle",
    "task artifacts",
    "Server-Sent Events"
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/a2a",
   "markdown_url": "https://aiatlasgraph.com/t/a2a.md",
   "updated": "2026-10-30"
  },
  "abstractivesumm": {
   "id": "abstractivesumm",
   "parent_id": "summarization",
   "label": "Streszczanie własnymi słowami modelu",
   "canonical_name": "Abstractive summarisation",
   "aliases": [
    "abstractive summarization",
    "abstractive summarisation",
    "generative summarization",
    "streszczanie abstrakcyjne",
    "parafrazujące streszczanie"
   ],
   "description": "Generowanie streszczenia nowym tekstem przez model sekwencja–sekwencja lub LLM, z możliwą parafrazą i fuzją informacji.",
   "description_en": "Generating a summary as new text with a sequence-to-sequence model or LLM, allowing paraphrase and information fusion.",
   "plain": "Model czyta tekst i pisze jego krótszą wersję nowymi zdaniami, tak jak zrobiłby to człowiek.",
   "plain_en": "A model reads a text and writes a shorter version in new sentences, the way a person would.",
   "solves": "Sklejone cytaty czyta się źmudnie, a ludzie chcą płynnego, zwięzłego opisu, co w tekście najważniejsze.",
   "solves_en": "Stitched-together quotes are tiring to read, and people want a smooth, concise account of what matters.",
   "does": "Jak kolega opowiadający film w dwóch zdaniach: łączy wątki, upraszcza i pomija dygresje.",
   "does_en": "Like a friend retelling a film in two sentences: it joins threads, simplifies and skips digressions.",
   "example": "Po wideorozmowie dostajesz kilka zdań: co ustalono, kto czym się zajmie i do kiedy.",
   "example_en": "After a video call you get a few sentences: what was agreed, who does what and by when.",
   "for_you": [
    "dostajesz automatyczne podsumowania spotkań lub maili",
    "chcesz szybko zrozumieć długi raport",
    "musisz ocenić, czy streszczenie nie zmyśla"
   ],
   "for_you_en": [
    "get automatic summaries of meetings or emails",
    "want to grasp a long report quickly",
    "need to judge whether a summary invents things"
   ],
   "how": "Model enkoder–dekoder albo LLM generuje streszczenie token po tokenie, warunkowany pełnym tekstem źródłowym. Przed erą LLM dostrajano go na parach dokument–streszczenie (często z mechanizmem kopiowania); dziś sterowanie długością, stylem i zakresem odbywa się promptem.",
   "how_en": "An encoder–decoder model or LLM generates the summary token by token, conditioned on the full source. Before LLMs it was fine-tuned on document–summary pairs (often with a copy mechanism); now length, style and scope are steered by prompt.",
   "limits": "Model może dodać fakty, których nie ma w źródle, lub przekręcić liczby i nazwy. Miary nakładania słów słabo wychwytują takie błędy, więc potrzebna jest osobna ocena wierności.",
   "limits_en": "The model may add facts absent from the source or distort numbers and names. Word-overlap metrics poorly catch such errors, so faithfulness needs separate evaluation.",
   "terms": [
    {
     "gloss": "Treść w streszczeniu niepoparta tekstem źródłowym.",
     "term": "halucynacja"
    },
    {
     "gloss": "Zgodność streszczenia z faktami oryginału.",
     "term": "faithfulness"
    },
    {
     "gloss": "Możliwość przepisania słowa wprost ze źródła podczas generowania.",
     "term": "copy mechanism"
    }
   ],
   "terms_en": [
    {
     "gloss": "Summary content not supported by the source.",
     "term": "hallucination"
    },
    {
     "gloss": "Agreement of a summary with the original's facts.",
     "term": "faithfulness"
    },
    {
     "gloss": "Ability to copy a word straight from the source while generating.",
     "term": "copy mechanism"
    }
   ],
   "prereq": [
    "transformers"
   ],
   "keywords": [
    "pointer-generator",
    "PEGASUS",
    "BART",
    "faithfulness",
    "factual consistency",
    "long-document summarization",
    "query-focused summarization",
    "XSum"
   ],
   "source_ids": [
    "zhang-2024-summarization-survey",
    "hf-task-summarization"
   ],
   "url": "https://aiatlasgraph.com/t/abstractivesumm",
   "markdown_url": "https://aiatlasgraph.com/t/abstractivesumm.md",
   "updated": "2026-10-30"
  },
  "abtesting": {
   "id": "abtesting",
   "parent_id": "experiments",
   "label": "Testy A/B funkcji AI",
   "canonical_name": "A/B testing AI features",
   "description": "Losowy podział użytkowników na grupy z różnymi wersjami modelu, promptu lub interfejsu i porównanie ich na prawdziwym ruchu — uzupełnienie ewaluacji offline, nie jej zamiennik.",
   "description_en": "Randomly splitting users between versions of a model, prompt or interface and comparing them on real traffic — a complement to offline evaluation, not a replacement.",
   "examples": "porównanie dwóch promptów lub modeli · istotność statystyczna · czas trwania testu · efekt nowości",
   "examples_en": "comparing two prompts or models · statistical significance · test duration · novelty effect",
   "plain": "To porównywanie wersji funkcji na losowo przydzielonych grupach użytkowników wykonujących rzeczywiste zadania.",
   "plain_en": "This compares feature versions across randomly assigned user groups performing real tasks.",
   "solves": "Nie wiesz, czy nowa wersja pomaga, czy różnice wynikają z tego, kto jej używa i jakie zadania dostał.",
   "solves_en": "You do not know whether a new version helps or differences come from who uses it and which tasks they receive.",
   "does": "Losowo przydziela wersje, zbiera ustalone miary i porównuje wyniki z ich niepewnością, uzupełniając wcześniejsze testy modelu.",
   "does_en": "It randomly assigns versions, collects defined measures and compares results with their uncertainty, complementing earlier model tests.",
   "example": "Użytkownicy dostają losowo różne sposoby podpowiadania tekstu; porównujesz ukończone zadania, poprawki i czas pracy w obu grupach.",
   "example_en": "Users receive different text suggestion designs at random; you compare completed tasks, corrections and work time across the groups.",
   "for_you": [
    "chcesz porównać wersje na prawdziwej pracy użytkowników",
    "możesz losowo przydzielać warianty i mierzyć skutki"
   ],
   "for_you_en": [
    "want to compare versions through users' real work",
    "can randomly assign variants and measure outcomes"
   ],
   "how": "Jednostki losowo przypisuje się do kontrolnego i zmienionego wariantu, utrzymując spójny przydział. Zdarzenia oraz wyniki porównuje się zgodnie z planem analizy, oddzielając efekt zmiany od przypadkowej zmienności próby.",
   "how_en": "Units are randomly assigned to control and changed variants with consistent allocation. Events and outcomes are compared according to an analysis plan, separating change effects from random sample variation.",
   "limits": "Mała próba lub nierówny przydział osłabiają wiarygodność. Interakcje między użytkownikami, równoległe zmiany i efekt nowości mogą zakłócać porównanie; wysoki wynik kliknięć nie dowodzi jakości zadania.",
   "limits_en": "Small samples or unequal allocation weaken reliability. User interactions, concurrent changes and novelty effects can confound comparisons; high click rates do not establish task quality.",
   "terms": [
    {
     "gloss": "Jednostki korzystające z wariantu odniesienia podczas eksperymentu.",
     "term": "grupa kontrolna"
    },
    {
     "gloss": "Zmiana wyniku przypisywana badanemu wariantowi po uwzględnieniu projektu porównania.",
     "term": "efekt interwencji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Units using the reference variant during an experiment.",
     "term": "control group"
    },
    {
     "gloss": "The outcome change attributed to a variant under the comparison design.",
     "term": "treatment effect"
    }
   ],
   "prereq": [
    "hypothesistesting",
    "evalstats"
   ],
   "keywords": [
    "randomized controlled trials",
    "statistical power",
    "minimum detectable effect",
    "confidence intervals",
    "sample ratio mismatch",
    "novelty effects"
   ],
   "source_ids": [
    "sre-canarying",
    "kohavi-experiments-2020"
   ],
   "url": "https://aiatlasgraph.com/t/abtesting",
   "markdown_url": "https://aiatlasgraph.com/t/abtesting.md",
   "updated": "2026-10-30"
  },
  "aco": {
   "id": "aco",
   "parent_id": "swarmintel",
   "label": "Algorytmy mrówkowe (ACO)",
   "canonical_name": "Ant colony optimisation (ACO)",
   "aliases": [
    "ACO",
    "ant colony optimization",
    "Ant System",
    "optymalizacja kolonią mrówek",
    "algorytm mrówkowy"
   ],
   "description": "Metaheurystyka dla problemów kombinatorycznych, w której agenci probabilistycznie konstruują rozwiązania, kierując się feromonem i heurystyką, a feromon jest wzmacniany i odparowywany.",
   "description_en": "A metaheuristic for combinatorial problems where agents probabilistically build solutions guided by pheromone and heuristics, with pheromone reinforced and evaporated.",
   "plain": "Wirtualne mrówki budują trasy krok po kroku i zostawiają ślad na dobrych odcinkach, by następne chętniej nimi szły.",
   "plain_en": "Virtual ants build routes step by step and leave a trail on good stretches so later ants prefer them.",
   "solves": "Trzeba wybrać kolejność odwiedzin lub trasę w sieci, a liczba możliwych tras rośnie lawinowo z każdym punktem.",
   "solves_en": "You must choose a visiting order or route through a network, and possible routes explode with every added point.",
   "does": "Ślad na krótkich trasach jest odświeżany częściej, a słabe ślady z czasem parują, więc kolonia sama zapomina gorsze drogi.",
   "does_en": "Trails on short routes get refreshed more often while weak trails fade, so the colony forgets worse paths by itself.",
   "example": "Hurtownia planuje objazd sklepów; program wysyła setki wirtualnych mrówek i po kilku rundach zostaje wyraźny ślad krótkiej trasy.",
   "example_en": "A wholesaler plans a store round; software sends hundreds of virtual ants, and after a few rounds a clear trail marks a short route.",
   "for_you": [
    "planujesz trasy z wieloma przystankami",
    "układasz kolejność zadań na maszynach"
   ],
   "for_you_en": [
    "plan routes with many stops",
    "order jobs across machines"
   ],
   "how": "Problem zapisuje się jako graf składowych rozwiązania. Każda mrówka buduje rozwiązanie, wybierając krawędzie z prawdopodobieństwem zależnym od feromonu i lokalnej heurystyki, np. odwrotności odległości. Potem dobre rozwiązania dokładają feromonu proporcjonalnie do jakości, a parowanie zapobiega przedwczesnemu utknięciu.",
   "how_en": "The problem is encoded as a graph of solution components. Each ant builds a solution by choosing edges with probability depending on pheromone and a local heuristic, such as inverse distance. Good solutions then deposit pheromone in proportion to quality, while evaporation prevents early lock-in.",
   "limits": "Wymaga sensownego zapisu problemu jako konstrukcji krok po kroku. Przy dużych instancjach bez lokalnego ulepszania bywa wolniejsze od wyspecjalizowanych solwerów, a parametry parowania i wag mocno wpływają na wynik.",
   "limits_en": "It needs a sensible step-by-step construction of the problem. On large instances without local improvement it can trail specialised solvers, and evaporation and weight parameters strongly affect results.",
   "terms": [
    {
     "gloss": "Liczba na krawędzi grafu mówiąca, jak obiecujący jest ten wybór.",
     "term": "feromon"
    },
    {
     "gloss": "Stopniowe zmniejszanie feromonu, by zapominać słabe wybory.",
     "term": "parowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A number on a graph edge saying how promising that choice is.",
     "term": "pheromone"
    },
    {
     "gloss": "Gradually reducing pheromone to forget weak choices.",
     "term": "evaporation"
    }
   ],
   "prereq": [
    "uninformedsearch"
   ],
   "keywords": [
    "Ant System",
    "Ant Colony System",
    "MAX-MIN Ant System",
    "travelling salesman problem",
    "vehicle routing",
    "AntNet",
    "pheromone evaporation"
   ],
   "source_ids": [
    "aco-cim-2006"
   ],
   "url": "https://aiatlasgraph.com/t/aco",
   "markdown_url": "https://aiatlasgraph.com/t/aco.md",
   "updated": "2026-10-30"
  },
  "acthalt": {
   "id": "acthalt",
   "parent_id": "latentloops",
   "label": "Adaptacyjne zatrzymanie obliczeń",
   "canonical_name": "Adaptive computation time",
   "aliases": [
    "ACT",
    "halting mechanism",
    "ponder cost"
   ],
   "description": "Różniczkowalna reguła, która uczy sieć rekurencyjną liczby kroków między wejściem a wyjściem.",
   "description_en": "A differentiable rule that teaches a recurrent network how many steps to take between input and output.",
   "plain": "Sieć sama decyduje, ile razy jeszcze policzyć, zanim odda wynik.",
   "plain_en": "The network decides how many more times to compute before it emits a result.",
   "solves": "Stała liczba kroków marnuje pracę na łatwych miejscach i nie wyrabia na trudnych.",
   "solves_en": "A fixed step count wastes work on easy spots and falls short on hard ones.",
   "does": "Przy każdym kroku model wystawia pewność zakończenia, a suma tych decyzji ucina dalsze liczenie.",
   "does_en": "At each step the model emits a halt confidence, and the sum of those decisions cuts off further compute.",
   "example": "W modelu znakowym sieć przeznacza więcej kroków na trudniejsze przejścia, na przykład granice słów i końce zdań.",
   "example_en": "In a character model, the network spends more steps on harder transitions, such as word boundaries and sentence endings.",
   "for_you": [
    "trudność zmienia się w środku zadania",
    "płacisz za każdy dodatkowy krok",
    "stała głębokość jest źle dobrana"
   ],
   "for_you_en": [
    "difficulty changes inside a task",
    "you pay for every extra step",
    "a fixed depth is poorly matched"
   ],
   "how": "W każdym kroku sieć wytwarza sygnał zatrzymania i kontynuuje obliczenia, dopóki nie spełni kryterium końca. Reguła jest deterministyczna i różniczkowalna oraz dodaje koszt za zbędne kroki. W transformerze w pętli podobny mechanizm może zatrzymywać pozycje osobno.",
   "how_en": "At each step the network produces a halting signal and continues until the stopping criterion is met. The rule is deterministic and differentiable and adds a cost for unnecessary steps. In a looped transformer, a similar mechanism can halt positions separately.",
   "limits": "Zły próg kończy za wcześnie albo liczy w kółko. Zysk nie pojawia się na każdym zbiorze. Mechanizm trzeba trenować razem z siecią, a nie dokleić po fakcie bez kosztu.",
   "limits_en": "A bad threshold stops too early or loops. Gains do not appear on every dataset. The mechanism must be trained with the network, not glued on afterwards for free.",
   "terms": [
    {
     "gloss": "Liczba mówiąca, jak blisko jest koniec liczenia w tym kroku.",
     "term": "waga zatrzymania"
    },
    {
     "gloss": "Dodatkowy koszt treningu za zbędne powtórzenia.",
     "term": "kara za kroki"
    }
   ],
   "terms_en": [
    {
     "gloss": "A number saying how close this step is to stopping.",
     "term": "halting weight"
    },
    {
     "gloss": "An extra training penalty for unnecessary repeats.",
     "term": "ponder cost"
    }
   ],
   "prereq": [
    "decoding"
   ],
   "keywords": [
    "adaptive computation time",
    "ponder cost",
    "halting unit",
    "per-position halting",
    "Graves ACT",
    "dynamic depth"
   ],
   "source_ids": [
    "dehghani-ut-2018",
    "graves-act-2016"
   ],
   "url": "https://aiatlasgraph.com/t/acthalt",
   "markdown_url": "https://aiatlasgraph.com/t/acthalt.md",
   "updated": "2026-10-30"
  },
  "actionrecognition": {
   "id": "actionrecognition",
   "parent_id": "videounderstanding",
   "label": "Rozpoznawanie akcji w wideo",
   "canonical_name": "Action recognition",
   "description": "Rozpoznawanie, co dzieje się na nagraniu (bieg, upadek, podanie piłki) na podstawie wyglądu i ruchu w czasie.",
   "description_en": "Recognising what happens in a clip (running, falling, passing a ball) from appearance and motion over time.",
   "examples": "sieci dwustrumieniowe · 3D CNN · transformery wideo",
   "examples_en": "two-stream networks · 3D CNN · video transformers",
   "plain": "To rozpoznawanie czynności wykonywanych przez ludzi lub obiekty na filmie.",
   "plain_en": "This recognises actions performed by people or objects in a video.",
   "solves": "Chcesz znaleźć konkretną czynność w nagraniu, a oglądanie całego filmu zajmuje zbyt dużo czasu.",
   "solves_en": "You need to find a particular action in a recording, and watching the whole video takes too long.",
   "does": "Model łączy wygląd sceny z ruchem między klatkami, żeby odróżniać podobne pozycje ciała w różnych czynnościach.",
   "does_en": "A model combines scene appearance with movement between frames to distinguish similar body positions in different actions.",
   "example": "W nagraniu z treningu program wyszukuje fragmenty, w których ktoś wykonuje przysiad.",
   "example_en": "Software searches a workout recording for clips where someone performs a squat.",
   "for_you": [
    "szukasz konkretnych czynności w filmach",
    "porządkujesz nagrania według tego, co się wydarzyło"
   ],
   "for_you_en": [
    "look for particular actions in videos",
    "organise recordings by what happened"
   ],
   "how": "Enkoder przestrzenno-czasowy lub agregacja cech klatek łączy wygląd z kolejnością ruchu. Głowica klasyfikuje klip albo jego fragmenty według wzorców wyuczonych z anotowanych działań.",
   "how_en": "A spatiotemporal encoder or frame-feature aggregation combines appearance with motion order. A head classifies clips or segments according to patterns learned from annotated actions.",
   "limits": "Podobne ruchy mogą mieć różne znaczenie zależnie od kontekstu. Zasłonięcie, długość klipu i etykiety czasowe wpływają na wynik; kategoria nie wyjaśnia intencji.",
   "limits_en": "Similar movements can mean different things depending on context. Occlusion, clip length and temporal labels affect results; categories do not explain intent.",
   "terms": [
    {
     "gloss": "Reprezentacja opisująca wygląd i zmianę w kolejnych momentach.",
     "term": "cecha przestrzenno-czasowa"
    },
    {
     "gloss": "Wskazanie początku i końca zdarzenia w nagraniu.",
     "term": "lokalizacja czasowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A representation describing appearance and changes across successive moments.",
     "term": "spatiotemporal feature"
    },
    {
     "gloss": "Identifying an event's start and end within a recording.",
     "term": "temporal localisation"
    }
   ],
   "prereq": [
    "imageclassification",
    "timeseries"
   ],
   "keywords": [
    "two-stream networks",
    "3D CNN",
    "I3D",
    "SlowFast",
    "TimeSformer",
    "Kinetics",
    "temporal action localization"
   ],
   "source_ids": [
    "cs231n-2026-schedule",
    "action-backbones-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/actionrecognition",
   "markdown_url": "https://aiatlasgraph.com/t/actionrecognition.md",
   "updated": "2026-10-30"
  },
  "activationpatching": {
   "id": "activationpatching",
   "parent_id": "mechinterp",
   "label": "Podmiana aktywacji (activation patching)",
   "canonical_name": "Activation patching",
   "aliases": [
    "activation patching",
    "causal tracing",
    "path patching",
    "interwencje przyczynowe"
   ],
   "description": "Eksperyment interwencyjny: aktywacje wybranego komponentu zastępuje się aktywacjami z innego wejścia i mierzy zmianę wyniku. Daje to dowód przyczynowy, którego interpretacja zależy od konstrukcji eksperymentu i użytej metryki.",
   "description_en": "An intervention experiment: activations of a chosen component are replaced with activations from another input and the output change is measured. This provides causal evidence whose interpretation depends on the experimental design and metric.",
   "examples": "podmiana aktywacji · pary wejść czyste/zaburzone · dobór metryki i kontroli",
   "examples_en": "activation replacement · clean/corrupted input pairs · metric and control selection",
   "plain": "To sprawdzanie roli części modelu przez podmianę jej wewnętrznych sygnałów i obserwację zmiany wyniku.",
   "plain_en": "This tests a model component's role by replacing its internal signals and observing changes in the result.",
   "solves": "Samo współwystępowanie sygnału i odpowiedzi nie mówi, czy zmiana tego sygnału wpłynie na wynik.",
   "solves_en": "A signal appearing alongside an answer does not show whether changing that signal affects the output.",
   "does": "Przenosi wybrane wewnętrzne wartości z innego wejścia i mierzy skutek podmiany; wniosek zależy od doboru par, kontroli i miernika.",
   "does_en": "It transfers selected internal values from another input and measures the effect; conclusions depend on input pairs, controls and the chosen measure.",
   "example": "Podmieniasz fragment obliczeń między poprawnym i zmienionym pytaniem o fakt, sprawdzając, czy odpowiedź wraca do wcześniejszej wersji.",
   "example_en": "You replace part of the computation between an original factual question and an altered one, checking whether the answer returns to its earlier version.",
   "for_you": [
    "chcesz eksperymentalnie sprawdzić wpływ części modelu",
    "masz dostęp do sygnałów podczas jego działania"
   ],
   "for_you_en": [
    "want to test a model component's effect experimentally",
    "can access signals during model execution"
   ],
   "how": "Dla pary wejść zapisuje się aktywacje, a wybrany komponent jednego przebiegu zastępuje odpowiednikiem z drugiego. Zmiana ustalonej metryki odpowiedzi mierzy efekt tej interwencji przy kontrolowanym kontekście.",
   "how_en": "Activations are recorded for an input pair, and a component in one run is replaced with its counterpart from the other. Changes in a chosen output metric measure intervention effects under controlled context.",
   "limits": "Wynik zależy od pary wejść, metryki i miejsca podmiany. Nienaturalne aktywacje, redundancja i efekty kompensacji ograniczają wnioski o konieczności lub wystarczalności komponentu.",
   "limits_en": "Results depend on input pairs, metrics and patch locations. Unnatural activations, redundancy and compensation limit conclusions about component necessity or sufficiency.",
   "terms": [
    {
     "gloss": "Przebieg z wejściem dającym zachowanie służące jako punkt odniesienia.",
     "term": "clean run"
    },
    {
     "gloss": "Podstawienie aktywacji z innego przebiegu w wybranym miejscu sieci.",
     "term": "patch"
    }
   ],
   "terms_en": [
    {
     "gloss": "A run exhibiting the reference behaviour.",
     "term": "clean run"
    },
    {
     "gloss": "Replacing an activation at a selected network location with another run's activation.",
     "term": "patch"
    }
   ],
   "prereq": [
    "neuralbasics",
    "hypothesistesting"
   ],
   "keywords": [
    "causal tracing",
    "clean-corrupted input pairs",
    "residual stream patching",
    "path patching",
    "activation interventions"
   ],
   "source_ids": [
    "open-problems-mechinterp-2025",
    "heimersheim-nanda-patching-2024"
   ],
   "url": "https://aiatlasgraph.com/t/activationpatching",
   "markdown_url": "https://aiatlasgraph.com/t/activationpatching.md",
   "updated": "2026-10-30"
  },
  "activationprobesafety": {
   "id": "activationprobesafety",
   "parent_id": "safetyevals",
   "label": "Sondy aktywacji do wykrywania niepokojących wzorców",
   "canonical_name": "Activation probes for detecting concerning model behavior",
   "aliases": [
    "activation probes",
    "sondy bezpieczeństwa na aktywacjach",
    "internal activation classifiers"
   ],
   "description": "Lekkie klasyfikatory analizujące wewnętrzne aktywacje modelu w poszukiwaniu wzorców związanych z niepożądanym zachowaniem.",
   "description_en": "Lightweight classifiers analysing the model's internal activations for patterns associated with undesirable behaviour.",
   "plain": "To szybkie sprawdzanie wewnętrznych sygnałów modelu, czy nie dzieje się coś niepokojącego.",
   "plain_en": "This quickly checks the model's internal signals for signs that something concerning is happening.",
   "solves": "Pełna analiza rozmowy lub łańcucha myśli jest kosztowna, a wczesne wykrycie problemów podczas treningu lub działania agenta jest potrzebne.",
   "solves_en": "Full analysis of a conversation or chain of thought is expensive, yet early detection of problems during training or agent operation is needed.",
   "does": "Klasyfikator patrzy na aktywacje i flaguje przypadki do głębszego sprawdzenia, z wysokim recall i dodatkową losową próbką.",
   "does_en": "A classifier looks at activations and flags cases for deeper review, with high recall and an additional random sample.",
   "example": "Podczas treningu agentów sonda zauważa nietypowy wzorzec aktywacji związany z próbą ucieczki z ograniczeń i kieruje przypadek do recenzenta.",
   "example_en": "During agent training, a probe notices an unusual activation pattern related to an attempt to escape constraints and routes the case to a reviewer.",
   "for_you": [
    "monitorujesz działanie silnych agentów lub treningów",
    "chcesz taniego pierwszego filtra przed droższą analizą"
   ],
   "for_you_en": [
    "monitor strong agents or training runs",
    "want a cheap first filter before more expensive analysis"
   ],
   "how": "Lekkie klasyfikatory uczą się rozpoznawać wzorce w wewnętrznych aktywacjach. Ustawia się je na wysoki recall; przypadki oznaczone oraz losowa próbka nieoznaczonych trafiają do głębszej analizy. W opisywanym systemie OpenAI zadania frontier RL i wewnętrzny Codex pomijają warstwę sond i trafiają bezpośrednio do recenzenta modelowego.",
   "how_en": "Lightweight classifiers learn to recognize patterns in internal activations. They are tuned for high recall; flagged cases and a random sample of unflagged cases proceed to deeper analysis. In OpenAI's described system, frontier RL workloads and internal Codex bypass the probe layer and go directly to the model reviewer.",
   "limits": "Mogą przegapić nieznane formy rozminięcia; wymagają dostrajania i próbkowania. Wysoki recall generuje fałszywe alarmy. Nie zastępują pełnej analizy kontekstu ani ludzkiego przeglądu.",
   "limits_en": "They can miss unfamiliar forms of misalignment; they require tuning and sampling. High recall generates false alarms. They do not replace full context analysis or human review.",
   "terms": [
    {
     "gloss": "Lekki klasyfikator analizujący wewnętrzne aktywacje modelu.",
     "term": "sonda aktywacji"
    },
    {
     "gloss": "Nastawienie na wyłapanie jak największej liczby problemów, kosztem fałszywych alarmów.",
     "term": "wysoki recall"
    }
   ],
   "terms_en": [
    {
     "gloss": "A lightweight classifier analysing the model's internal activations.",
     "term": "activation probe"
    },
    {
     "gloss": "Tuning to catch as many problems as possible, at the cost of false alarms.",
     "term": "high recall"
    }
   ],
   "prereq": [
    "probing"
   ],
   "keywords": [
    "activation probes",
    "internal activations",
    "misalignment detection",
    "high-recall classifiers",
    "monitoring cascade"
   ],
   "source_ids": [
    "openai-frontier-monitoring-2026"
   ],
   "url": "https://aiatlasgraph.com/t/activationprobesafety",
   "markdown_url": "https://aiatlasgraph.com/t/activationprobesafety.md",
   "updated": "2026-10-30"
  },
  "activations": {
   "id": "activations",
   "parent_id": "neuralbasics",
   "label": "Funkcje aktywacji (ReLU, GELU, SwiGLU)",
   "canonical_name": "Activation functions (ReLU, GELU, SwiGLU)",
   "aliases": [
    "activation function",
    "funkcja aktywacji",
    "ReLU",
    "GELU",
    "SwiGLU",
    "GLU",
    "sigmoid",
    "tanh"
   ],
   "description": "Nieliniowe funkcje nakładane na wyjście neuronu — bez nich złożenie warstw liniowych pozostaje przekształceniem liniowym. ReLU jest powszechna w sieciach wizyjnych; w transformerach często stosuje się GELU oraz bramkowane warianty, takie jak SwiGLU, w blokach feed-forward.",
   "description_en": "Non-linear functions applied to neuron outputs — without them, a composition of linear layers remains a linear transformation. ReLU is common in vision networks; transformers often use GELU and gated variants such as SwiGLU in feed-forward blocks.",
   "examples": "sigmoida i tanh · ReLU · GELU · SwiGLU / GEGLU",
   "examples_en": "sigmoid and tanh · ReLU · GELU · SwiGLU / GEGLU",
   "plain": "To reguły zmieniające sygnały w sieci, żeby mogła uczyć się bardziej złożonych zależności.",
   "plain_en": "These rules transform network signals so it can learn more complex relationships.",
   "solves": "Samo mnożenie i dodawanie liczb nie wystarcza do opisania wielu wzorów spotykanych w danych.",
   "solves_en": "Multiplying and adding numbers alone cannot describe many patterns found in data.",
   "does": "Działają jak nieliniowe przełączniki lub bramki: niektóre sygnały tłumią, inne przepuszczają albo zmieniają ich siłę.",
   "does_en": "They act like nonlinear switches or gates, suppressing some signals, passing others or changing their strength.",
   "example": "Podczas uczenia modelu zdjęć warstwa może inaczej reagować na słabą krawędź niż na mocny kontur.",
   "example_en": "While an image model learns, a layer can respond differently to a faint edge and a strong outline.",
   "for_you": [
    "budujesz lub dostrajasz sieć",
    "chcesz wiedzieć, czemu wiele warstw daje więcej niż jedną"
   ],
   "for_you_en": [
    "build or adapt a network",
    "want to understand why multiple layers add expressive power"
   ],
   "how": "Nieliniowość przekształca sygnał po operacji afinicznej, zmieniając odpowiedź neuronu na różne zakresy wejścia. Warianty bramkowane mnożą jedną projekcję przez aktywację drugiej, pozwalając zależnie od danych kontrolować przepływ cech.",
   "how_en": "A nonlinearity transforms signals after an affine operation, changing neuron responses across input ranges. Gated variants multiply one projection by an activation of another, controlling feature flow according to data.",
   "limits": "Nasycenie może osłabiać gradient, a stale nieaktywne jednostki przestać się uczyć. Wybór funkcji zmienia skalę aktywacji i koszt; nie ma jednego wariantu najlepszego dla każdej architektury.",
   "limits_en": "Saturation can weaken gradients, and persistently inactive units can stop learning. Function choice changes activation scales and cost; no variant is best for every architecture.",
   "terms": [
    {
     "gloss": "Zakres funkcji, w którym zmiana wejścia słabo zmienia wyjście.",
     "term": "nasycenie"
    },
    {
     "gloss": "Mechanizm mnożący reprezentację przez sygnał sterujący zależny od wejścia.",
     "term": "bramka multiplikatywna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A function region where input changes barely affect output.",
     "term": "saturation"
    },
    {
     "gloss": "A mechanism multiplying a representation by an input-dependent control signal.",
     "term": "multiplicative gate"
    }
   ],
   "prereq": [
    "calculus"
   ],
   "keywords": [
    "sigmoid",
    "tanh",
    "ReLU",
    "GELU",
    "SwiGLU",
    "GEGLU"
   ],
   "source_ids": [
    "karpathy-zero-to-hero",
    "gelu-2016",
    "swiglu-2020"
   ],
   "url": "https://aiatlasgraph.com/t/activations",
   "markdown_url": "https://aiatlasgraph.com/t/activations.md",
   "updated": "2026-10-30"
  },
  "activationsteering": {
   "id": "activationsteering",
   "parent_id": "explainability",
   "label": "Sterowanie aktywacjami (wektory sterujące)",
   "canonical_name": "Activation steering and representation engineering",
   "aliases": [
    "steering vectors",
    "activation steering",
    "representation engineering",
    "RepE",
    "activation addition"
   ],
   "description": "Znajdowanie w aktywacjach kierunków lub reprezentacji związanych z pojęciem i ich wzmacnianie albo tłumienie podczas działania modelu, aby badać lub zmieniać jego zachowanie bez ponownego trenowania.",
   "description_en": "Finding directions or representations in activations associated with a concept and amplifying or suppressing them at run time to study or change model behaviour without retraining.",
   "examples": "wektory sterujące · inżynieria reprezentacji (RepE) · wzmacnianie i tłumienie reprezentacji",
   "examples_en": "steering vectors · representation engineering (RepE) · amplifying and suppressing representations",
   "plain": "To zmienianie wewnętrznych liczb modelu podczas odpowiedzi, żeby badać lub kierować jego zachowaniem.",
   "plain_en": "This changes a model's internal numbers during an answer to investigate or guide its behaviour.",
   "solves": "Chcesz sprawdzić wpływ konkretnej reprezentacji lub zmienić zachowanie bez ponownego uczenia całego modelu.",
   "solves_en": "You want to examine a representation's effect or change behaviour without retraining the whole model.",
   "does": "Znajduje kierunek związany z badaną cechą i wzmacnia lub osłabia go podczas obliczeń, mierząc zmianę odpowiedzi i skutki uboczne.",
   "does_en": "It finds a direction associated with a property and amplifies or reduces it during computation, measuring answer changes and side effects.",
   "example": "W eksperymencie wzmacniasz wewnętrzny sygnał związany z odmową i sprawdzasz, jak zmieniają się odpowiedzi na bezpieczne oraz ryzykowne pytania.",
   "example_en": "In an experiment, you amplify an internal signal associated with refusal and examine answers to ordinary and risky questions.",
   "for_you": [
    "możesz ingerować w obliczenia modelu",
    "chcesz badać zmianę zachowania bez pełnego treningu"
   ],
   "for_you_en": [
    "can intervene in model computations",
    "want to study behaviour changes without full training"
   ],
   "how": "Kierunek w reprezentacji wyznacza się z kontrastowych przykładów, sondy lub słownika cech. Dodanie albo odjęcie jego składowej w wybranej warstwie zmienia aktywacje podczas inferencji i pozwala mierzyć skutki.",
   "how_en": "A representation direction is derived from contrasting examples, a probe or a feature dictionary. Adding or subtracting its component at a chosen layer changes inference activations and allows effects to be measured.",
   "limits": "Kierunek może łączyć wiele własności zamiast jednego pojęcia. Efekt zależy od warstwy, siły i kontekstu; zbyt mocna interwencja pogarsza inne zachowania.",
   "limits_en": "A direction may mix multiple properties rather than isolate one concept. Effects depend on layer, strength and context; excessive intervention harms other behaviours.",
   "terms": [
    {
     "gloss": "Kierunek w aktywacjach używany do modyfikowania zachowania modelu.",
     "term": "wektor sterujący"
    },
    {
     "gloss": "Zmiana wewnętrznej reprezentacji podczas wykonania modelu.",
     "term": "interwencja aktywacyjna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A direction in activations used to modify model behaviour.",
     "term": "steering vector"
    },
    {
     "gloss": "A change to an internal representation during model execution.",
     "term": "activation intervention"
    }
   ],
   "prereq": [
    "representations",
    "linearalgebra"
   ],
   "keywords": [
    "steering vectors",
    "RepE",
    "contrastive activation addition",
    "representation reading",
    "activation interventions"
   ],
   "source_ids": [
    "anthropic-scaling-monosemanticity-2024",
    "repe-2023"
   ],
   "url": "https://aiatlasgraph.com/t/activationsteering",
   "markdown_url": "https://aiatlasgraph.com/t/activationsteering.md",
   "updated": "2026-10-30"
  },
  "activelearning": {
   "id": "activelearning",
   "parent_id": "annotation",
   "label": "Aktywne uczenie (active learning)",
   "canonical_name": "Active learning",
   "aliases": [
    "active learning",
    "uncertainty sampling"
   ],
   "description": "Model sam wskazuje, które przykłady warto oznaczyć w następnej kolejności, żeby osiągnąć dobrą jakość przy mniejszej liczbie etykiet.",
   "description_en": "The model picks which examples are worth labelling next, to reach good quality with fewer labels.",
   "examples": "Próbkowanie z niepewności · komitet modeli · etykietowanie w pętli",
   "examples_en": "Uncertainty sampling · query by committee · labelling in the loop",
   "plain": "To wybieranie przez model przykładów, które warto oznaczyć w następnej kolejności.",
   "plain_en": "This lets a model select which examples should be labelled next.",
   "solves": "Ręczne ocenianie wszystkich przykładów zajmuje czas, choć wiele z nich niewiele wnosi do nauki.",
   "solves_en": "Reviewing every example by hand takes time, even though many add little to what the model learns.",
   "does": "Model może wskazywać przypadki, przy których jest niepewny, a człowiek dostarcza odpowiedzi do kolejnej rundy nauki.",
   "does_en": "The model can flag cases it is uncertain about, and a person supplies answers for the next round of learning.",
   "example": "Uczysz program rozpoznawać uszkodzone paczki, a on pokazuje ci do oceny zdjęcia, których nie potrafi pewnie zaklasyfikować.",
   "example_en": "You teach software to recognise damaged parcels, and it shows you photos it cannot confidently classify for review.",
   "for_you": [
    "masz więcej przykładów, niż zdołasz ręcznie oznaczyć",
    "chcesz wybierać najbardziej potrzebne przykłady do oceny"
   ],
   "for_you_en": [
    "have more examples than you can label by hand",
    "want to prioritise examples that most need review"
   ],
   "how": "Model ocenia nieoznaczone próbki według niepewności, różnorodności lub oczekiwanej zmiany predykcji. Wybrane przypadki trafiają do anotacji, po czym model jest ponownie trenowany i kolejka aktualizowana.",
   "how_en": "The model scores unlabelled samples by uncertainty, diversity or expected prediction changes. Selected cases are annotated, then the model is retrained and the queue updated.",
   "limits": "Błędnie skalibrowany model może wybierać głównie szum i odstające próbki. Potrzebne są dostęp do anotacji, kontrola różnorodności oraz niezależny zbiór oceny.",
   "limits_en": "A poorly calibrated model may mainly select noise and outliers. Annotation access, diversity controls and an independent evaluation set are necessary.",
   "terms": [
    {
     "gloss": "Reguła wyboru kolejnych przykładów do oznaczenia.",
     "term": "strategia zapytań"
    },
    {
     "gloss": "Wybieranie próbek, dla których model jest najmniej pewny odpowiedzi.",
     "term": "uncertainty sampling"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule for selecting the next examples to label.",
     "term": "query strategy"
    },
    {
     "gloss": "Selecting samples whose predicted answers the model is least confident about.",
     "term": "uncertainty sampling"
    }
   ],
   "prereq": [
    "supervised",
    "calibration"
   ],
   "keywords": [
    "uncertainty sampling",
    "query by committee",
    "entropy sampling",
    "margin sampling",
    "diversity sampling",
    "pool-based sampling"
   ],
   "source_ids": [
    "dcai-mit",
    "settles-active-learning-2009"
   ],
   "url": "https://aiatlasgraph.com/t/activelearning",
   "markdown_url": "https://aiatlasgraph.com/t/activelearning.md",
   "updated": "2026-10-30"
  },
  "actorcritic": {
   "id": "actorcritic",
   "parent_id": "rlalgorithms",
   "label": "Metody aktor–krytyk (A2C, SAC)",
   "canonical_name": "Actor–critic methods (A2C, SAC)",
   "description": "Połączenie uczonej polityki (aktor) z funkcją wartości lub Q (krytyk), która dostarcza sygnał do aktualizacji polityki i może zmniejszać wariancję estymatora gradientu. Rodzina szeroko stosowana w sterowaniu ciągłym.",
   "description_en": "Combines a learned policy (actor) with a value or Q function (critic) that guides policy updates and can reduce gradient-estimator variance. A widely used family for continuous control.",
   "examples": "A2C/A3C · DDPG · TD3 · Soft Actor-Critic (SAC)",
   "examples_en": "A2C/A3C · DDPG · TD3 · Soft Actor-Critic (SAC)",
   "plain": "To uczenie wyborów przy pomocy drugiego wyuczonego elementu, który ocenia ich przyszłe skutki.",
   "plain_en": "This learns choices with help from another learned component that assesses their future consequences.",
   "solves": "Sam wynik całej próby daje mało wskazówek, które kolejne decyzje warto poprawić.",
   "solves_en": "A whole trial's outcome alone gives limited guidance about which individual decisions need improvement.",
   "does": "Jeden element wybiera działania, a drugi szacuje wartość sytuacji lub ruchu i dostarcza wskazówki do poprawiania tych wyborów.",
   "does_en": "One component chooses actions while another estimates situation or action values and provides guidance for improving those choices.",
   "example": "Robot ćwiczy chwytanie przedmiotu, a wyuczony oceniający element podpowiada, które zmiany ruchu rokują lepszy wynik.",
   "example_en": "A robot practises gripping an object while a learned evaluator indicates which movement changes promise a better outcome.",
   "for_you": [
    "chcesz łączyć wybór działań z ich wyuczoną oceną",
    "sterujesz ruchem wymagającym wielu kolejnych decyzji"
   ],
   "for_you_en": [
    "want action choices guided by learned assessments",
    "control movement requiring many successive decisions"
   ],
   "how": "Krytyk dopasowuje estymaty wartości lub wartości działań do zebranych przejść. Aktor aktualizuje politykę na podstawie przewagi albo gradientu wartości ocenionej przez krytyka.",
   "how_en": "The critic fits state or action-value estimates to collected transitions. The actor updates its policy using advantages or gradients of values evaluated by the critic.",
   "limits": "Błędy krytyka kierują aktualizację aktora w niewłaściwą stronę. Jednoczesne uczenie obu modeli wymaga stabilnych celów, odpowiedniego próbkowania i kontroli skali nagród.",
   "limits_en": "Critic errors misdirect actor updates. Learning both models together requires stable targets, suitable sampling and control of reward scales.",
   "terms": [
    {
     "gloss": "Model reprezentujący politykę wyboru działań.",
     "term": "aktor"
    },
    {
     "gloss": "Model oceniający oczekiwany zwrot ze stanów lub działań.",
     "term": "krytyk"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model representing the action-selection policy.",
     "term": "actor"
    },
    {
     "gloss": "A model estimating expected returns from states or actions.",
     "term": "critic"
    }
   ],
   "prereq": [
    "policygradient",
    "bellman"
   ],
   "keywords": [
    "A2C",
    "A3C",
    "SAC",
    "DDPG",
    "TD3",
    "entropy regularization",
    "advantage estimation"
   ],
   "source_ids": [
    "rl",
    "spinningup-rl-taxonomy",
    "hf-deep-rl-course"
   ],
   "url": "https://aiatlasgraph.com/t/actorcritic",
   "markdown_url": "https://aiatlasgraph.com/t/actorcritic.md",
   "updated": "2026-10-30"
  },
  "actquant": {
   "id": "actquant",
   "parent_id": "compression",
   "label": "Kwantyzacja wag i aktywacji",
   "canonical_name": "Weight and activation quantization",
   "description": "Obniżenie precyzji także dla aktywacji. Wymaga oswojenia wartości odstających, które psują skalę.",
   "description_en": "Lowering precision for activations too. Requires taming outlier values that break the scale.",
   "examples": "LLM.int8() · SmoothQuant · ZeroQuant",
   "examples_en": "LLM.int8() · SmoothQuant · ZeroQuant",
   "plain": "To ograniczanie dokładności zarówno ustawień modelu, jak i liczb powstających podczas jego pracy.",
   "plain_en": "This lowers precision for both model parameters and the numbers produced during execution.",
   "solves": "Mniejszy plik modelu nie wystarcza, jeśli dalsze obliczenia nadal wymagają dużych zapisów pośrednich.",
   "solves_en": "A smaller model file is insufficient if computation still requires large intermediate representations.",
   "does": "Skale dobiera się także dla sygnałów wewnętrznych, uwzględniając nietypowo duże wartości, które mogą zwiększać błąd zaokrąglania.",
   "does_en": "Scales are also chosen for internal signals, accounting for unusually large values that can increase rounding errors.",
   "example": "Przed wdrożeniem modelu sprawdzasz, czy mniej dokładne sygnały pośrednie przyspieszają obliczenia bez nadmiernego pogorszenia wyników.",
   "example_en": "Before deploying a model, you check whether lower-precision intermediate signals accelerate computation without excessive quality loss.",
   "for_you": [
    "chcesz oszczędzać także podczas obliczeń",
    "duże wartości sygnałów psują jakość kompresji"
   ],
   "for_you_en": [
    "want savings during computation too",
    "find large signal values harm compression quality"
   ],
   "how": "Aktywacje mapuje się do ograniczonej precyzji za pomocą skal wyznaczanych statycznie lub podczas wykonania. Kalibracja zakresów, przycinanie i przeskalowanie kanałów ograniczają wpływ odstających wartości na operatory łączące skwantyzowane wejścia z wagami.",
   "how_en": "Activations are mapped to reduced precision using static or runtime scales. Range calibration, clipping and channel rescaling limit outlier effects on operators combining quantised inputs and weights.",
   "limits": "Rozkład aktywacji zmienia się z wejściem, więc mały zbiór kalibracyjny może zawodzić. Skale dynamiczne kosztują obliczenia; przycięcie zakresu usuwa informację, a format musi pasować do sprzętu.",
   "limits_en": "Activation distributions vary with inputs, so small calibration sets can fail. Dynamic scales cost computation; clipping removes information, and formats must match hardware.",
   "terms": [
    {
     "gloss": "Wyznaczanie skali aktywacji na podstawie bieżących danych wykonania.",
     "term": "kwantyzacja dynamiczna"
    },
    {
     "gloss": "Element daleko poza typowym zakresem, mogący zdominować skalę.",
     "term": "wartość odstająca"
    }
   ],
   "terms_en": [
    {
     "gloss": "Determining activation scales from current execution data.",
     "term": "dynamic quantisation"
    },
    {
     "gloss": "An element far outside typical ranges that can dominate scaling.",
     "term": "outlier"
    }
   ],
   "prereq": [
    "normalization",
    "linearalgebra"
   ],
   "keywords": [
    "LLM.int8()",
    "SmoothQuant",
    "ZeroQuant",
    "activation outliers",
    "dynamic quantization",
    "channel rescaling"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/actquant",
   "markdown_url": "https://aiatlasgraph.com/t/actquant.md",
   "updated": "2026-10-30"
  },
  "adapters": {
   "id": "adapters",
   "parent_id": "peft",
   "label": "Adaptery (małe warstwy wstawiane do modelu)",
   "canonical_name": "Adapter modules",
   "aliases": [
    "adapters",
    "adapter modules",
    "bottleneck adapters"
   ],
   "description": "Do zamrożonego modelu dokłada się małe trenowalne warstwy i uczy tylko je. Jeden model bazowy może obsługiwać wiele zadań z osobnymi, wymiennymi adapterami.",
   "description_en": "Small trainable layers are inserted into a frozen model and only they are trained. One base model can serve many tasks with separate, swappable adapters.",
   "examples": "adaptery szeregowe i równoległe · małe moduły między warstwami · wymienne adaptery dla różnych zadań",
   "examples_en": "serial and parallel adapters · small modules between layers · swappable adapters for different tasks",
   "plain": "To małe uczone warstwy dodawane do modelu, którego dotychczasowe ustawienia pozostają stałe.",
   "plain_en": "These small trainable layers are added to a model whose existing parameters stay fixed.",
   "solves": "Potrzebujesz wariantu dla nowego zadania, ale nie chcesz przechowywać i uczyć kolejnej pełnej kopii modelu.",
   "solves_en": "You need a variant for a new task but do not want to store and train another full model copy.",
   "does": "Dodane warstwy przekształcają sygnały w wybranych miejscach sieci, a trening zmienia tylko ich ustawienia.",
   "does_en": "Added layers transform signals at selected network locations, while training updates only their parameters.",
   "example": "Do jednego modelu dodajesz wymienne moduły dla opisów produktów i notatek ze zgłoszeń.",
   "example_en": "You add replaceable modules for product descriptions and support notes to one model.",
   "for_you": [
    "chcesz dodawać wymienne warianty zadań",
    "model bazowy ma pozostać stały"
   ],
   "for_you_en": [
    "want replaceable task variants",
    "need the base model to remain fixed"
   ],
   "how": "Do wybranych warstw wstawia się małe moduły, często z projekcją do węższej przestrzeni i powrotem. Uczenie ich parametrów przy zamrożonej bazie zmienia reprezentacje poprzez dodatkową ścieżkę, zwykle połączoną rezydualnie.",
   "how_en": "Small modules are inserted into selected layers, often projecting into a narrower space and back. Training their parameters with a frozen base changes representations through an extra pathway, typically connected residually.",
   "limits": "Dodatkowa ścieżka może zwiększać opóźnienie inferencji i wymagać obsługi podczas serwowania. Wąskie moduły ograniczają pojemność; położenie adapterów oraz budżet parametrów wpływają na efekty.",
   "limits_en": "Extra pathways can increase inference latency and require serving support. Narrow modules constrain capacity; adapter placement and parameter budgets affect outcomes.",
   "terms": [
    {
     "gloss": "Węższa przestrzeń pośrednia ograniczająca rozmiar modułu.",
     "term": "bottleneck"
    },
    {
     "gloss": "Połączenie dodające wynik modułu do wcześniejszej reprezentacji.",
     "term": "ścieżka rezydualna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A narrower intermediate space limiting module size.",
     "term": "bottleneck"
    },
    {
     "gloss": "A connection adding module outputs to an earlier representation.",
     "term": "residual pathway"
    }
   ],
   "prereq": [
    "mlp",
    "backprop"
   ],
   "keywords": [
    "bottleneck adapters",
    "Houlsby adapters",
    "AdapterHub",
    "IA3",
    "parallel adapters"
   ],
   "source_ids": [
    "houlsby-adapters-2019",
    "peft-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/adapters",
   "markdown_url": "https://aiatlasgraph.com/t/adapters.md",
   "updated": "2026-10-30"
  },
  "adaptivethinking": {
   "id": "adaptivethinking",
   "parent_id": "efficientreasoning",
   "label": "Adaptacyjne i hybrydowe tryby myślenia",
   "canonical_name": "Adaptive and hybrid thinking modes",
   "description": "Jeden model potrafi odpowiadać szybko albo myśleć dłużej i sam (lub na życzenie) decyduje, ile rozumowania potrzebuje dane pytanie.",
   "description_en": "One model can answer fast or think longer and decides by itself (or on request) how much reasoning a question needs.",
   "examples": "przełącznik thinking / non-thinking · adaptacja do trudności pytania",
   "examples_en": "thinking / non-thinking switch · difficulty-adaptive reasoning",
   "plain": "To wybieranie krótkiego lub dłuższego rozumowania w zależności od pytania albo twojej decyzji.",
   "plain_en": "This selects shorter or longer reasoning depending on the question or your choice.",
   "solves": "Stały poziom wysiłku marnuje czas na łatwe pytania albo nie wystarcza do trudniejszych zadań.",
   "solves_en": "Fixed effort wastes time on easy questions or falls short on harder tasks.",
   "does": "Model lub sterujący system ocenia potrzebny wysiłek i przełącza tryb albo dostosowuje długość pracy; trafność tego wyboru wymaga testów.",
   "does_en": "A model or controller assesses required effort and switches modes or adjusts work length; the quality of that choice needs testing.",
   "example": "Asystent wybiera krótką odpowiedź dla prostego przeliczenia, a rozbudowaną pracę dla planu z wieloma ograniczeniami.",
   "example_en": "An assistant chooses a short response for a simple conversion and more extensive work for planning under several constraints.",
   "for_you": [
    "masz pytania o różnej trudności",
    "chcesz wybierać szybkość lub dokładniejsze sprawdzanie"
   ],
   "for_you_en": [
    "handle questions of varying difficulty",
    "want to choose speed or more extensive checking"
   ],
   "how": "Polityka wybiera szybki tryb albo rozbudowany ślad na podstawie wejścia, oceny trudności lub sygnałów niepewności. Podczas generowania może dostosować budżet lub moment zatrzymania, jeśli model i interfejs wspierają takie sterowanie.",
   "how_en": "A policy selects a fast mode or extended trace based on input, difficulty estimates or uncertainty signals. During generation it can adjust budgets or stopping points if the model and interface support such control.",
   "limits": "Niepewność modelu może być źle skalibrowana, a trudność rozpoznana zbyt późno. Przełączanie trybów wymaga walidacji; łatwo brzmiące pytanie może potrzebować starannego sprawdzenia.",
   "limits_en": "Model uncertainty can be miscalibrated and difficulty detected too late. Mode switching requires validation; seemingly easy questions may need careful checking.",
   "terms": [
    {
     "gloss": "Reguła przydzielania obliczeń zależnie od właściwości zadania lub przebiegu.",
     "term": "polityka budżetu"
    },
    {
     "gloss": "Obsługa krótkiej odpowiedzi i rozbudowanego rozumowania przez jeden model.",
     "term": "tryb hybrydowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule allocating computation according to task or run properties.",
     "term": "budget policy"
    },
    {
     "gloss": "Support for brief answers and extended reasoning within one model.",
     "term": "hybrid mode"
    }
   ],
   "prereq": [
    "calibration",
    "evalstats"
   ],
   "keywords": [
    "hybrid thinking",
    "thinking mode",
    "non-thinking mode",
    "adaptive compute",
    "difficulty estimation"
   ],
   "source_ids": [
    "reasoning-on-budget-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/adaptivethinking",
   "markdown_url": "https://aiatlasgraph.com/t/adaptivethinking.md",
   "updated": "2026-10-30"
  },
  "adhocteamwork": {
   "id": "adhocteamwork",
   "parent_id": "marl",
   "label": "Współpraca z nieznanymi partnerami (ad hoc teamwork)",
   "canonical_name": "Ad hoc teamwork",
   "aliases": [
    "ad hoc teamwork",
    "zero-shot coordination",
    "koordynacja bez wcześniejszego treningu"
   ],
   "description": "Problem projektowania agentów współpracujących z nieznanymi wcześniej partnerami bez uprzedniej koordynacji, w tym zero-shot coordination z ludźmi.",
   "description_en": "The problem of designing agents that cooperate with previously unseen partners without prior coordination, including zero-shot coordination with humans.",
   "plain": "Agent uczy się dogadywać z partnerami, z którymi nigdy wcześniej nie grał, także z ludźmi.",
   "plain_en": "An agent learns to get along with partners it has never played with before, including people.",
   "solves": "Agenci wytrenowani razem wymyślają prywatne zwyczaje i zawodzą, gdy trafiają na nowego kolegę lub człowieka.",
   "solves_en": "Agents trained together invent private habits and fail when they meet a new teammate or a person.",
   "does": "Jak muzyk na otwartej próbie, który gra przewidywalnie i czyta innych, zamiast liczyć na umówione wcześniej sygnały.",
   "does_en": "Like a musician at a jam session who plays predictably and reads others instead of relying on prearranged signals.",
   "example": "Asystent w grze kooperacyjnej pomaga graczowi, którego widzi pierwszy raz, dostosowując się do jego stylu w trakcie rozgrywki.",
   "example_en": "An assistant in a co-op game helps a player it meets for the first time, adapting to their style during play.",
   "for_you": [
    "twój agent będzie współpracował z ludźmi lub cudzymi programami",
    "agenci świetni w treningu zawodzą z nowymi partnerami"
   ],
   "for_you_en": [
    "your agent will cooperate with people or others' programs",
    "your agents excel in training but fail with new partners"
   ],
   "how": "Zamiast czystego self-play agent trenuje z populacją zróżnicowanych partnerów albo z metodami łamiącymi arbitralne konwencje, np. other-play wykorzystujący symetrie zadania. Inne podejścia modelują typ partnera w locie i dobierają odpowiedź.",
   "how_en": "Instead of pure self-play the agent trains with a population of diverse partners or with methods that break arbitrary conventions, e.g. other-play exploiting task symmetries. Other approaches infer the partner's type online and choose a response.",
   "limits": "Różnorodność populacji treningowej nie gwarantuje pokrycia prawdziwych ludzi. Ocena wymaga drogich testów z ludźmi, a metody symetrii działają tylko, gdy symetrie zadania są znane.",
   "limits_en": "Training-population diversity does not guarantee coverage of real people. Evaluation needs costly human trials, and symmetry methods only work when task symmetries are known.",
   "terms": [
    {
     "gloss": "Współpraca z partnerem bez żadnego wspólnego treningu wcześniej.",
     "term": "zero-shot coordination"
    },
    {
     "gloss": "Arbitralny zwyczaj, który zrozumie tylko ten, kto trenował razem.",
     "term": "konwencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Cooperating with a partner without any prior joint training.",
     "term": "zero-shot coordination"
    },
    {
     "gloss": "An arbitrary habit understood only by agents that trained together.",
     "term": "convention"
    }
   ],
   "prereq": [
    "selfplay"
   ],
   "keywords": [
    "other-play",
    "Fictitious Co-Play",
    "population-based training",
    "Hanabi",
    "Overcooked-AI",
    "type-based reasoning",
    "human-AI coordination"
   ],
   "source_ids": [
    "otherplay-2020",
    "adhoc-teamwork-survey-2022"
   ],
   "url": "https://aiatlasgraph.com/t/adhocteamwork",
   "markdown_url": "https://aiatlasgraph.com/t/adhocteamwork.md",
   "updated": "2026-10-30"
  },
  "admapping": {
   "id": "admapping",
   "parent_id": "autodriving",
   "label": "Mapy i lokalizacja pojazdu",
   "canonical_name": "Maps and localisation for autonomous driving",
   "aliases": [
    "HD maps",
    "high-definition maps",
    "vehicle localization",
    "mapy HD",
    "mapy wysokiej rozdzielczości",
    "lokalizacja pojazdu"
   ],
   "description": "Reprezentacja sieci drogowej z dokładnością do pasa oraz estymacja położenia pojazdu względem niej z czujników pokładowych.",
   "description_en": "Lane-accurate representation of the road network and estimation of the vehicle's pose relative to it from onboard sensors.",
   "plain": "Szczegółowe mapy dróg i sposoby, by auto wiedziało, gdzie dokładnie jest, aż do konkretnego pasa ruchu.",
   "plain_en": "Detailed road maps and the ways a car works out exactly where it is, down to the lane.",
   "solves": "Nawigacja w telefonie myli się o kilka metrów, a auto musi wiedzieć, na którym jest pasie i gdzie kończy się jezdnia.",
   "solves_en": "Phone navigation can be off by several metres, but the car must know which lane it is in and where the road ends.",
   "does": "Jak taksówkarz znający miasto na pamięć: porównuje to, co widzi, z zapamiętanym planem ulic i z tego wie, gdzie stoi.",
   "does_en": "Like a cab driver who knows the city by heart, it compares what it sees with a remembered street plan to know where it is.",
   "example": "W tunelu, gdzie sygnał z satelitów znika, auto dalej trzyma się swojego pasa, rozpoznając krawężniki i linie.",
   "example_en": "In a tunnel where the satellite signal drops, the car keeps to its lane by recognising kerbs and road markings.",
   "for_you": [
    "ciekawi cię, czy auto bez kierowcy potrzebuje specjalnej mapy",
    "pracujesz z mapami, GPS lub danymi o położeniu",
    "budujesz roboty jeżdżące po magazynach lub budynkach"
   ],
   "for_you_en": [
    "wonder whether a driverless car needs a special map",
    "work with maps, GPS or location data",
    "build robots that move around warehouses or buildings"
   ],
   "how": "Mapy HD zapisują pasy, linie, przejścia i sygnalizację jako elementy wektorowe z wysoką dokładnością. Lokalizacja łączy GNSS, odometrię i dopasowanie obserwacji z kamer lub LiDAR-u do mapy w filtrze stanu; nowsze metody budują mapę lokalną w locie z czujników.",
   "how_en": "HD maps store lanes, markings, crossings and signals as precise vector elements. Localisation fuses GNSS, odometry and matching of camera or LiDAR observations against the map in a state filter; newer methods build a local map on the fly from sensors.",
   "limits": "Mapy HD są drogie w tworzeniu i utrzymaniu oraz szybko się starzeją przy robotach drogowych. Lokalizacja zawodzi przy zmienionym otoczeniu, śniegu lub braku wyraźnych punktów odniesienia.",
   "limits_en": "HD maps are expensive to build and maintain and go stale with roadworks. Localisation fails when the surroundings change, under snow or without clear landmarks.",
   "terms": [
    {
     "gloss": "Mapa o bardzo wysokiej dokładności, z pasami, liniami i znakami.",
     "term": "mapa HD"
    },
    {
     "gloss": "Sieć połączeń między pasami ruchu używana do planowania.",
     "term": "graf pasów"
    },
    {
     "gloss": "Szacowanie przebytej drogi z obrotu kół lub z obrazu.",
     "term": "odometria"
    }
   ],
   "terms_en": [
    {
     "gloss": "A very high-accuracy map with lanes, markings and signs.",
     "term": "HD map"
    },
    {
     "gloss": "A network of connections between lanes used for planning.",
     "term": "lane graph"
    },
    {
     "gloss": "Estimating distance travelled from wheel rotation or images.",
     "term": "odometry"
    }
   ],
   "prereq": [
    "slam",
    "hmm"
   ],
   "keywords": [
    "HD map",
    "lane graph",
    "GNSS/INS",
    "map matching",
    "Lanelet2",
    "OpenDRIVE",
    "online HD mapping",
    "SLAM",
    "localization"
   ],
   "source_ids": [
    "coursera-sdc-toronto",
    "hdmapnet-2021"
   ],
   "url": "https://aiatlasgraph.com/t/admapping",
   "markdown_url": "https://aiatlasgraph.com/t/admapping.md",
   "updated": "2026-10-30"
  },
  "adoption": {
   "id": "adoption",
   "parent_id": "product",
   "label": "Adopcja i edukacja",
   "canonical_name": "AI adoption and enablement",
   "description": "Wprowadzanie AI do codziennej pracy zespołu.",
   "description_en": "Bringing AI into a team's daily work.",
   "examples": "Szkolenia · zmiana procesów",
   "examples_en": "Training · process change",
   "plain": "To wprowadzanie modeli do codziennej pracy zespołu wraz z nauką, zasadami i zmianą sposobu wykonywania zadań.",
   "plain_en": "This introduces models into a team's daily work through learning, shared rules and changes to how tasks are done.",
   "solves": "Samo udostępnienie narzędzia nie sprawia, że ludzie wiedzą, jak z niego korzystać ani czy poprawia ich pracę.",
   "solves_en": "Providing a tool alone does not mean people know how to use it or whether it improves their work.",
   "does": "Uczy korzystania i sprawdzania wyników, ustala zasady danych, przebudowuje kroki pracy i mierzy efekty używania narzędzia.",
   "does_en": "It teaches use and checking, sets data rules, redesigns work steps and measures the effects of using the tool.",
   "example": "Zespół wprowadza asystenta do notatek: ćwiczy sprawdzanie ustaleń, określa dozwolone dane i zmienia sposób rozdzielania zadań po spotkaniu.",
   "example_en": "A team adopts a note assistant, practises checking decisions, defines permitted data and changes how tasks are assigned after meetings.",
   "for_you": [
    "zespół dostał narzędzie, ale jeszcze nie wie, jak go używać",
    "chcesz sprawdzić wpływ narzędzia na codzienną pracę"
   ],
   "for_you_en": [
    "have a tool your team does not yet know how to use",
    "want to examine the tool's effect on daily work"
   ],
   "how": "Wprowadzenie rozwiązania łączy dostęp do narzędzi z dopasowanymi zadaniami, szkoleniem i odpowiedzialnością za wyniki. Pilotaż ujawnia bariery procesu, a pomiary oraz feedback kierują zmianą zasad pracy i wsparcia użytkowników.",
   "how_en": "Introducing a system combines tool access with suitable tasks, training and outcome ownership. Pilots expose workflow barriers, while measurements and feedback guide changes to working practices and user support.",
   "limits": "Liczba kont lub uruchomień nie dowodzi poprawy pracy. Brak czasu na naukę, niejasne zasady i niedopasowanie procesu ograniczają użycie; korzyści mogą różnić się między grupami.",
   "limits_en": "Account or invocation counts do not establish work improvement. Limited learning time, unclear rules and workflow mismatch restrict use; benefits can vary across groups.",
   "terms": [
    {
     "gloss": "Ograniczone wprowadzenie rozwiązania do rzeczywistej pracy w celu jego oceny.",
     "term": "pilotaż"
    },
    {
     "gloss": "Warunek utrudniający regularne, skuteczne wykorzystanie rozwiązania.",
     "term": "bariera adopcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A limited introduction into actual work for evaluation.",
     "term": "pilot"
    },
    {
     "gloss": "A condition impeding regular, effective system use.",
     "term": "adoption barrier"
    }
   ],
   "prereq": [
    "workflows",
    "usercontrol"
   ],
   "keywords": [
    "AI literacy",
    "change management",
    "workflow redesign",
    "AI champions",
    "shadow AI",
    "technology acceptance model",
    "skills assessment",
    "adoption metrics"
   ],
   "source_ids": [
    "fsdl",
    "bootcamp",
    "machina-x-agents",
    "ec-ai-literacy-qa",
    "mckinsey-state-of-ai-2026"
   ],
   "url": "https://aiatlasgraph.com/t/adoption",
   "markdown_url": "https://aiatlasgraph.com/t/adoption.md",
   "updated": "2026-10-30"
  },
  "adperception": {
   "id": "adperception",
   "parent_id": "autodriving",
   "label": "Percepcja otoczenia pojazdu",
   "canonical_name": "Perception for autonomous driving",
   "aliases": [
    "AV perception",
    "3D perception",
    "driving perception",
    "percepcja 3D",
    "percepcja w autach autonomicznych"
   ],
   "description": "Wykrywanie, śledzenie i opis obiektów oraz wolnej przestrzeni wokół pojazdu w 3D na podstawie kamer, LiDAR-u i radaru.",
   "description_en": "Detecting, tracking and describing objects and free space around the vehicle in 3D from cameras, LiDAR and radar.",
   "plain": "Część auta autonomicznego, która z kamer i czujników składa obraz drogi: kto jest wokół, gdzie i jak szybko jedzie.",
   "plain_en": "The part of a self-driving car that builds a picture of the road from cameras and sensors: who is around, where, and how fast.",
   "solves": "Kamera daje płaski obraz, laser rzadkie punkty, a auto musi dokładnie wiedzieć, gdzie stoi pieszy i dokąd jedzie ciężarówka.",
   "solves_en": "A camera gives a flat image and a laser sparse dots, yet the car must know exactly where a pedestrian stands and a lorry heads.",
   "does": "Jak mózg łączący wzrok i słuch w jedno wrażenie: zestawia sygnały z wielu czujników w jedną trójwymiarową scenę.",
   "does_en": "Like a brain blending sight and hearing into one impression, it combines signals from many sensors into a single 3D scene.",
   "example": "Auto wykrywa dziecko wychodzące zza zaparkowanej furgonetki i przekazuje tę obserwację do planera.",
   "example_en": "The car detects a child stepping out from behind a parked van and passes that observation to the planner.",
   "for_you": [
    "chcesz zrozumieć, jak auto „widzi” drogę",
    "pracujesz z kamerami lub czujnikami w pojazdach",
    "oceniasz, czy systemy wspierające kierowcę są wiarygodne"
   ],
   "for_you_en": [
    "want to understand how a car 'sees' the road",
    "work with cameras or sensors in vehicles",
    "judge whether driver-assistance systems can be trusted"
   ],
   "how": "Sieci przetwarzają obrazy z wielu kamer i chmury punktów, a wyniki sprowadza się do wspólnego układu, najczęściej widoku z góry (BEV). Na tej reprezentacji działają głowice detekcji 3D, śledzenia, segmentacji mapy i zajętości, z informacją z poprzednich klatek.",
   "how_en": "Networks process multi-camera images and point clouds and bring them into a shared frame, usually a bird's-eye view (BEV). Heads for 3D detection, tracking, map segmentation and occupancy run on that representation, using information from previous frames.",
   "limits": "Deszcz, mgła, noc i zasłonięcia obniżają jakość; rzadkie lub nietypowe obiekty bywają pomijane. Wymaga precyzyjnej kalibracji i synchronizacji czujników oraz drogich etykiet 3D.",
   "limits_en": "Rain, fog, night and occlusion degrade quality; rare or unusual objects get missed. It needs precise sensor calibration and synchronisation plus expensive 3D labels.",
   "terms": [
    {
     "gloss": "Widok sceny z góry, wspólny układ dla wielu czujników.",
     "term": "BEV"
    },
    {
     "gloss": "Wyznaczanie brył obiektów w przestrzeni wraz z kierunkiem i prędkością.",
     "term": "detekcja 3D"
    },
    {
     "gloss": "Łączenie wykryć z kolejnych chwil w tory ruchu.",
     "term": "śledzenie wielu obiektów"
    }
   ],
   "terms_en": [
    {
     "gloss": "A top-down view of the scene, a shared frame for many sensors.",
     "term": "BEV"
    },
    {
     "gloss": "Finding object boxes in space together with heading and speed.",
     "term": "3D detection"
    },
    {
     "gloss": "Linking detections over time into motion tracks.",
     "term": "multi-object tracking"
    }
   ],
   "prereq": [
    "objectdetection",
    "pointclouds"
   ],
   "keywords": [
    "3D object detection",
    "multi-object tracking",
    "nuScenes",
    "Waymo Open Dataset",
    "KITTI",
    "CenterPoint",
    "BEVFormer",
    "camera-LiDAR fusion",
    "radar perception",
    "NDS"
   ],
   "source_ids": [
    "coursera-sdc-toronto",
    "nuscenes-2019",
    "centerpoint-2020"
   ],
   "url": "https://aiatlasgraph.com/t/adperception",
   "markdown_url": "https://aiatlasgraph.com/t/adperception.md",
   "updated": "2026-10-30"
  },
  "adplanning": {
   "id": "adplanning",
   "parent_id": "autodriving",
   "label": "Planowanie ruchu i sterowanie pojazdem",
   "canonical_name": "Motion planning and vehicle control",
   "aliases": [
    "motion planning",
    "trajectory planning",
    "AV planner",
    "vehicle control",
    "planowanie trajektorii",
    "sterowanie pojazdem"
   ],
   "description": "Wybór manewru i trajektorii pojazdu z uwzględnieniem przeszkód, przepisów i komfortu oraz jej realizacja przez regulator.",
   "description_en": "Choosing the vehicle's manoeuvre and trajectory with respect to obstacles, rules and comfort, and executing it with a controller.",
   "plain": "Decydowanie, jaką drogą i z jaką prędkością jechać przez najbliższe sekundy, a potem dokładne wykonanie tego kierownicą i pedałami.",
   "plain_en": "Deciding which path and speed to take over the next few seconds, then carrying it out precisely with steering and pedals.",
   "solves": "Nawet gdy auto wie wszystko o otoczeniu, musi wybrać ruch bezpieczny, zgodny z przepisami i wygodny dla pasażerów.",
   "solves_en": "Even when the car knows everything about its surroundings, it must pick a move that is safe, legal and comfortable for passengers.",
   "does": "Jak kierowca, który najpierw wybiera manewr, potem rysuje w głowie płynny tor, a ręce i nogi dokładnie go odtwarzają.",
   "does_en": "Like a driver who first picks a manoeuvre, then pictures a smooth path, and lets hands and feet follow it precisely.",
   "example": "Auto łagodnie wyprzedza rowerzystę, zostawiając mu dużo miejsca, i wraca na pas, zanim nadjedzie samochód z naprzeciwka.",
   "example_en": "The car gently overtakes a cyclist with plenty of room and moves back before an oncoming car arrives.",
   "for_you": [
    "chcesz wiedzieć, jak auto podejmuje decyzje na drodze",
    "pracujesz z robotami mobilnymi lub dronami",
    "interesuje cię łączenie reguł z uczeniem maszynowym"
   ],
   "for_you_en": [
    "want to know how a car makes decisions on the road",
    "work with mobile robots or drones",
    "are interested in combining rules with machine learning"
   ],
   "how": "Planowanie obejmuje wybór trasy, decyzję o manewrze i wyznaczenie trajektorii w czasie. Metody różnią się modelem ruchu pojazdu, założeniami o otoczeniu i kosztem obliczeń, a sterowanie ze sprzężeniem zwrotnym realizuje wybraną trajektorię.",
   "how_en": "Planning covers route selection, manoeuvre decisions and a time-indexed trajectory. Methods differ in their vehicle-motion model, assumptions about the environment and computational cost, while feedback control executes the chosen trajectory.",
   "limits": "Ręcznie dobrane koszty i reguły nie obejmują wszystkich sytuacji, a planery uczone naśladują ludzi razem z ich błędami. Testy offline słabo przewidują jazdę w ruchu, gdzie inni reagują na pojazd.",
   "limits_en": "Hand-tuned costs and rules do not cover every situation, and learned planners imitate humans including their mistakes. Offline tests poorly predict driving in traffic, where others react to the vehicle.",
   "terms": [
    {
     "gloss": "Wzór oceniający trajektorię za bezpieczeństwo, postęp i komfort.",
     "term": "funkcja kosztu"
    },
    {
     "gloss": "Sterowanie przewidujące kilka kroków naprzód i poprawiane w każdej chwili.",
     "term": "MPC"
    },
    {
     "gloss": "Wybór manewru, np. wyprzedzić czy czekać.",
     "term": "planowanie behawioralne"
    }
   ],
   "terms_en": [
    {
     "gloss": "A formula scoring a trajectory for safety, progress and comfort.",
     "term": "cost function"
    },
    {
     "gloss": "Control that looks a few steps ahead and is re-solved at every moment.",
     "term": "MPC"
    },
    {
     "gloss": "Choosing a manoeuvre, such as overtake or wait.",
     "term": "behaviour planning"
    }
   ],
   "prereq": [
    "astar",
    "mdp"
   ],
   "keywords": [
    "motion planning",
    "trajectory planning",
    "behaviour planning",
    "vehicle control",
    "feedback control",
    "trajectory optimisation",
    "imitation learning",
    "nuPlan"
   ],
   "source_ids": [
    "coursera-sdc-toronto",
    "paden-2016"
   ],
   "url": "https://aiatlasgraph.com/t/adplanning",
   "markdown_url": "https://aiatlasgraph.com/t/adplanning.md",
   "updated": "2026-10-30"
  },
  "adsimulation": {
   "id": "adsimulation",
   "parent_id": "autodriving",
   "label": "Symulacja i walidacja bezpieczeństwa jazdy",
   "canonical_name": "Driving simulation and safety validation",
   "aliases": [
    "AV simulation",
    "AV safety validation",
    "autonomous vehicle testing",
    "symulacja jazdy",
    "testowanie aut autonomicznych"
   ],
   "description": "Środowiska symulacyjne, metryki i procesy (testy scenariuszowe, normy, statystyki z dróg) do oceny bezpieczeństwa i jakości jazdy.",
   "description_en": "Simulation environments, metrics and processes (scenario testing, standards, on-road statistics) for assessing driving safety and quality.",
   "plain": "Sprawdzanie auta autonomicznego w wirtualnym świecie, w testach i według norm, zanim wyjedzie na prawdziwe drogi.",
   "plain_en": "Checking a self-driving car in a virtual world, in tests and against standards before it goes onto real roads.",
   "solves": "Groźne sytuacje zdarzają się na drogach rzadko, a sprawdzanie ich na prawdziwych ludziach jest nie do przyjęcia.",
   "solves_en": "Dangerous situations are rare on real roads, and testing them on real people is unacceptable.",
   "does": "Jak symulator lotu dla pilotów: tysiące awarii i burz przećwiczonych na sucho, zanim ktokolwiek wsiądzie do samolotu.",
   "does_en": "Like a flight simulator for pilots: thousands of failures and storms rehearsed safely before anyone boards a plane.",
   "example": "Przed wydaniem nowej wersji oprogramowania auto przejeżdża wirtualnie ogromne dystanse, spotykając kierowców łamiących przepisy.",
   "example_en": "Before a software update ships, the car drives enormous virtual distances, meeting drivers who break the rules.",
   "for_you": [
    "zastanawiasz się, skąd wiadomo, że auto bez kierowcy jest bezpieczne",
    "testujesz systemy, których błędy są groźne",
    "pracujesz z symulatorami lub grami 3D"
   ],
   "for_you_en": [
    "wonder how anyone knows a driverless car is safe",
    "test systems whose failures are dangerous",
    "work with simulators or 3D games"
   ],
   "how": "Ocena łączy symulację w pętli zamkniętej, w której agenci reagują na pojazd, odtwarzanie nagrań z modyfikacjami, testy scenariuszy na torze i statystyki z jazdy po drogach. Normy wymagają analizy zagrożeń wynikających z ograniczeń czujników i algorytmów, a nie tylko z awarii sprzętu.",
   "how_en": "Assessment combines closed-loop simulation where agents react to the vehicle, modified log replay, scenario tests on tracks and statistics from on-road driving. Standards require analysing hazards from sensor and algorithm limitations, not just hardware faults.",
   "limits": "Symulator nie oddaje rzeczywistości w pełni (luka między symulacją a rzeczywistością), a wirtualni kierowcy zachowują się nierealistycznie. Statystyki z dróg wymagają ogromnych przebiegów i zależą od wyboru ludzkiego punktu odniesienia.",
   "limits_en": "A simulator never fully matches reality (the sim-to-real gap), and virtual drivers behave unrealistically. On-road statistics need huge mileage and depend on the chosen human baseline.",
   "terms": [
    {
     "gloss": "Decyzje pojazdu zmieniają przebieg symulacji i reakcje innych.",
     "term": "pętla zamknięta"
    },
    {
     "gloss": "Różnica między danymi z symulatora a rzeczywistością.",
     "term": "luka sim-to-real"
    },
    {
     "gloss": "Rzadkie sytuacje, w których system najczęściej zawodzi.",
     "term": "przypadki brzegowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "The vehicle's decisions change how the simulation and others react.",
     "term": "closed loop"
    },
    {
     "gloss": "The difference between simulator data and reality.",
     "term": "sim-to-real gap"
    },
    {
     "gloss": "Rare situations where the system most often fails.",
     "term": "edge cases"
    }
   ],
   "prereq": [
    "rlenvs",
    "ooddetection"
   ],
   "keywords": [
    "CARLA",
    "nuPlan",
    "NAVSIM",
    "SOTIF",
    "ISO 21448",
    "scenario-based testing",
    "closed-loop simulation",
    "neural sensor simulation",
    "driving world model"
   ],
   "source_ids": [
    "carla-2017",
    "iso21448-2022"
   ],
   "url": "https://aiatlasgraph.com/t/adsimulation",
   "markdown_url": "https://aiatlasgraph.com/t/adsimulation.md",
   "updated": "2026-10-30"
  },
  "advdistill": {
   "id": "advdistill",
   "parent_id": "fewstepdiffusion",
   "label": "Przeciwstawna destylacja dyfuzji (generowanie w 1–4 krokach)",
   "canonical_name": "Adversarial diffusion distillation",
   "aliases": [
    "adversarial diffusion distillation",
    "ADD",
    "turbo diffusion models"
   ],
   "description": "Destylacja dużych modeli dyfuzyjnych do 1–4 kroków przez połączenie sygnału nauczyciela opartego na score ze stratą przeciwstawną.",
   "description_en": "Distilling large diffusion models to 1–4 steps by combining a score-based teacher signal with an adversarial loss.",
   "plain": "Przyspieszanie generatora obrazów przez połączenie wskazówek wolnego modelu-nauczyciela z oceną sieci, która wyłapuje nierealistyczne wyniki.",
   "plain_en": "Speeding up an image generator by combining hints from a slow teacher model with a network that spots unrealistic results.",
   "solves": "Gdy szybki model generuje w jednym kroku, obrazy wychodzą rozmyte i bez szczegółów, bo uśrednia możliwe wyniki.",
   "solves_en": "When a fast model generates in one step, images come out blurry and lacking detail because it averages possible outcomes.",
   "does": "Uczeń ma dwóch recenzentów: nauczyciel mówi, czy treść pasuje do opisu, a krytyk, czy obraz wygląda jak prawdziwe zdjęcie.",
   "does_en": "The student has two reviewers: the teacher says whether content fits the description, and a critic whether it looks like a real photo.",
   "example": "Aplikacja do obrazków z opisu generuje ilustrację niemal w trakcie pisania, a obraz wciąż ma ostre detale.",
   "example_en": "A text-to-image app produces an illustration almost while you type, and the picture still has sharp detail.",
   "for_you": [
    "używasz bardzo szybkich generatorów obrazów",
    "zastanawiasz się, czemu szybkie obrazy bywają mniej różnorodne"
   ],
   "for_you_en": [
    "use very fast image generators",
    "wonder why fast images can be less varied"
   ],
   "how": "Uczeń generuje obraz w jednym lub kilku krokach. Zamrożony model dyfuzyjny dostarcza sygnał nauczyciela przez destylację score, a dyskryminator karze nierealistyczne szczegóły. Połączenie obu sygnałów ma zachować zgodność z nauczycielem i ostrość obrazu przy bardzo małej liczbie kroków.",
   "how_en": "The student generates an image in one or a few steps. A frozen diffusion model provides a teacher signal through score distillation, while a discriminator penalises unrealistic detail. Combining the two aims to preserve teacher alignment and image fidelity at very low step counts.",
   "limits": "Metoda wymaga gotowego, dużego nauczyciela oraz dodatkowego treningu przeciwstawnego. Wyniki publikacji dotyczą syntezy obrazu; nie dowodzą takiej samej jakości w innych modalnościach ani dla każdego modelu bazowego.",
   "limits_en": "The method requires a large pretrained teacher and additional adversarial training. The paper's results concern image synthesis; they do not establish the same quality in other modalities or for every base model.",
   "terms": [
    {
     "gloss": "Uczenie wyniku ucznia kierunkiem odszumiania wskazywanym przez model-nauczyciela.",
     "term": "destylacja score"
    },
    {
     "gloss": "Sygnał z dyskryminatora, który karze wyniki wyglądające nierealistycznie.",
     "term": "strata przeciwstawna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Training the student's output with denoising directions from a teacher model.",
     "term": "score distillation"
    },
    {
     "gloss": "A discriminator signal penalising outputs that look unrealistic.",
     "term": "adversarial loss"
    }
   ],
   "prereq": [
    "gan",
    "cfg"
   ],
   "keywords": [
    "adversarial diffusion distillation",
    "ADD",
    "SDXL Turbo",
    "score distillation",
    "one-step text-to-image"
   ],
   "source_ids": [
    "sauer-add-2023"
   ],
   "url": "https://aiatlasgraph.com/t/advdistill",
   "markdown_url": "https://aiatlasgraph.com/t/advdistill.md",
   "updated": "2026-10-30"
  },
  "adversarialsearch": {
   "id": "adversarialsearch",
   "parent_id": "search",
   "label": "Gry i przeszukiwanie z przeciwnikiem (minimax)",
   "canonical_name": "Adversarial search and games (minimax, alpha-beta)",
   "description": "Wybór ruchu, gdy przeciwnik gra przeciwko nam: drzewo gry, minimax, przycinanie alfa–beta, Monte Carlo Tree Search.",
   "description_en": "Choosing moves when an opponent plays against you: game trees, minimax, alpha-beta pruning, Monte Carlo tree search.",
   "examples": "Minimax · alfa–beta · expectimax · MCTS · szachy",
   "examples_en": "Minimax · alpha-beta · expectimax · MCTS · chess",
   "plain": "To wybieranie ruchów z uwzględnieniem tego, jak może odpowiedzieć przeciwnik.",
   "plain_en": "This chooses moves while considering how an opponent might respond.",
   "solves": "Ruch wygląda korzystnie, ale może pozwolić przeciwnikowi wykonać odpowiedź, która całkowicie zmieni sytuację.",
   "solves_en": "A move looks promising but may let an opponent respond in a way that changes the situation completely.",
   "does": "Rozważa własne ruchy i odpowiedzi przeciwnika, porównując dalsze przebiegi gry i ograniczając badanie mniej obiecujących wariantów.",
   "does_en": "It considers your moves and the opponent's responses, comparing future game paths and limiting exploration of less promising alternatives.",
   "example": "Program grający w szachy sprawdza, czy zdobycie figury nie pozwoli przeciwnikowi odpowiedzieć groźnym atakiem.",
   "example_en": "Chess software checks whether capturing a piece would let the opponent respond with a dangerous attack.",
   "for_you": [
    "wybierasz ruchy w grze z przeciwnikiem",
    "wynik twojej decyzji zależy od odpowiedzi drugiej strony"
   ],
   "for_you_en": [
    "choose moves in a game against an opponent",
    "face decisions whose outcomes depend on another side's response"
   ],
   "how": "Drzewo gry naprzemiennie rozwija ruchy gracza i przeciwnika, a minimax przenosi oceny liści ku decyzji początkowej. Odcinanie alfa–beta pomija gałęzie bez wpływu na wynik, natomiast metody Monte Carlo szacują obiecujące rozwinięcia.",
   "how_en": "Game trees alternate player and opponent moves, with minimax propagating leaf scores toward the initial decision. Alpha–beta pruning skips irrelevant branches, while Monte Carlo methods estimate promising expansions.",
   "limits": "Ocena ograniczonej głębokości może mylić się mimo poprawnego przeszukiwania. Duże rozgałęzienie, ukryta informacja i losowość wymagają innych modeli niż proste deterministyczne minimax.",
   "limits_en": "Depth-limited evaluation can fail despite correct search. Large branching factors, hidden information and randomness require models beyond simple deterministic minimax.",
   "terms": [
    {
     "gloss": "Wybór ruchu maksymalizującego wynik wobec najlepiej odpowiadającego przeciwnika.",
     "term": "minimax"
    },
    {
     "gloss": "Pomijanie gałęzi, które nie mogą poprawić rozstrzygnięcia minimax.",
     "term": "odcinanie alfa–beta"
    }
   ],
   "terms_en": [
    {
     "gloss": "Choosing a move maximising the outcome against an optimally responding opponent.",
     "term": "minimax"
    },
    {
     "gloss": "Skipping branches that cannot improve the minimax decision.",
     "term": "alpha–beta pruning"
    }
   ],
   "prereq": [
    "uninformedsearch"
   ],
   "keywords": [
    "minimax",
    "alpha-beta pruning",
    "expectimax",
    "MCTS",
    "game trees",
    "transposition tables"
   ],
   "source_ids": [
    "cs188fa25",
    "aima4"
   ],
   "url": "https://aiatlasgraph.com/t/adversarialsearch",
   "markdown_url": "https://aiatlasgraph.com/t/adversarialsearch.md",
   "updated": "2026-10-30"
  },
  "advmalware": {
   "id": "advmalware",
   "parent_id": "malwareml",
   "label": "Omijanie detektorów malware przykładami adwersarialnymi",
   "canonical_name": "Adversarial evasion of malware detectors",
   "aliases": [
    "adversarial malware",
    "problem-space attacks",
    "evasive malware generation",
    "adversarial examples for malware",
    "ataki adwersarialne na detektory malware"
   ],
   "description": "Modyfikowanie prawdziwych złośliwych programów tak, by zachowały działanie, a klasyfikator uznał je za nieszkodliwe, oraz obrona przed takimi atakami.",
   "description_en": "Modifying real malicious programs so they keep working while a classifier judges them benign, and defending against such attacks.",
   "plain": "Badanie, jak przestępcy mogą lekko przerobić wirusa, żeby program ochronny oparty na AI go przepuścił, i jak się przed tym bronić.",
   "plain_en": "Studying how criminals can slightly rework a virus so AI-based protection lets it through, and how to defend against that.",
   "solves": "Uczony detektor może mieć ślepe punkty, które atakujący znajdzie szybciej niż jego twórcy.",
   "solves_en": "A trained detector can have blind spots that attackers find faster than its makers do.",
   "does": "Jak włamywacz testujący, które przebranie zmyli bramkarza: obrońcy robią to pierwsi, by poznać słabości i je załatać.",
   "does_en": "Like a burglar testing which disguise fools the bouncer: defenders do it first to find the weaknesses and fix them.",
   "example": "Zespół bezpieczeństwa dokleja do znanego szkodnika nieszkodliwy kod z popularnej aplikacji i sprawdza, czy ich detektor nadal go wyłapuje.",
   "example_en": "A security team attaches harmless code from a popular app to a known piece of malware and checks whether their detector still catches it.",
   "for_you": [
    "utrzymujesz detektor malware oparty na uczeniu maszynowym",
    "oceniasz, czy model wytrzyma celowy atak",
    "badasz odporność modeli"
   ],
   "for_you_en": [
    "maintain a machine-learning malware detector",
    "assess whether a model will withstand a deliberate attack",
    "research model robustness"
   ],
   "how": "Atak w przestrzeni problemu przekształca sam program, np. dodając martwy kod, importy lub fragmenty nieszkodliwych aplikacji, z ograniczeniami: zachować działanie, przetrwać przetwarzanie wstępne i wyglądać wiarygodnie. Zmiany dobiera się tak, by przesunąć cechy w stronę klasy nieszkodliwej. Obrona to trening adwersarialny, cechy trudne do zmiany i łączenie wielu detektorów.",
   "how_en": "A problem-space attack transforms the program itself, e.g. adding dead code, imports or fragments of benign apps, under constraints: preserve behaviour, survive preprocessing and look plausible. Changes are chosen to push features towards the benign class. Defences include adversarial training, features that are hard to change and ensembles of detectors.",
   "limits": "Skuteczność zależy od badanego modelu i przeciwnika. Praca źródłowa obejmuje 150 tys. aplikacji Android z lat 2016 i 2018, więc nie dowodzi odporności na innych platformach. Atak w przestrzeni cech nie zawsze da się przełożyć na działający program, a trening adwersarialny nie zapewnia ochrony przed każdą modyfikacją.",
   "limits_en": "Effectiveness depends on the model and adversary studied. The cited work covers 150,000 Android apps from 2016 and 2018, so it does not establish robustness on other platforms. A feature-space attack may not map to a functioning program, and adversarial training does not protect against every modification.",
   "terms": [
    {
     "gloss": "Zmiany w prawdziwym obiekcie, np. pliku, a nie w liczbach cech.",
     "term": "przestrzeń problemu"
    },
    {
     "gloss": "Niezamierzone zmiany cech wywołane przeróbką programu.",
     "term": "cechy uboczne"
    },
    {
     "gloss": "Douczanie modelu na celowo spreparowanych próbkach ataku.",
     "term": "trening adwersarialny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Changes to the real object, e.g. a file, not to feature numbers.",
     "term": "problem space"
    },
    {
     "gloss": "Unintended feature changes caused by modifying the program.",
     "term": "side-effect features"
    },
    {
     "gloss": "Retraining a model on deliberately crafted attack samples.",
     "term": "adversarial training"
    }
   ],
   "prereq": [
    "robustness",
    "staticmalware"
   ],
   "keywords": [
    "problem-space attack",
    "adversarial examples",
    "evasion attack",
    "adversarial training",
    "Android malware",
    "DREBIN",
    "MalConv evasion",
    "gradient-based attacks",
    "feature-space attack"
   ],
   "source_ids": [
    "pierazzi-problem-space-attacks-2020"
   ],
   "url": "https://aiatlasgraph.com/t/advmalware",
   "markdown_url": "https://aiatlasgraph.com/t/advmalware.md",
   "updated": "2026-10-30"
  },
  "aerialdetection": {
   "id": "aerialdetection",
   "parent_id": "eoanalysis",
   "label": "Wykrywanie obiektów na zdjęciach z góry",
   "canonical_name": "Object detection in aerial and satellite imagery",
   "aliases": [
    "oriented object detection",
    "rotated object detection",
    "aerial object detection",
    "detekcja obiektów na zdjęciach lotniczych",
    "OBB detection"
   ],
   "description": "Lokalizacja obiektów na obrazach teledetekcyjnych za pomocą ramek poziomych lub obróconych (OBB), przy dużej zmienności skali, orientacji i gęstości obiektów.",
   "description_en": "Locating objects in remote-sensing images with horizontal or oriented bounding boxes (OBB), under large variation in scale, orientation and density.",
   "plain": "Odnajdywanie i liczenie na zdjęciach z satelity lub drona pojedynczych rzeczy: samolotów, statków, samochodów, zbiorników czy budynków.",
   "plain_en": "Finding and counting individual things in satellite or drone images: planes, ships, cars, tanks or buildings.",
   "solves": "Z góry obiekty są drobne, ciasno upakowane i obrócone w dowolną stronę, więc zwykłe prostokątne ramki łapią w nie dużo tła.",
   "solves_en": "From above, objects are small, tightly packed and turned every which way, so ordinary upright boxes capture a lot of background.",
   "does": "Jak liczenie aut na parkingu z balkonu wieżowca: trzeba wypatrzyć małe kształty i obrysować każdy pod jego własnym kątem.",
   "does_en": "Like counting cars in a car park from a tower-block balcony: you must spot small shapes and outline each at its own angle.",
   "example": "Port sprawdza, ile statków czeka na redzie, licząc je automatycznie na codziennych zdjęciach satelitarnych.",
   "example_en": "A port checks how many ships are waiting offshore by counting them automatically on daily satellite images.",
   "for_you": [
    "liczysz rzeczy na dużym terenie: auta, drzewa, panele słoneczne",
    "pracujesz z nagraniami z drona"
   ],
   "for_you_en": [
    "count things over a large area: cars, trees, solar panels",
    "work with drone footage"
   ],
   "how": "Detektory z widzenia komputerowego rozszerza się o przewidywanie kąta obrotu ramki albo czterech narożników. Ogromne sceny tnie się na kafelki z zakładką, a wyniki scala. Dla małych obiektów stosuje się piramidy cech i wejście w wysokiej rozdzielczości.",
   "how_en": "Computer-vision detectors are extended to predict the box's rotation angle or its four corners. Huge scenes are cut into overlapping tiles and results merged. Feature pyramids and high-resolution input help with small objects.",
   "limits": "Małe i gęsto upakowane obiekty łatwo przeoczyć, a mosty czy statki mają skrajne proporcje. Kąt ramki jest niejednoznaczny dla obiektów symetrycznych. Modele słabo przenoszą się między zbiorami danych i sensorami.",
   "limits_en": "Small, densely packed objects are easy to miss, and bridges or ships have extreme aspect ratios. The box angle is ambiguous for symmetric objects. Models transfer poorly between datasets and sensors.",
   "terms": [
    {
     "gloss": "Obrócona ramka dopasowana do obiektu, a nie do krawędzi obrazu.",
     "term": "OBB"
    },
    {
     "gloss": "Zwykła ramka równoległa do krawędzi zdjęcia.",
     "term": "HBB"
    },
    {
     "gloss": "Średnia precyzja: główna miara jakości detektorów obiektów.",
     "term": "mAP"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rotated box fitted to the object rather than the image edges.",
     "term": "OBB"
    },
    {
     "gloss": "An ordinary box parallel to the image edges.",
     "term": "HBB"
    },
    {
     "gloss": "Mean average precision: the main quality measure for detectors.",
     "term": "mAP"
    }
   ],
   "prereq": [
    "objectdetection"
   ],
   "keywords": [
    "DOTA",
    "DIOR",
    "FAIR1M",
    "xView",
    "oriented bounding boxes",
    "Oriented R-CNN",
    "rotated RetinaNet",
    "MMRotate",
    "YOLO OBB"
   ],
   "source_ids": [
    "xia-dota-2017"
   ],
   "url": "https://aiatlasgraph.com/t/aerialdetection",
   "markdown_url": "https://aiatlasgraph.com/t/aerialdetection.md",
   "updated": "2026-10-30"
  },
  "aerialrobotics": {
   "id": "aerialrobotics",
   "parent_id": "robotics",
   "label": "Drony i roboty latające",
   "canonical_name": "Aerial robotics and autonomous drone flight",
   "aliases": [
    "aerial robotics",
    "autonomous drones",
    "drones",
    "robotyka powietrzna",
    "drony autonomiczne"
   ],
   "description": "Autonomia robotów latających: estymacja stanu z kamer i czujników inercyjnych, planowanie i sterowanie lotem, w tym polityki uczone w symulacji.",
   "description_en": "Autonomy for flying robots: state estimation from cameras and inertial sensors, flight planning and control, including policies learned in simulation.",
   "plain": "Drony, które same widzą otoczenie i decydują, jak lecieć, zamiast czekać na każdy ruch drążkiem od pilota.",
   "plain_en": "Drones that see their surroundings and decide how to fly themselves, instead of waiting for every stick movement from a pilot.",
   "solves": "Dron w lesie, hali lub budynku traci sygnał nawigacji satelitarnej i ma ułamek sekundy na unik, za mało dla pilota na odległość.",
   "solves_en": "A drone in a forest, hall or building loses satellite navigation and has a split second to dodge, too little for a remote pilot.",
   "does": "Łączy oczy i błędnik drona – kamerę i czujniki ruchu – z szybkim „mózgiem” na pokładzie, który co chwila poprawia kurs.",
   "does_en": "It joins the drone's eyes and inner ear – camera and motion sensors – with a fast onboard “brain” that keeps correcting course.",
   "example": "Dron inspekcyjny sam przelatuje pod mostem wzdłuż dźwigarów i fotografuje rysy, choć pod konstrukcją nie ma zasięgu GPS.",
   "example_en": "An inspection drone flies itself under a bridge along the girders, photographing cracks even though there is no GPS signal beneath.",
   "for_you": [
    "latasz dronem i ciekawi cię tryb autonomiczny",
    "planujesz inspekcje lub dostawy z powietrza",
    "łączysz widzenie komputerowe ze sterowaniem w ruchu"
   ],
   "for_you_en": [
    "fly drones and are curious about autonomous modes",
    "plan aerial inspections or deliveries",
    "combine computer vision with control in motion"
   ],
   "how": "Podejścia pośrednie budują mapę i trajektorię (odometria wizyjno-inercyjna, SLAM, planery online), a regulator ją śledzi. Półbezpośrednie podają sieci cechy pośrednie, np. głębię, a końcowo-końcowe mapują obraz wprost na komendy ciągu i obrotów. Polityki trenuje się RL lub imitacją w symulatorze i przenosi na sprzęt.",
   "how_en": "Indirect approaches build a map and trajectory (visual-inertial odometry, SLAM, online planners) that a controller tracks. Semi-direct ones feed networks intermediate features such as depth, while end-to-end ones map images straight to thrust and body-rate commands. Policies are trained with RL or imitation in a simulator and transferred to hardware.",
   "limits": "Mały dron ma ograniczoną moc obliczeniową, baterię i ładowność. Rozmycie ruchu, słabe światło i wiatr psują percepcję, a błąd kończy się upadkiem. Loty autonomiczne poza zasięgiem wzroku podlegają przepisom lotniczym.",
   "limits_en": "A small drone has limited compute, battery and payload. Motion blur, low light and wind degrade perception, and an error ends in a crash. Autonomous flights beyond visual line of sight fall under aviation rules.",
   "terms": [
    {
     "gloss": "Szacowanie ruchu drona z kamery i żyroskopu razem.",
     "term": "odometria wizyjno-inercyjna"
    },
    {
     "gloss": "Niskopoziomowe polecenia: jak mocno pchać i jak szybko się obracać.",
     "term": "komendy ciągu i obrotów"
    },
    {
     "gloss": "Lot, przy którym operator nie widzi drona.",
     "term": "lot poza zasięgiem wzroku"
    }
   ],
   "terms_en": [
    {
     "gloss": "Estimating drone motion from camera and gyroscope together.",
     "term": "visual-inertial odometry"
    },
    {
     "gloss": "Low-level commands: how hard to push and how fast to rotate.",
     "term": "thrust and body-rate commands"
    },
    {
     "gloss": "Flight where the operator cannot see the drone.",
     "term": "BVLOS"
    }
   ],
   "prereq": [
    "slam",
    "feedbackcontrol"
   ],
   "keywords": [
    "quadrotor",
    "UAV",
    "visual-inertial odometry",
    "PX4",
    "ArduPilot",
    "EGO-Planner",
    "Flightmare",
    "drone racing",
    "end-to-end flight",
    "sim-to-real"
   ],
   "source_ids": [
    "swift-drone-racing-2023",
    "vision-drones-survey-2023"
   ],
   "url": "https://aiatlasgraph.com/t/aerialrobotics",
   "markdown_url": "https://aiatlasgraph.com/t/aerialrobotics.md",
   "updated": "2026-10-30"
  },
  "aes": {
   "id": "aes",
   "parent_id": "autoassessment",
   "label": "Automatyczna ocena wypracowań",
   "canonical_name": "Automated essay scoring",
   "aliases": [
    "AES",
    "automated essay scoring",
    "automated writing evaluation",
    "AWE",
    "essay grading",
    "automatyczne ocenianie wypracowań"
   ],
   "description": "Przewidywanie oceny holistycznej lub ocen za cechy (spójność, argumentacja, zgodność z tematem) dla tekstów pisanych przez uczniów.",
   "description_en": "Predicting a holistic score or trait scores (coherence, argumentation, prompt adherence) for student-written texts.",
   "plain": "Programy, które czytają wypracowanie i wystawiają mu ocenę, ogólną albo osobno za treść, strukturę czy język.",
   "plain_en": "Software that reads an essay and gives it a grade, either overall or separately for content, structure or language.",
   "solves": "Ręczne ocenianie tysięcy wypracowań jest powolne, drogie i niejednolite, bo różni egzaminatorzy oceniają tę samą pracę inaczej.",
   "solves_en": "Hand-marking thousands of essays is slow, costly and uneven, since different examiners grade the same work differently.",
   "does": "Jak doświadczony egzaminator, który przeczytał tysiące ocenionych prac i nauczył się, co zwykle odróżnia czwórkę od piątki.",
   "does_en": "Like a seasoned examiner who has read thousands of graded papers and learned what usually separates a good mark from a top one.",
   "example": "Po napisaniu wypracowania na kursie językowym uczeń od razu dostaje ocenę i uwagi o spójności, a lektor sprawdza tylko prace z pogranicza.",
   "example_en": "After writing an essay on a language course, a student instantly gets a grade and notes on coherence, and the tutor checks only borderline papers.",
   "for_you": [
    "piszesz wypracowania na kursie lub egzaminie",
    "sprawdzasz dużo prac pisemnych"
   ],
   "for_you_en": [
    "write essays for a course or exam",
    "mark a lot of written work"
   ],
   "how": "Starsze systemy stosują regresję na cechach długości, słownictwa, składni, czytelności i dyskursu. Modele neuronowe, od CNN i LSTM po dostrojone transformery, uczą się bezpośrednio na ocenionych pracach. Jakość mierzy się zgodnością z egzaminatorami, często ważoną kappą kwadratową.",
   "how_en": "Older systems use regression on features such as length, vocabulary, syntax, readability and discourse. Neural models, from CNNs and LSTMs to fine-tuned transformers, learn directly from scored essays. Quality is measured by agreement with examiners, often quadratic weighted kappa.",
   "limits": "Ocena holistyczna mówi uczniowi niewiele o tym, co poprawić; ocena cech jest wciąż słabo rozwiązana. Modele są wrażliwe na długość i sztuczki, a uczone na jednym temacie słabo przenoszą się na inne. Danych z ocenami cech jest mało, zwłaszcza w językach innych niż angielski.",
   "limits_en": "A holistic score tells students little about what to fix; trait scoring is still poorly solved. Models are sensitive to length and tricks, and those trained on one prompt transfer poorly to others. Trait-annotated data are scarce, especially outside English.",
   "terms": [
    {
     "gloss": "Osobne oceny za wybrane cechy, np. spójność czy argumentację.",
     "term": "ocena cech"
    },
    {
     "gloss": "Publiczny zbiór wypracowań z ocenami, popularny w badaniach.",
     "term": "ASAP"
    },
    {
     "gloss": "Ocenianie prac na temat, którego nie było w danych treningowych.",
     "term": "przenoszenie między tematami"
    }
   ],
   "terms_en": [
    {
     "gloss": "Separate grades for chosen traits, e.g. coherence or argumentation.",
     "term": "trait scoring"
    },
    {
     "gloss": "A public dataset of scored essays, widely used in research.",
     "term": "ASAP"
    },
    {
     "gloss": "Scoring essays on a prompt absent from training data.",
     "term": "cross-prompt transfer"
    }
   ],
   "prereq": [
    "textclassification",
    "transformerfamilies"
   ],
   "keywords": [
    "ASAP dataset",
    "quadratic weighted kappa",
    "trait scoring",
    "cross-prompt scoring",
    "e-rater",
    "ELLIPSE corpus",
    "BERT essay scoring"
   ],
   "source_ids": [
    "ke-ng-aes-survey-2019"
   ],
   "url": "https://aiatlasgraph.com/t/aes",
   "markdown_url": "https://aiatlasgraph.com/t/aes.md",
   "updated": "2026-10-30"
  },
  "affordances": {
   "id": "affordances",
   "parent_id": "robotperception",
   "label": "Rozpoznawanie, do czego służy przedmiot (afordancje)",
   "canonical_name": "Affordance learning for robot manipulation",
   "aliases": [
    "affordance learning",
    "affordance detection",
    "object affordances",
    "task-oriented grasping",
    "afordancje",
    "uczenie afordancji"
   ],
   "description": "Przewidywanie możliwych działań na obiekcie i części, która je umożliwia (relacja obiekt–akcja–efekt), z danych statycznych lub z interakcji.",
   "description_en": "Predicting possible actions on an object and the part that enables them (object–action–effect relation), from static data or interaction.",
   "plain": "Robot uczy się rozpoznawać, co można z przedmiotem zrobić i którą jego częścią, na przykład że nóż trzyma się za rękojeść.",
   "plain_en": "A robot learns what an object can be used for and by which part, for example that a knife is held by the handle.",
   "solves": "Robot, który umie złapać przedmiot, nadal może złapać go tak, że nie da się go potem użyć do zadania.",
   "solves_en": "A robot that can grab something may still grab it in a way that makes it useless for the task.",
   "does": "Zaznacza na obrazie lub modelu przedmiotu strefy o różnym przeznaczeniu, jak instrukcja z rysunkiem „tu trzymaj, tym kroisz”.",
   "does_en": "It marks regions of an object for different uses, like an instruction drawing saying “hold here, cut with this”.",
   "example": "Poproszony o podanie nożyczek robot chwyta je za ostrza i podaje człowiekowi uchwytami do przodu.",
   "example_en": "Asked to pass the scissors, a robot grips them by the blades and offers the handles to the person.",
   "for_you": [
    "robot ma używać narzędzi, a nie tylko je przenosić",
    "chcesz, żeby robot radził sobie z przedmiotami, których nie widział",
    "projektujesz podawanie rzeczy człowiekowi"
   ],
   "for_you_en": [
    "need a robot to use tools, not just move them",
    "want a robot to cope with objects it has never seen",
    "design handing objects to a person"
   ],
   "how": "Modele segmentują obraz lub chmurę punktów na mapy afordancji, np. „do chwytania”, „do nalewania”, „do pchania”. Uczy się ich z ręcznych oznaczeń, z nagrań ludzi używających przedmiotów albo z prób robota w symulacji. Coraz częściej wiedzę o przeznaczeniu dostarczają modele wizja–język, a wynik zawęża wybór chwytu i ruchu.",
   "how_en": "Models segment an image or point cloud into affordance maps such as “graspable”, “pourable” or “pushable”. They learn from manual labels, from videos of people using objects, or from robot trials in simulation. Vision-language models increasingly supply knowledge of purpose, and the result narrows grasp and motion choices.",
   "limits": "Przeznaczenie zależy od zadania i kontekstu, więc ta sama część raz jest uchwytem, raz nie. Zbiory danych są małe, a wspólnych miar jakości brakuje. Poprawna mapa nie gwarantuje udanego ruchu w kontakcie.",
   "limits_en": "Purpose depends on task and context, so the same part is sometimes a handle and sometimes not. Datasets are small and shared quality metrics are missing. A correct map does not guarantee a successful contact movement.",
   "terms": [
    {
     "gloss": "Obraz, na którym każdy piksel ma przypisane możliwe działanie.",
     "term": "mapa afordancji"
    },
    {
     "gloss": "Chwyt dobrany do tego, co robot ma potem zrobić.",
     "term": "chwyt zorientowany na zadanie"
    },
    {
     "gloss": "Trójka opisująca afordancję: czym, co robimy i co z tego wynika.",
     "term": "obiekt–akcja–efekt"
    }
   ],
   "terms_en": [
    {
     "gloss": "An image where each pixel is assigned a possible action.",
     "term": "affordance map"
    },
    {
     "gloss": "A grasp chosen for what the robot must do next.",
     "term": "task-oriented grasp"
    },
    {
     "gloss": "The triple describing an affordance: with what, what we do, what follows.",
     "term": "object–action–effect"
    }
   ],
   "prereq": [
    "segmentation"
   ],
   "keywords": [
    "affordance detection",
    "task-oriented grasping",
    "Where2Act",
    "VRB",
    "AffordanceNet",
    "open-vocabulary affordance",
    "functional grasping"
   ],
   "source_ids": [
    "affordances-robotics-survey-2020",
    "embodied-objectcentric-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/affordances",
   "markdown_url": "https://aiatlasgraph.com/t/affordances.md",
   "updated": "2026-10-30"
  },
  "agentbench": {
   "id": "agentbench",
   "parent_id": "llmbenchmarks",
   "label": "Benchmarki agentowe",
   "canonical_name": "Agent benchmarks",
   "aliases": [
    "agent benchmarks",
    "benchmarki agentów",
    "agent evaluation benchmarks"
   ],
   "description": "Środowiska, w których model wykonuje wieloetapowe zadania z narzędziami — w przeglądarce, systemie operacyjnym albo rozmowie z symulowanym klientem — a ocenia się, czy cel został osiągnięty.",
   "description_en": "Environments where a model carries out multi-step tasks with tools — in a browser, an operating system or a conversation with a simulated customer — and is scored on whether the goal was achieved.",
   "examples": "zadania przeglądarkowe · obsługa systemu operacyjnego · wieloetapowe użycie narzędzi · powtarzalność wykonania",
   "examples_en": "browser tasks · operating-system interaction · multi-step tool use · execution reliability",
   "plain": "To zadania sprawdzające, czy model z narzędziami potrafi rzeczywiście osiągnąć cel przez kilka kroków.",
   "plain_en": "These tasks check whether a model using tools can actually reach a goal through several steps.",
   "solves": "Poprawna pojedyncza odpowiedź nie pokazuje, czy model poradzi sobie z całą pracą w aplikacji lub rozmowie.",
   "solves_en": "One correct answer does not show whether a model can complete an entire application task or conversation.",
   "does": "Udostępnia kontrolowane otoczenie i narzędzia, obserwuje przebieg zadania oraz ocenia końcowy rezultat i powtarzalność wykonania.",
   "does_en": "It provides a controlled environment and tools, observes the task sequence and assesses the final result and execution consistency.",
   "example": "Asystent ma znaleźć spotkanie, zmienić godzinę i zapisać ustalenie; test sprawdza końcowy kalendarz oraz wykonane kroki.",
   "example_en": "An assistant must find a meeting, change its time and save the update; the test checks the final calendar and performed steps.",
   "for_you": [
    "chcesz porównywać wykonanie całych zadań z narzędziami",
    "potrzebujesz sprawdzać niezawodność kolejnych kroków"
   ],
   "for_you_en": [
    "want to compare complete tool assisted tasks",
    "need to assess reliability across successive steps"
   ],
   "how": "Stan początkowy, cel i interfejs narzędzi tworzą zadanie wieloetapowe w izolowanym środowisku. Ocena sprawdza końcowy stan i czasem poprawność kroków, powtarzając próby przy kontrolowanej konfiguracji.",
   "how_en": "Initial states, goals and tool interfaces define multistep tasks in isolated environments. Evaluation checks final states and sometimes intermediate steps, repeating trials under controlled settings.",
   "limits": "Symulacja użytkownika i usług może upraszczać zadanie. Zmiany środowiska, losowość oraz różne limity czasu i wywołań narzędzi utrudniają uczciwe porównania.",
   "limits_en": "Simulated users and services can simplify tasks. Environment changes, randomness and differing time or tool-call limits complicate fair comparisons.",
   "terms": [
    {
     "gloss": "Sprawdzalny warunek określający, czy agent osiągnął cel.",
     "term": "kryterium sukcesu"
    },
    {
     "gloss": "Limit kroków, czasu lub wywołań dostępnych w pojedynczym zadaniu.",
     "term": "budżet interakcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A verifiable condition determining whether an agent achieved its goal.",
     "term": "success criterion"
    },
    {
     "gloss": "A limit on steps, time or calls available for one task.",
     "term": "interaction budget"
    }
   ],
   "prereq": [
    "agenteval",
    "tools"
   ],
   "keywords": [
    "WebArena",
    "OSWorld",
    "GAIA",
    "tau-bench",
    "AgentBench",
    "task success rate"
   ],
   "source_ids": [
    "agent-eval-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/agentbench",
   "markdown_url": "https://aiatlasgraph.com/t/agentbench.md",
   "updated": "2026-10-30"
  },
  "agenteval": {
   "id": "agenteval",
   "parent_id": "evaluation",
   "label": "Ewaluacja RAG i agentów",
   "canonical_name": "RAG and agent evaluation",
   "description": "Sprawdzanie źródeł, trajektorii i końcowego wyniku.",
   "description_en": "Checking sources, trajectories and the final result.",
   "examples": "Retrieval quality · task completion · macierz przejść błędów · faithfulness · context precision/recall",
   "examples_en": "Retrieval quality · task completion · transition failure matrix · faithfulness · context precision/recall",
   "plain": "To sprawdzanie systemów, które szukają informacji lub wykonują zadanie przez kilka kolejnych działań.",
   "plain_en": "This checks systems that retrieve information or complete tasks through several successive actions.",
   "solves": "Końcowa odpowiedź może wyglądać dobrze, choć system znalazł złe źródło, użył niewłaściwego narzędzia lub nie wykonał zadania.",
   "solves_en": "A final answer may look good even when the system found a poor source, used the wrong tool or failed to complete the task.",
   "does": "Ocenia znalezione informacje, zgodność odpowiedzi ze źródłami, przebieg działań i rzeczywisty końcowy stan zadania.",
   "does_en": "It assesses retrieved information, agreement with sources, the action sequence and the actual final task state.",
   "example": "Asystent ma zmienić termin spotkania; sprawdzasz znalezione ustalenia, wykonane kroki i to, czy kalendarz naprawdę zawiera nowy termin.",
   "example_en": "An assistant must reschedule a meeting; you check retrieved agreements, performed steps and whether the calendar actually contains the new time.",
   "for_you": [
    "system korzysta ze źródeł lub wykonuje kilka kroków",
    "chcesz sprawdzić efekt działania, nie tylko tekst odpowiedzi"
   ],
   "for_you_en": [
    "use systems that retrieve sources or act in several steps",
    "want to check actual effects beyond the answer text"
   ],
   "how": "Testy oddzielnie oceniają dobór źródeł, zgodność odpowiedzi z dowodami i wynik całej trajektorii. Kontrolowane scenariusze oraz zapisy wywołań narzędzi pozwalają wskazać etap, na którym system utracił poprawność.",
   "how_en": "Tests separately assess retrieval, evidence support and whole-trajectory outcomes. Controlled scenarios and recorded tool calls identify the stage where the system lost correctness.",
   "limits": "Poprawna odpowiedź końcowa może ukrywać przypadkowy sukces lub błędne działania pośrednie. Oceny wymagają wiarygodnych źródeł, jasnego kryterium sukcesu i powtarzania prób przy losowości.",
   "limits_en": "A correct final answer can hide accidental success or faulty intermediate actions. Evaluation needs reliable sources, clear success criteria and repeated trials under randomness.",
   "terms": [
    {
     "gloss": "Dopasowanie odnalezionego materiału do pytania i potrzeb odpowiedzi.",
     "term": "trafność źródeł"
    },
    {
     "gloss": "Sprawdzanie kolejnych działań agenta, obok jego końcowego wyniku.",
     "term": "ocena trajektorii"
    }
   ],
   "terms_en": [
    {
     "gloss": "How well retrieved material fits the question and answer requirements.",
     "term": "source relevance"
    },
    {
     "gloss": "Assessing successive agent actions alongside their final outcome.",
     "term": "trajectory evaluation"
    }
   ],
   "prereq": [
    "retrieval",
    "workflows"
   ],
   "keywords": [
    "RAGAS",
    "faithfulness",
    "context precision",
    "context recall",
    "task success rate",
    "trajectory evaluation",
    "retrieval relevance"
   ],
   "courses": [
    {
     "title": "Evaluating AI Agents",
     "url": "https://www.deeplearning.ai/courses/evaluating-ai-agents"
    }
   ],
   "source_ids": [
    "fsdl",
    "agents",
    "cs229",
    "dlai",
    "hamel-evals-faq",
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/agenteval",
   "markdown_url": "https://aiatlasgraph.com/t/agenteval.md",
   "updated": "2026-10-30"
  },
  "agentevolution": {
   "id": "agentevolution",
   "parent_id": "llmevolution",
   "label": "Samodoskonalące się agenty (ewolucja agentów)",
   "canonical_name": "Evolutionary self-improvement of agents",
   "aliases": [
    "Darwin Gödel Machine",
    "DGM",
    "ADAS",
    "automated design of agentic systems",
    "Meta Agent Search",
    "self-improving agents",
    "samodoskonalenie agentów"
   ],
   "description": "Ewolucyjne, archiwalne przeszukiwanie projektów agentów, w którym model bazowy modyfikuje kod agenta, a benchmarki empirycznie walidują zmiany.",
   "description_en": "Evolutionary, archive-based search over agent designs where a foundation model edits agent code and benchmarks empirically validate changes.",
   "plain": "Agenci AI, którzy przepisują własny kod lub budowę, a zmiany zostają tylko wtedy, gdy testy pokażą poprawę.",
   "plain_en": "AI agents that rewrite their own code or design, keeping changes only when tests show improvement.",
   "solves": "Projektowanie agentów jest ręczną, żmudną pracą, a nikt nie wie, która budowa sprawdzi się najlepiej.",
   "solves_en": "Designing agents is slow manual work, and nobody knows which design will work best.",
   "does": "System prowadzi drzewo genealogiczne agentów: z każdej udanej wersji wyrastają nowe odmiany, a słabsze gałęzie zostają w archiwum na później.",
   "does_en": "The system keeps a family tree of agents: new variants sprout from each successful version, and weaker branches stay archived for later.",
   "example": "Agent naprawiający błędy w kodzie sam dopisuje sobie lepsze narzędzie do edycji plików, bo z nim przechodzi więcej testów.",
   "example_en": "A bug-fixing agent writes itself a better file-editing tool because it passes more tests with it.",
   "for_you": [
    "budujesz agentów i ręcznie stroisz ich budowę",
    "zastanawiasz się, jak bezpiecznie pozwolić AI zmieniać siebie"
   ],
   "for_you_en": [
    "build agents and hand-tune their design",
    "wonder how to let AI safely change itself"
   ],
   "how": "Agenci są zapisani jako kod: prompty, narzędzia i przepływ sterowania. Meta-agent lub sam agent wybiera wersję z archiwum, proponuje modyfikację, a nowa wersja jest oceniana na benchmarkach i dopisywana do archiwum. Otwarte archiwum pozwala rozwijać wiele ścieżek równolegle zamiast jednej linii ulepszeń.",
   "how_en": "Agents are stored as code: prompts, tools and control flow. A meta-agent or the agent itself picks a version from the archive, proposes a modification, and the new version is benchmarked and added to the archive. An open archive grows many paths in parallel instead of one line of improvements.",
   "limits": "Bardzo kosztowne obliczeniowo i zależne od jakości benchmarku, który agent może nauczyć się obchodzić. Samomodyfikacja wymaga piaskownicy i nadzoru człowieka; zyski mierzono głównie na zadaniach programistycznych.",
   "limits_en": "Very compute-intensive and dependent on benchmark quality, which agents may learn to game. Self-modification needs sandboxing and human oversight; gains were measured mostly on coding tasks.",
   "terms": [
    {
     "gloss": "Agent, którego zadaniem jest projektowanie innych agentów.",
     "term": "meta-agent"
    },
    {
     "gloss": "Przyjmowanie zmian na podstawie wyników testów, nie dowodu.",
     "term": "walidacja empiryczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "An agent whose job is designing other agents.",
     "term": "meta-agent"
    },
    {
     "gloss": "Accepting changes based on test results rather than proof.",
     "term": "empirical validation"
    }
   ],
   "prereq": [
    "agentsnode",
    "aicoding"
   ],
   "keywords": [
    "Darwin Gödel Machine",
    "ADAS",
    "Meta Agent Search",
    "SWE-bench",
    "agent archive",
    "sandboxing",
    "Gödel machine"
   ],
   "source_ids": [
    "dgm-2025",
    "adas-2024"
   ],
   "url": "https://aiatlasgraph.com/t/agentevolution",
   "markdown_url": "https://aiatlasgraph.com/t/agentevolution.md",
   "updated": "2026-10-30"
  },
  "agentharness": {
   "id": "agentharness",
   "parent_id": "agentsnode",
   "label": "Uprząż agenta",
   "canonical_name": "Agent harness",
   "aliases": [
    "harness engineering",
    "agent scaffolding",
    "uprąż agenta"
   ],
   "description": "Pętla, narzędzia, kontekst i ograniczenia, które zamieniają wywołanie modelu w agenta wykonującego pracę.",
   "description_en": "The loop, tools, context and constraints that turn a model call into an agent that carries out work.",
   "plain": "Program wokół modelu, który decyduje, co model widzi, jakie ma narzędzia i kiedy kończy.",
   "plain_en": "The program around a model that decides what the model sees, which tools it has and when it stops.",
   "solves": "Sam model odpowiada tekstem, ale nie prowadzi długiej pracy, nie uruchamia narzędzi i nie pamięta ustaleń między sesjami.",
   "solves_en": "A model alone replies with text, but does not carry long work, run tools or keep decisions between sessions.",
   "does": "Jak stanowisko pracy: podaje materiały, narzędzia i reguły, a potem dopisuje wynik każdego kroku do kolejnego.",
   "does_en": "Like a workbench: it supplies materials, tools and rules, then appends each step's result to the next.",
   "example": "Zlecasz poprawkę w projekcie. Uprząż daje asystentowi pliki, pozwala uruchomić test i zatrzymuje go, gdy test nie przejdzie.",
   "example_en": "You ask for a project fix. The harness gives the assistant the files, lets it run the test and stops it when the test fails.",
   "for_you": [
    "asystent gubi się w zadaniu trwającym dłużej niż jedną rozmowę",
    "chcesz ograniczyć, co asystent może zmienić albo uruchomić",
    "ten sam model raz działa dobrze, a raz nie, zależnie od otoczenia"
   ],
   "for_you_en": [
    "the assistant gets lost on work longer than one conversation",
    "you want to limit what the assistant can change or run",
    "the same model works well or poorly depending on its surroundings"
   ],
   "how": "Uprząż składa historię, instrukcje i wyniki narzędzi w kolejne wywołanie, wykonuje żądane narzędzia i decyduje, czy pętla trwa. Osobno ustala, co model widzi, jakie działania są dozwolone i jak stan przechodzi między sesjami. Ten sam model w innej uprzęży może kończyć inne zadania.",
   "how_en": "The harness assembles history, instructions and tool results into the next call, executes requested tools and decides whether the loop continues. Separately it sets what the model sees, which actions are allowed and how state crosses sessions. The same model in another harness can finish different tasks.",
   "limits": "Uprząż dopasowana do jednego modelu i jednego sprawdzianu może nie przenieść się dalej. Zła kompakcja albo zbyt szerokie uprawnienia psują wynik mimo mocnego modelu. Budowa uprzęży nie zastępuje oceny na zadaniach spoza zestawu treningowego.",
   "limits_en": "A harness tuned to one model and one test suite may not transfer. Bad compaction or overly broad permissions spoil results despite a strong model. Building a harness does not replace evaluation on tasks outside the tuning set.",
   "terms": [
    {
     "gloss": "Kolejne wywołanie modelu, uruchomienie narzędzia i decyzja, czy iść dalej.",
     "term": "pętla agenta"
    },
    {
     "gloss": "Reguła, co agent może zmienić albo uruchomić.",
     "term": "ograniczenie działania"
    },
    {
     "gloss": "To, co zostaje z pracy po zamknięciu bieżącej rozmowy.",
     "term": "stan sesji"
    }
   ],
   "terms_en": [
    {
     "gloss": "The next model call, a tool run, and a decision to continue.",
     "term": "agent loop"
    },
    {
     "gloss": "A rule for what the agent may change or run.",
     "term": "action constraint"
    },
    {
     "gloss": "What remains of the work after the current conversation closes.",
     "term": "session state"
    }
   ],
   "prereq": [
    "prompting",
    "contextmanagement"
   ],
   "keywords": [
    "agent harness",
    "harness engineering",
    "agent loop",
    "tool dispatch",
    "sandbox",
    "approval policy",
    "context compaction",
    "long-running agents"
   ],
   "source_ids": [
    "anthropic-long-harness-2025",
    "openai-harness-2026"
   ],
   "url": "https://aiatlasgraph.com/t/agentharness",
   "markdown_url": "https://aiatlasgraph.com/t/agentharness.md",
   "updated": "2026-10-30"
  },
  "agenticmem": {
   "id": "agenticmem",
   "parent_id": "memory",
   "label": "Agentyczna pamięć z dynamicznymi powiązaniami",
   "canonical_name": "Agentic memory with dynamic linking",
   "description": "Technika agentycznej organizacji pamięci przez dynamiczne tworzenie notatek i powiązań inspirowanych metodą Zettelkasten.",
   "description_en": "Technique for agentic memory organisation through dynamic note creation and linking inspired by the Zettelkasten method.",
   "plain": "System, w którym asystent sam tworzy notatki z doświadczeń i łączy je ze sobą, budując sieć wiedzy zamiast zwykłej listy zapisów.",
   "plain_en": "A system where the assistant creates notes from experiences and links them together, building a knowledge network instead of a plain list of records.",
   "solves": "Proste zapisywanie historii nie pokazuje, jak różne doświadczenia się ze sobą łączą, więc asystent nie znajduje powiązanych informacji.",
   "solves_en": "Simply storing history does not show how different experiences connect, so the assistant fails to find related information.",
   "does": "Przy nowym doświadczeniu tworzy notatkę z opisem, słowami kluczowymi i tagami, a potem szuka podobnych notatek i dodaje między nimi powiązania.",
   "does_en": "When a new experience arrives it creates a note with a description, keywords and tags, then finds similar notes and adds links between them.",
   "example": "Po kilku rozmowach o projekcie asystent łączy notatkę o budżecie z notatką o terminie, bo sam zauważył, że dotyczą tego samego zadania.",
   "example_en": "After several project conversations the assistant links the budget note to the deadline note because it noticed they concern the same task.",
   "for_you": [
    "chcesz, żeby asystent sam organizował zapamiętane informacje",
    "potrzebujesz łączyć fakty z różnych rozmów"
   ],
   "for_you_en": [
    "want the assistant to organise remembered information itself",
    "need to connect facts from different conversations"
   ],
   "how": "Nowy epizod jest przekształcany przez model w ustrukturyzowaną notatkę z kontekstem, słowami kluczowymi i tagami. Następnie system identyfikuje podobne notatki historyczne i tworzy między nimi krawędzie. Nowe notatki mogą aktualizować opisy istniejących, umożliwiając ewolucję sieci.",
   "how_en": "A new episode is turned by the model into a structured note with context, keywords and tags. The system then identifies similar historical notes and creates edges between them. New notes can update descriptions of existing ones, enabling network evolution.",
   "limits": "Wymaga dodatkowych wywołań modelu przy zapisie. Błędne powiązania lub tagi mogą pogorszyć wyszukiwanie. Skalowanie sieci zwiększa koszt utrzymania spójności.",
   "limits_en": "Requires extra model calls at write time. Faulty links or tags can degrade retrieval. Scaling the network increases the cost of maintaining consistency.",
   "terms": [
    {
     "gloss": "Ustrukturyzowany zapis doświadczenia z opisem, słowami kluczowymi i tagami.",
     "term": "notatka pamięci"
    },
    {
     "gloss": "Połączenie między notatkami tworzone na podstawie podobieństwa lub wspólnego kontekstu.",
     "term": "powiązanie dynamiczne"
    },
    {
     "gloss": "Aktualizacja istniejących notatek pod wpływem nowo dodanych informacji.",
     "term": "ewolucja pamięci"
    }
   ],
   "terms_en": [
    {
     "gloss": "A structured record of an experience with description, keywords and tags.",
     "term": "memory note"
    },
    {
     "gloss": "A connection between notes created from similarity or shared context.",
     "term": "dynamic link"
    },
    {
     "gloss": "Updating existing notes under the influence of newly added information.",
     "term": "memory evolution"
    }
   ],
   "prereq": [
    "memory",
    "textembeddings"
   ],
   "keywords": [
    "A-MEM",
    "agentic memory",
    "Zettelkasten",
    "memory notes",
    "dynamic linking",
    "memory evolution",
    "knowledge network"
   ],
   "source_ids": [
    "amem-2025"
   ],
   "url": "https://aiatlasgraph.com/t/agenticmem",
   "markdown_url": "https://aiatlasgraph.com/t/agenticmem.md",
   "updated": "2026-10-30"
  },
  "agentroles": {
   "id": "agentroles",
   "parent_id": "agentsnode",
   "label": "Role i tożsamość agentów",
   "canonical_name": "Agent roles and identity",
   "description": "Agent z nazwą, zakresem i stałą instrukcją zamiast anonimowej sesji.",
   "description_en": "A named agent with a scope and standing instructions instead of an anonymous session.",
   "examples": "plik roli · zakres · twarde zasady",
   "examples_en": "role file · scope · hard rules",
   "plain": "To określenie, za co odpowiada asystent i jakich zasad ma się trzymać.",
   "plain_en": "This defines an assistant's responsibilities and the rules it is asked to follow.",
   "solves": "Za każdym razem musisz od nowa tłumaczyć asystentowi jego zadanie i reguły pracy.",
   "solves_en": "You have to explain the assistant's job and working rules again every time you start.",
   "does": "Stała instrukcja działa jak zakres obowiązków: opisuje cel, granice zadania i sposób reagowania na prośby wykraczające poza rolę.",
   "does_en": "Standing instructions act like a job description, setting a goal, boundaries and how to respond to requests outside that role.",
   "example": "Firmowy asystent sprawdza wydatki według zapisanych zasad i zwraca wątpliwe pozycje do wyjaśnienia.",
   "example_en": "A workplace assistant checks expenses against written rules and flags unclear entries for someone to explain.",
   "for_you": [
    "regularnie zlecasz asystentowi ten sam rodzaj pracy",
    "chcesz ustalić, kiedy asystent powinien przekazać sprawę dalej"
   ],
   "for_you_en": [
    "regularly give an assistant the same kind of work",
    "want to define when an assistant should hand a task over"
   ],
   "how": "Konfiguracja agenta wiąże identyfikator z instrukcją roli, zakresem zadań i dostępnymi narzędziami. Kolejne uruchomienia odczytują tę konfigurację i odpowiednią pamięć, zamiast zaczynać od anonimowego kontekstu.",
   "how_en": "Agent configuration binds an identifier to role instructions, task scope and available tools. Subsequent runs load that configuration and the relevant memory instead of starting from anonymous context.",
   "limits": "Instrukcja roli nie jest granicą bezpieczeństwa ani gwarancją specjalizacji. Uprawnienia trzeba egzekwować w kodzie, a zmiany konfiguracji wersjonować, żeby uniknąć rozbieżnych zachowań między uruchomieniami.",
   "limits_en": "Role instructions are neither a security boundary nor a specialization guarantee. Permissions must be enforced in code, and configuration changes versioned to avoid inconsistent behavior across runs.",
   "terms": [
    {
     "gloss": "Stały opis celu, zakresu i sposobu pracy agenta.",
     "term": "instrukcja roli"
    },
    {
     "gloss": "Identyfikator łączący uruchomienia z konfiguracją i pamięcią.",
     "term": "tożsamość agenta"
    },
    {
     "gloss": "Operacje i dane dostępne agentowi według reguł systemu.",
     "term": "zakres uprawnień"
    }
   ],
   "terms_en": [
    {
     "gloss": "A persistent description of an agent's purpose, scope and working method.",
     "term": "role instruction"
    },
    {
     "gloss": "An identifier linking runs to configuration and memory.",
     "term": "agent identity"
    },
    {
     "gloss": "Operations and data available to an agent under system rules.",
     "term": "permission scope"
    }
   ],
   "prereq": [
    "prompting",
    "agentsecurity"
   ],
   "keywords": [
    "role instructions",
    "system prompts",
    "AGENTS.md",
    "persistent identity",
    "least privilege",
    "permission scopes"
   ],
   "source_ids": [
    "machina-x-agents"
   ],
   "url": "https://aiatlasgraph.com/t/agentroles",
   "markdown_url": "https://aiatlasgraph.com/t/agentroles.md",
   "updated": "2026-10-30"
  },
  "agentsecurity": {
   "id": "agentsecurity",
   "parent_id": "security",
   "label": "Bezpieczeństwo agentów: uprawnienia i izolacja",
   "canonical_name": "AI agent security",
   "description": "Projektowanie agentów tak, by przejęty model nie mógł wyrządzić szkody: minimalne uprawnienia, izolacja wykonania kodu, oddzielenie zaufanych poleceń od niezaufanych danych, potwierdzenia przed ryzykownymi akcjami.",
   "description_en": "Designing agents so that a compromised model cannot cause harm: least privilege, sandboxed code execution, separating trusted instructions from untrusted data, confirmations before risky actions.",
   "examples": "nadmierna sprawczość · sandboxing · wzorzec plan-then-execute · dual LLM",
   "examples_en": "excessive agency · sandboxing · plan-then-execute pattern · dual LLM",
   "plain": "To ograniczanie uprawnień i izolowanie działań agenta, żeby pomyłka lub przejęcie nie miały swobodnego dostępu do systemu.",
   "plain_en": "This restricts an agent's permissions and isolates its actions so mistakes or compromise cannot freely affect the system.",
   "solves": "Agent potrafi wykonać polecenie, które usunie pliki, ujawni dane lub zmieni więcej, niż chciałeś.",
   "solves_en": "An agent can perform an action that deletes files, exposes data or changes more than you intended.",
   "does": "Dostaje tylko potrzebne uprawnienia, pracuje w wydzielonym środowisku, a istotne działania przechodzą przez niezależną kontrolę i potwierdzenie.",
   "does_en": "It receives only necessary permissions, works in an isolated environment, and consequential actions pass independent checks and confirmation.",
   "example": "Agent przygotowuje poprawkę w wydzielonym katalogu, a wysłanie jej do wspólnego systemu wymaga zatwierdzenia.",
   "example_en": "An agent prepares a change in an isolated directory, while sending it to a shared system requires approval.",
   "for_you": [
    "agent może uruchamiać kod lub zmieniać pliki",
    "chcesz ograniczyć skutki błędnych poleceń"
   ],
   "for_you_en": [
    "let an agent execute code or modify files",
    "want to limit the impact of mistaken instructions"
   ],
   "how": "Sterownik rozdziela zaufany cel od pobieranych danych i sprawdza każdą akcję względem polityki. Narzędzia używają ograniczonych tożsamości, a sandbox oraz kontrola przepływu danych ograniczają wykonanie i przekazywanie informacji poza właściwy zakres.",
   "how_en": "A controller separates trusted goals from retrieved data and checks each action against policy. Tools use restricted identities, while sandboxes and data-flow controls limit execution and information transfer beyond the intended scope.",
   "limits": "Tekstowe zakazy nie zastępują kontroli w narzędziu. Integracje muszą zachować ograniczenia między etapami i agentami; zgodny format wywołania nie dowodzi zgodności celu ani prawa dostępu.",
   "limits_en": "Textual prohibitions cannot replace tool-side enforcement. Integrations must preserve restrictions across stages and agents; valid call formats prove neither goal alignment nor access rights.",
   "terms": [
    {
     "gloss": "Izolowane środowisko ograniczające dostęp wykonywanego kodu do zasobów.",
     "term": "sandbox"
    },
    {
     "gloss": "Ograniczone uprawnienie pozwalające wykonać określoną operację na wskazanym zasobie.",
     "term": "capability"
    }
   ],
   "terms_en": [
    {
     "gloss": "An isolated environment restricting executed code's resource access.",
     "term": "sandbox"
    },
    {
     "gloss": "A restricted permission for a specified operation on a designated resource.",
     "term": "capability"
    }
   ],
   "prereq": [
    "structured",
    "privacy"
   ],
   "keywords": [
    "least privilege",
    "sandboxing",
    "capability-based security",
    "plan-then-execute",
    "dual LLM pattern",
    "action allowlists",
    "OWASP Agentic Top 10"
   ],
   "source_ids": [
    "owasp-llm-top10-2025",
    "owasp-agentic-top10",
    "camel-debenedetti-2025",
    "design-patterns-agent-security-2025"
   ],
   "url": "https://aiatlasgraph.com/t/agentsecurity",
   "markdown_url": "https://aiatlasgraph.com/t/agentsecurity.md",
   "updated": "2026-10-30"
  },
  "agentskills": {
   "id": "agentskills",
   "parent_id": "agentsnode",
   "label": "Umiejętności agentów",
   "canonical_name": "Agent skills",
   "aliases": [
    "agent skills",
    "SKILL.md",
    "paczki umiejętności"
   ],
   "description": "Katalog folderów z metadanymi, instrukcjami i zasobami, ładowany warstwami według dopasowania do zadania.",
   "description_en": "A catalog of folders with metadata, instructions and resources, loaded in layers according to the task match.",
   "plain": "Paczka instrukcji i plików, którą asystent wczytuje dopiero wtedy, gdy zadanie do niej pasuje.",
   "plain_en": "A folder of instructions and files an assistant loads only when the task matches it.",
   "solves": "Wklejanie wszystkich procedur do każdej rozmowy zatyka pamięć asystenta i miesza wskazówki z różnych zadań.",
   "solves_en": "Pasting every procedure into each conversation fills the assistant's memory and mixes guidance from unrelated tasks.",
   "does": "Na starcie widzi tylko nazwę i krótki opis, a pełną instrukcję otwiera dopiero po rozpoznaniu zadania.",
   "does_en": "At the start it sees only a name and short description, then opens the full instructions after recognizing the task.",
   "example": "Przy raporcie miesięcznym asystent sięga po zapisaną listę kroków i szablon tabeli, zamiast pytać cię o procedurę od zera.",
   "example_en": "For the monthly report the assistant opens the saved step list and table template instead of asking you to restate the procedure.",
   "for_you": [
    "powtarzasz te same procedury w kolejnych rozmowach",
    "chcesz przenieść sposób pracy między różnymi asystentami",
    "zespół ma własne zasady, których asystent ma przestrzegać"
   ],
   "for_you_en": [
    "you repeat the same procedures across conversations",
    "you want a way of working to travel between assistants",
    "your team has rules an assistant should follow"
   ],
   "how": "Agent na starcie dostaje tylko nazwę i opis każdej umiejętności. Gdy opis pasuje do zadania, wczytuje treść pliku instrukcji, a pliki pomocnicze i skrypty dopiero na żądanie. Dzięki temu wiele umiejętności może być zainstalowanych bez wypełniania całego okna kontekstu.",
   "how_en": "At startup the agent receives only each skill's name and description. When a description matches the task, it loads the instruction file, and helper files and scripts only on demand. Many skills can therefore stay installed without filling the context window.",
   "limits": "Zły opis powoduje pominięcie albo fałszywe włączenie umiejętności. Paczka ze skryptami może wykonać niechciane działania, jeśli pochodzi z nieznanego źródła. Zgodność pól dodatkowych zależy od implementacji agenta.",
   "limits_en": "A poor description causes a skill to be skipped or triggered wrongly. A package with scripts can take unwanted actions if it comes from an unknown source. Support for extra fields depends on the agent implementation.",
   "terms": [
    {
     "gloss": "Nazwa i opis widoczne, zanim agent otworzy resztę plików.",
     "term": "metadane"
    },
    {
     "gloss": "Dokładanie szczegółów dopiero wtedy, gdy są potrzebne.",
     "term": "stopniowe wczytywanie"
    },
    {
     "gloss": "Folder z instrukcją oraz opcjonalnymi skryptami i materiałami.",
     "term": "paczka umiejętności"
    }
   ],
   "terms_en": [
    {
     "gloss": "Name and description visible before the agent opens the other files.",
     "term": "metadata"
    },
    {
     "gloss": "Adding detail only when it is needed.",
     "term": "progressive disclosure"
    },
    {
     "gloss": "A folder with instructions plus optional scripts and materials.",
     "term": "skill package"
    }
   ],
   "prereq": [
    "prompting",
    "procedural"
   ],
   "keywords": [
    "SKILL.md",
    "progressive disclosure",
    "agentskills.io",
    "skill frontmatter",
    "skill description routing",
    "bundled scripts",
    "allowed-tools",
    "skill portability"
   ],
   "source_ids": [
    "agentskills-spec",
    "anthropic-agent-skills-2025",
    "openai-codex-skills-docs"
   ],
   "url": "https://aiatlasgraph.com/t/agentskills",
   "markdown_url": "https://aiatlasgraph.com/t/agentskills.md",
   "updated": "2026-10-30"
  },
  "agentsnode": {
   "id": "agentsnode",
   "parent_id": "applications",
   "label": "Agenci i orkiestracja",
   "canonical_name": "Agents and orchestration",
   "description": "Pętle działania, delegowanie i sterowanie wykonaniem.",
   "description_en": "Action loops, delegation and control over execution.",
   "examples": "Harness · hand-offs · subagenci",
   "examples_en": "Harness · hand-offs · subagents",
   "plain": "To programy, które wykonują zadania etapami, oraz sposoby koordynowania ich pracy.",
   "plain_en": "These programs take steps toward a goal, with controls that organise their work.",
   "solves": "Jedna odpowiedź nie wystarcza, gdy trzeba sprawdzić informacje, podjąć decyzje i wykonać kilka zależnych od siebie czynności.",
   "solves_en": "A single answer cannot finish a task that requires checking information, making decisions and carrying out several connected actions.",
   "does": "Po każdym kroku sprawdzają wynik i decydują, czy kontynuować, użyć narzędzia, czy przekazać pracę dalej.",
   "does_en": "After each step, they inspect the result and decide whether to continue, use a tool or hand work to another assistant.",
   "example": "Przygotowując wyjazd, asystent porównuje połączenia, sprawdza noclegi i przedstawia plan do twojej oceny.",
   "example_en": "An assistant planning your trip compares travel options, checks accommodation and brings you a plan to review.",
   "for_you": [
    "zlecasz asystentowi zadania wymagające kilku kroków",
    "chcesz wiedzieć, kto koordynuje pracę kilku asystentów"
   ],
   "for_you_en": [
    "give an assistant tasks that need several steps",
    "want to know how several assistants coordinate their work"
   ],
   "how": "Agent wybiera działanie na podstawie celu, bieżącego stanu i wyników poprzednich kroków. Środowisko wykonawcze uruchamia narzędzia, dopisuje obserwacje i steruje delegowaniem, budżetem oraz warunkiem zakończenia pętli.",
   "how_en": "An agent selects an action from its goal, current state and previous results. The runtime executes tools, records observations and controls delegation, budget and the condition for ending the loop.",
   "limits": "Błędy mogą kumulować się między krokami. Swobodne planowanie utrudnia przewidywanie kosztu i odtwarzanie przebiegu; potrzebne są ślady wykonania, limity działań i testy całych zadań.",
   "limits_en": "Errors can accumulate across steps. Open-ended planning makes cost prediction and replay harder; execution traces, action limits and evaluations of complete tasks are needed.",
   "terms": [
    {
     "gloss": "Wynik działania, który wraca do kontekstu agenta.",
     "term": "obserwacja"
    },
    {
     "gloss": "Środowisko sterujące wykonaniem, narzędziami i ograniczeniami agenta.",
     "term": "harness"
    },
    {
     "gloss": "Sprawdzalna reguła określająca, kiedy agent przestaje działać.",
     "term": "warunek zakończenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "An action result returned to the agent's context.",
     "term": "observation"
    },
    {
     "gloss": "The runtime controlling an agent's execution, tools and constraints.",
     "term": "harness"
    },
    {
     "gloss": "A checkable rule determining when an agent stops acting.",
     "term": "stopping condition"
    }
   ],
   "prereq": [
    "tools",
    "workflows"
   ],
   "keywords": [
    "ReAct",
    "agent harness",
    "agent loop",
    "handoffs",
    "plan-and-execute",
    "task delegation",
    "multi-agent systems",
    "supervisor pattern",
    "stopping criteria",
    "token budgets"
   ],
   "courses": [
    {
     "title": "Agentic AI",
     "url": "https://www.deeplearning.ai/courses/agentic-ai"
    }
   ],
   "source_ids": [
    "agents",
    "bootcamp",
    "dlai",
    "machina-x-agents"
   ],
   "url": "https://aiatlasgraph.com/t/agentsnode",
   "markdown_url": "https://aiatlasgraph.com/t/agentsnode.md",
   "updated": "2026-10-30"
  },
  "agenttimebudget": {
   "id": "agenttimebudget",
   "parent_id": "agentharness",
   "label": "Budżety czasu dla agentów",
   "canonical_name": "Time-budgeted agent control",
   "aliases": [
    "time budgets for agents",
    "wall-clock budgets",
    "On the Clock"
   ],
   "description": "Mechanizmy uprzęży i uczenia, które pomagają agentowi przestrzegać budżetu czasu ściennego.",
   "description_en": "Harness and learning mechanisms that help an agent adhere to a wall-clock time budget.",
   "plain": "Sposób, by asystent kończył pracę w zadanym czasie, zamiast ciągnąć ją bez końca.",
   "plain_en": "A way for an assistant to finish work within a set time instead of running forever.",
   "solves": "Asystent pracuje za długo albo za krótko i nie da się go zmieścić w limicie czasu.",
   "solves_en": "An assistant works too long or too short and cannot be fitted into a time limit.",
   "does": "Pokazuje asystentowi, ile czasu minęło, i może ograniczyć lub przerwać zbyt długie działania, jak zegar połączony z wyłącznikiem.",
   "does_en": "Shows the assistant how much time has elapsed and can limit or interrupt overlong actions, like a clock connected to a cutoff switch.",
   "example": "Zlecasz poprawkę kodu z limitem 15 minut. Uprząż przekazuje informacje o pozostałym czasie i przerywa działania, które przekroczyłyby termin.",
   "example_en": "You assign a code fix with a 15-minute limit. The harness reports the remaining time and interrupts actions that would overrun the deadline.",
   "for_you": [
    "chcesz, by asystent skończył przed spotkaniem",
    "asystent ciągnie pracę bez końca",
    "płacisz za czas działania asystenta"
   ],
   "for_you_en": [
    "want the assistant to finish before a meeting",
    "the assistant keeps working without end",
    "you pay for the assistant's running time"
   ],
   "how": "Uprząż wstrzykuje informacje o upływającym czasie, a haki mogą skracać albo odrzucać działania wykraczające poza termin. Alternatywnie uczenie ze wzmocnieniem z nagrodą zależną od budżetu uczy polityki zatrzymywania. W badanych ustawieniach sama instrukcja w prompcie nie zapewniała niezawodnego przestrzegania limitu.",
   "how_en": "The harness injects elapsed-time information, while hooks can shorten or refuse actions that would overrun the deadline. Alternatively, reinforcement learning with budget-aware rewards teaches a stopping policy. In the studied settings, a prompt instruction alone did not provide reliable budget adherence.",
   "limits": "Przestrzeganie limitu nie oznacza produktywnego wykorzystania czasu: agent może powtarzać puste działania albo czekać po zakończeniu pracy. Polityka może uogólniać moment zatrzymania na nowe budżety, lecz nadal stosować tę samą strategię i nie poprawiać wyniku przy większym limicie. Rezultaty zależą od modelu, uprzęży, szybkości serwowania i rodzaju zadania.",
   "limits_en": "Meeting the limit does not mean using the time productively: an agent may repeat empty actions or wait after finishing. A policy may generalize when to stop to new budgets while still using the same strategy and failing to improve with more time. Results depend on the model, harness, serving speed, and task type.",
   "terms": [
    {
     "gloss": "Maksymalny czas ścienny na zadanie.",
     "term": "budżet czasu"
    },
    {
     "gloss": "Hak, który ogranicza albo zatrzymuje działanie przekraczające dostępny czas.",
     "term": "egzekwowanie terminu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Maximum wall-clock time for a task.",
     "term": "time budget"
    },
    {
     "gloss": "A hook that stops the agent after the time.",
     "term": "deadline enforcement"
    }
   ],
   "prereq": [
    "prompting"
   ],
   "keywords": [
    "time budget",
    "wall-clock time",
    "deadline enforcement",
    "budget-aware RL",
    "GRPO",
    "agent time awareness"
   ],
   "source_ids": [
    "ontheclock-2026",
    "agenttime-2026"
   ],
   "url": "https://aiatlasgraph.com/t/agenttimebudget",
   "markdown_url": "https://aiatlasgraph.com/t/agenttimebudget.md",
   "updated": "2026-10-30"
  },
  "agenttrajectories": {
   "id": "agenttrajectories",
   "parent_id": "synthetic",
   "label": "Syntetyczne trajektorie i dane wywołań narzędzi dla agentów",
   "canonical_name": "Synthetic agent trajectories and tool-use data",
   "aliases": [
    "agent trajectory synthesis",
    "synthetic tool-use data",
    "tool-use data generation",
    "syntetyczne dane użycia narzędzi"
   ],
   "description": "Automatyczne generowanie i weryfikacja zapytań, wywołań funkcji oraz wieloetapowych trajektorii agentów w środowiskach i API do dostrajania modeli.",
   "description_en": "Automatic generation and verification of queries, function calls and multi-step agent trajectories in environments and APIs for model fine-tuning.",
   "plain": "Wytwarzanie przykładów, w których model krok po kroku używa narzędzi, aplikacji i stron, żeby nauczyć go działać jak agent.",
   "plain_en": "Producing examples where a model uses tools, apps and websites step by step, to teach it to act as an agent.",
   "solves": "Zapisów prawdziwej pracy z narzędziami jest mało i są prywatne, a bez nich model myli funkcje i ich parametry.",
   "solves_en": "Records of real tool work are scarce and private, and without them a model confuses functions and their parameters.",
   "does": "Jak symulator lotów dla pilota: model ćwiczy na tysiącach wygenerowanych zadań, a sprawdzone przebiegi stają się podręcznikiem.",
   "does_en": "Like a flight simulator for pilots: the model practises on thousands of generated tasks, and checked runs become the textbook.",
   "example": "Asystent poprawnie rezerwuje stolik, bo trenowano go na sprawdzonych przykładach wywołań kalendarza i rezerwacji.",
   "example_en": "An assistant books a table correctly because it was trained on verified examples of calendar and booking calls.",
   "for_you": [
    "budujesz agenta, który ma wywoływać twoje funkcje",
    "mały model myli się przy wywołaniach narzędzi"
   ],
   "for_you_en": [
    "are building an agent that must call your functions",
    "a small model fumbles tool calls"
   ],
   "how": "Z katalogu wykonywalnych API lub środowisk model generuje zapytania i odpowiadające im wywołania albo pełne przebiegi agenta. Weryfikacja ma zwykle etapy: format i poprawność argumentów, faktyczne wykonanie oraz semantyczną ocenę przez drugi model. Przefiltrowane trajektorie trafiają do SFT lub jako startowe dane do RL agentów.",
   "how_en": "From a catalogue of executable APIs or environments, a model generates queries with matching calls or full agent runs. Verification usually has stages: format and argument validity, actual execution and semantic review by a second model. Filtered trajectories go into SFT or seed agentic RL.",
   "limits": "Dane odzwierciedlają tylko narzędzia z katalogu i styl modelu-generatora, więc agent słabo radzi sobie z nowymi API. Wykonywanie wywołań wymaga bezpiecznego środowiska, a długie, wieloetapowe zadania trudno zweryfikować automatycznie.",
   "limits_en": "Data reflects only the catalogued tools and the generator model's style, so agents generalise poorly to new APIs. Executing calls needs a safe sandbox, and long multi-step tasks are hard to verify automatically.",
   "terms": [
    {
     "gloss": "Zapis kolejnych kroków agenta: myśli, wywołań narzędzi i ich wyników.",
     "term": "trajektoria"
    },
    {
     "gloss": "Odpowiedź modelu w postaci nazwy funkcji i argumentów do wykonania.",
     "term": "function calling"
    }
   ],
   "terms_en": [
    {
     "gloss": "Record of an agent's steps: thoughts, tool calls and their results.",
     "term": "trajectory"
    },
    {
     "gloss": "Model output as a function name and arguments to execute.",
     "term": "function calling"
    }
   ],
   "prereq": [
    "tools",
    "sft"
   ],
   "keywords": [
    "APIGen",
    "xLAM",
    "ToolBench",
    "AgentTuning",
    "Berkeley Function-Calling Leaderboard",
    "AgentInstruct",
    "trajectory synthesis",
    "execution verification"
   ],
   "source_ids": [
    "liu-2024-apigen"
   ],
   "url": "https://aiatlasgraph.com/t/agenttrajectories",
   "markdown_url": "https://aiatlasgraph.com/t/agenttrajectories.md",
   "updated": "2026-10-30"
  },
  "agileflight": {
   "id": "agileflight",
   "parent_id": "aerialrobotics",
   "label": "Szybki lot drona sterowany siecią neuronową (wyścigi dronów)",
   "canonical_name": "Learned agile flight and autonomous drone racing",
   "aliases": [
    "agile flight",
    "drone racing",
    "autonomous drone racing",
    "learned quadrotor control",
    "szybki lot",
    "wyścigi dronów"
   ],
   "description": "Polityki lotu uczone RL lub imitacją w symulacji, które z pokładowej percepcji wydają niskopoziomowe komendy przy prędkościach i przeciążeniach bliskich limitów drona.",
   "description_en": "Flight policies learned by RL or imitation in simulation that issue low-level commands from onboard perception at speeds and accelerations near the drone's limits.",
   "plain": "Sieć neuronowa wytrenowana w symulatorze steruje dronem na granicy jego możliwości, szybciej i ciaśniej, niż zrobiłby to klasyczny autopilot.",
   "plain_en": "A neural network trained in a simulator flies a drone at the edge of its abilities, faster and tighter than a classic autopilot.",
   "solves": "Klasyczny autopilot lata ostrożnie i wolno, bo przy pełnej prędkości nie nadąża z widzeniem, planowaniem i korektą naraz.",
   "solves_en": "A classic autopilot flies cautiously and slowly because at full speed it cannot keep up with seeing, planning and correcting at once.",
   "does": "Dron „trenuje” miliony okrążeń w wirtualnym torze, a doświadczenie z kilku prawdziwych lotów koryguje różnice między symulacją i rzeczywistością.",
   "does_en": "The drone “practises” millions of laps on a virtual track, and a few real flights correct the gap between simulation and reality.",
   "example": "Na zawodach dron bez pilota pokonuje tor z bramkami szybciej niż mistrzowie świata sterujący przez gogle.",
   "example_en": "At a race a pilotless drone clears a gated track faster than world champions flying with goggles.",
   "for_you": [
    "ścigasz się dronami lub budujesz własne",
    "uczysz się uczenia ze wzmocnieniem na fizycznym sprzęcie",
    "potrzebujesz drona, który omija przeszkody w pędzie"
   ],
   "for_you_en": [
    "race or build drones",
    "are learning reinforcement learning on physical hardware",
    "need a drone that avoids obstacles at speed"
   ],
   "how": "Politykę trenuje się głębokim RL w szybkim symulatorze dynamiki z nagrodą za postęp na torze. Na pokładzie kamera i czujniki inercyjne szacują położenie, np. wykrywając bramki, a sieć podaje komendy ciągu i obrotów. Dane z prawdziwych lotów służą do modelowania błędów percepcji i dynamiki, co zmniejsza lukę sim-to-real.",
   "how_en": "The policy is trained with deep RL in a fast dynamics simulator, rewarded for progress along the track. Onboard, camera and inertial sensors estimate position, e.g. by detecting gates, and the network outputs thrust and body-rate commands. Real flight data is used to model perception and dynamics errors, narrowing the sim-to-real gap.",
   "limits": "Polityka jest zwykle wytrenowana pod konkretny tor, dron i warunki; zmiana oświetlenia lub układu bramek obniża wyniki. Testy na sprzęcie kończą się rozbiciami. Do uczenia potrzebna jest dobra symulacja aerodynamiki.",
   "limits_en": "The policy is usually trained for a specific track, drone and conditions; changing lighting or gate layout lowers performance. Hardware tests involve crashes. Training needs a good aerodynamic simulation.",
   "terms": [
    {
     "gloss": "Różnica między zachowaniem drona w symulatorze i w rzeczywistości.",
     "term": "luka sim-to-real"
    },
    {
     "gloss": "Punkty za każdy kawałek przebytego toru.",
     "term": "nagroda za postęp"
    },
    {
     "gloss": "Lot z widokiem z kamery drona w goglach pilota.",
     "term": "FPV"
    }
   ],
   "terms_en": [
    {
     "gloss": "The difference between drone behaviour in the simulator and in reality.",
     "term": "sim-to-real gap"
    },
    {
     "gloss": "Points for each bit of track covered.",
     "term": "progress reward"
    },
    {
     "gloss": "Flying with the drone camera's view shown in the pilot's goggles.",
     "term": "FPV"
    }
   ],
   "prereq": [
    "rlalgorithms",
    "simtoreal"
   ],
   "keywords": [
    "Swift",
    "drone racing",
    "deep reinforcement learning",
    "PPO",
    "gate detection",
    "Flightmare",
    "residual dynamics model",
    "time-optimal flight"
   ],
   "source_ids": [
    "swift-drone-racing-2023",
    "vision-drones-survey-2023"
   ],
   "url": "https://aiatlasgraph.com/t/agileflight",
   "markdown_url": "https://aiatlasgraph.com/t/agileflight.md",
   "updated": "2026-10-30"
  },
  "agima": {
   "id": "agima",
   "parent_id": "agentsnode",
   "label": "Planowanie przez wyobrażone przyszłe stany",
   "canonical_name": "Planning with imagined future observations",
   "aliases": [
    "agentic imagination",
    "visual imagination for agents",
    "planning over imagined futures",
    "planowanie przez wyobrażone stany",
    "wyobrażanie skutków działań przez agenta"
   ],
   "description": "Technika łącząca politykę i model świata, która generuje wizualne następstwa hipotetycznych akcji i wybiera plan przez porównanie przyszłych stanów.",
   "description_en": "A technique combining policy and world model that generates visual consequences of hypothetical actions and selects a plan by comparing future states.",
   "plain": "Agent przed działaniem generuje obrazy możliwych przyszłych stanów i na ich podstawie decyduje, co wykonać naprawdę.",
   "plain_en": "Before acting, the agent generates images of possible future states and uses them to decide what to execute for real.",
   "solves": "W zadaniach z rzadkim feedbackiem lub nieodwracalnymi ruchami agent popełnia błędy, których skutków nie przewidział.",
   "solves_en": "In tasks with sparse feedback or irreversible moves, the agent makes mistakes whose consequences it did not foresee.",
   "does": "Jeden model proponuje akcje, generuje ich wizualne skutki i rozumuje nad wyobrażonymi przyszłościami, żeby wybrać lepszy plan przed wykonaniem.",
   "does_en": "One model proposes actions, generates their visual outcomes and reasons over imagined futures to choose a better plan before execution.",
   "example": "W grze układania pudełek agent wyobraża sobie, że przesunięcie jednego zablokuje inne, i wybiera inny ruch, zanim zepsuje układankę.",
   "example_en": "In a box-pushing puzzle the agent imagines that moving one box blocks others and chooses a different move before ruining the puzzle.",
   "for_you": [
    "zlecasz asystentowi zadania, w których błąd trudno cofnąć",
    "chcesz, by asystent planował kilka kroków naprzód bez ciągłego sprawdzania"
   ],
   "for_you_en": [
    "give an assistant tasks where a mistake is hard to undo",
    "want the assistant to plan several steps ahead without constant checking"
   ],
   "how": "Najpierw supervised fine-tuning uczy model proponować akcje i generować obrazy ich wyników na sekwencjach z linearnymi rolloutami, rozgałęzieniami kontrfaktycznymi i myśleniem naprzód. Potem reinforcement learning z GRPO uczy rozumowania nad wyobrażonymi przyszłościami, z nagrodą za sukces zadania. Model może symulować sekwencje, porównywać alternatywy i decydować, kiedy patrzeć dalej.",
   "how_en": "First, supervised fine-tuning teaches the model to propose actions and generate images of their outcomes on sequences with linear rollouts, counterfactual branching and forward thinking. Then reinforcement learning with GRPO teaches reasoning over imagined futures, with reward for task success. The model can simulate sequences, compare alternatives and decide when to look further ahead.",
   "limits": "Przy bardzo długim planowaniu bez nowych obserwacji wyniki spadają. Zastąpienie przewidywanych klatek prawdziwymi poprawiało skuteczność o 29–44 punkty procentowe w trzech z czterech badanych środowisk, więc błędy modelu świata są głównym ograniczeniem. Wyniki pochodzą z Maze2D, Sokobana, Pacmana i PushT.",
   "limits_en": "Performance drops with very long planning without new observations. Replacing predicted frames with ground-truth frames improved success by 29–44 percentage points in three of four tested environments, making world-model error a major limitation. Results come from Maze2D, Sokoban, Pacman and PushT.",
   "terms": [
    {
     "gloss": "Wygenerowany obraz stanu po hipotetycznej akcji, zanim zostanie wykonana.",
     "term": "wyobrażenie przyszłości"
    },
    {
     "gloss": "Symulacja kilku kolejnych kroków i porównanie możliwych wyników.",
     "term": "myślenie naprzód"
    },
    {
     "gloss": "Sprawdzenie lokalnych alternatyw wokół bieżącego stanu.",
     "term": "rozgałęzienie kontrfaktyczne"
    }
   ],
   "terms_en": [
    {
     "gloss": "Generated image of the state after a hypothetical action before it is executed.",
     "term": "imagined future"
    },
    {
     "gloss": "Simulation of several next steps and comparison of possible outcomes.",
     "term": "forward thinking"
    },
    {
     "gloss": "Checking local alternatives around the current state.",
     "term": "counterfactual branching"
    }
   ],
   "prereq": [
    "worldfoundation"
   ],
   "keywords": [
    "Agentic Imagination",
    "Agima",
    "imagined futures",
    "unified policy world model",
    "counterfactual branching",
    "forward thinking",
    "Sokoban planning"
   ],
   "source_ids": [
    "agima-arxiv-2610.26845"
   ],
   "url": "https://aiatlasgraph.com/t/agima",
   "markdown_url": "https://aiatlasgraph.com/t/agima.md",
   "updated": "2026-10-30"
  },
  "aiattacks": {
   "id": "aiattacks",
   "parent_id": "offensiveai",
   "label": "Ataki prowadzone z pomocą AI",
   "canonical_name": "AI-enabled and AI-orchestrated cyberattacks",
   "aliases": [
    "AI-orchestrated cyberattacks",
    "AI-powered phishing",
    "malicious use of LLMs",
    "agentic cyberattacks",
    "ataki wspomagane AI",
    "AI threat landscape"
   ],
   "description": "Wykorzystanie modeli przez przestępców i grupy państwowe: od pisania przekonującego phishingu po agentów wykonujących większość etapów włamania.",
   "description_en": "Use of models by criminals and state groups: from writing convincing phishing to agents carrying out most stages of an intrusion.",
   "plain": "Sposoby, w jakie przestępcy używają AI do oszustw i włamań, oraz to, co z tego wynika dla obrońców.",
   "plain_en": "The ways criminals use AI for scams and break-ins, and what that means for defenders.",
   "solves": "Obrońcy nie wiedzą, które zagrożenia są realne, a które to medialny szum, więc źle dobierają zabezpieczenia.",
   "solves_en": "Defenders can't tell which threats are real and which are hype, so they choose the wrong safeguards.",
   "does": "Jak raport policji o nowych metodach złodziei: opisuje, co się naprawdę wydarzyło, byś wiedział, jaki zamek dokupić.",
   "does_en": "Like a police briefing on new burglary methods: describes what really happened so you know which lock to buy.",
   "example": "Księgowa dostaje bezbłędnie napisanego maila od „prezesa”, który nawiązuje do wczorajszego spotkania i prosi o pilny przelew do nowego kontrahenta.",
   "example_en": "An accountant gets a flawlessly written email from the 'CEO' that mentions yesterday's meeting and asks for an urgent transfer to a new supplier.",
   "for_you": [
    "odpowiadasz za bezpieczeństwo w firmie",
    "udostępniasz modele lub agentów innym",
    "chcesz rozumieć nowe oszustwa"
   ],
   "for_you_en": [
    "are responsible for security at a company",
    "make models or agents available to others",
    "want to understand new scams"
   ],
   "how": "Modele obniżają koszt pisania spersonalizowanego phishingu, tłumaczenia i rozpoznania celów. Według raportu Anthropic z 2025 r. atakujący użyli agenta kodującego jako orkiestratora wykonującego większość kroków taktycznych, podczas gdy ludzie podejmowali kluczowe decyzje. To relacja dostawcy własnego modelu, bez niezależnego potwierdzenia całego incydentu.",
   "how_en": "Models lower the cost of personalised phishing, translation and target reconnaissance. According to a 2025 Anthropic report, attackers used a coding agent as an orchestrator for most tactical steps while humans made key decisions. This is the provider's account of its own model, without independent confirmation of the full incident.",
   "limits": "Agenci zawyżają wyniki i zmyślają dane, więc atakujący muszą wszystko weryfikować. Publiczne raporty pochodzą głównie od dostawców modeli i firm bezpieczeństwa, które mają własne interesy. Skalę zjawiska trudno niezależnie zmierzyć.",
   "limits_en": "Agents overstate results and fabricate data, so attackers must verify everything. Public reports come mainly from model providers and security vendors with their own interests. The scale of the phenomenon is hard to measure independently.",
   "terms": [
    {
     "gloss": "Sterowanie wieloma krokami i narzędziami przez jednego agenta.",
     "term": "orkiestracja"
    },
    {
     "gloss": "Skłonienie modelu do pomocy, której normalnie by odmówił.",
     "term": "obejście zabezpieczeń"
    },
    {
     "gloss": "Podrobiony głos prawdziwej osoby użyty do oszustwa.",
     "term": "deepfake głosowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "One agent directing many steps and tools.",
     "term": "orchestration"
    },
    {
     "gloss": "Getting a model to help where it would normally refuse.",
     "term": "safeguard bypass"
    },
    {
     "gloss": "A faked voice of a real person used to defraud.",
     "term": "voice deepfake"
    }
   ],
   "prereq": [
    "jailbreaks",
    "agentsecurity"
   ],
   "keywords": [
    "AI-orchestrated espionage",
    "LLM-generated phishing",
    "voice cloning fraud",
    "threat intelligence reports",
    "misuse detection",
    "dual-use AI"
   ],
   "source_ids": [
    "anthropic-ai-orchestrated-espionage-2025"
   ],
   "url": "https://aiatlasgraph.com/t/aiattacks",
   "markdown_url": "https://aiatlasgraph.com/t/aiattacks.md",
   "updated": "2026-10-30"
  },
  "aicodereview": {
   "id": "aicodereview",
   "parent_id": "aicoding",
   "label": "Przegląd kodu przez AI",
   "canonical_name": "AI code review",
   "aliases": [
    "AI code review",
    "automated code review",
    "LLM code review",
    "automatyczny przegląd kodu",
    "AI PR review"
   ],
   "description": "Model analizuje zmianę w kodzie (pull request) i zostawia komentarze o błędach, ryzykach i stylu przed oceną człowieka.",
   "description_en": "A model analyses a code change (pull request) and leaves comments on bugs, risks and style before human review.",
   "plain": "Zanim kolega obejrzy twoją zmianę w programie, sztuczna inteligencja przegląda ją pierwsza i zostawia uwagi przy podejrzanych miejscach.",
   "plain_en": "Before a colleague looks at your change to a program, AI reviews it first and leaves notes on suspicious spots.",
   "solves": "Recenzenci kodu są przeciążeni, czekanie na ich uwagi blokuje pracę, a pobieżny przegląd przepuszcza błędy.",
   "solves_en": "Code reviewers are overloaded, waiting for their feedback blocks work, and rushed reviews let bugs through.",
   "does": "Działa jak korektor, który czyta tekst przed redaktorem: wyłapuje literówki i podejrzane zdania, ale ostateczną decyzję zostawia człowiekowi.",
   "does_en": "It acts like a proofreader reading before the editor: it catches slips and suspicious sentences but leaves the final call to a person.",
   "example": "Wysyłasz poprawkę do wspólnego projektu, a po minucie pojawia się komentarz, że w jednym przypadku program może podzielić przez zero.",
   "example_en": "You submit a fix to a shared project, and a minute later a comment notes that in one case the program might divide by zero.",
   "for_you": [
    "twoje zmiany w kodzie czekają długo na przegląd",
    "przeglądasz cudzy kod i chcesz drugiej pary oczu"
   ],
   "for_you_en": [
    "your code changes wait a long time for review",
    "review others' code and want a second pair of eyes"
   ],
   "how": "Narzędzie pobiera diff, opis zmiany i wybrany kontekst repozytorium, a model generuje komentarze przypięte do linii, czasem z propozycją poprawki. Lepsze systemy uruchamiają testy lub analizę statyczną, filtrują komentarze o niskiej pewności i uczą się z tego, które uwagi zespół rozwiązuje.",
   "how_en": "The tool collects the diff, change description and selected repository context, and a model generates line-anchored comments, sometimes with a suggested fix. Better systems run tests or static analysis, filter low-confidence comments and learn from which remarks the team resolves.",
   "limits": "Część komentarzy jest błędna, zbędna lub nie na temat, co dokłada pracy i może wydłużyć zamykanie zmian. Model nie zna intencji ani pełnej architektury; nie zastępuje odpowiedzialności człowieka za zatwierdzenie.",
   "limits_en": "Some comments are wrong, unnecessary or off-topic, adding work and possibly slowing merges. The model lacks intent and full architecture knowledge; it does not replace a human's accountability for approval.",
   "terms": [
    {
     "gloss": "Zgłoszenie zmiany w kodzie do przeglądu przed scaleniem.",
     "term": "pull request"
    },
    {
     "gloss": "Zestawienie linii dodanych i usuniętych w zmianie.",
     "term": "diff"
    },
    {
     "gloss": "Sprawdzanie kodu bez uruchamiania, według reguł.",
     "term": "analiza statyczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A proposed code change submitted for review before merging.",
     "term": "pull request"
    },
    {
     "gloss": "A listing of lines added and removed in a change.",
     "term": "diff"
    },
    {
     "gloss": "Rule-based checking of code without running it.",
     "term": "static analysis"
    }
   ],
   "prereq": [
    "makerchecker",
    "judges"
   ],
   "keywords": [
    "pull request review",
    "CodeRabbit",
    "Qodo PR-Agent",
    "Copilot code review",
    "static analysis",
    "SAST",
    "review comments resolution"
   ],
   "source_ids": [
    "automated-code-review-practice-2024"
   ],
   "url": "https://aiatlasgraph.com/t/aicodereview",
   "markdown_url": "https://aiatlasgraph.com/t/aicodereview.md",
   "updated": "2026-10-30"
  },
  "aicodesecurity": {
   "id": "aicodesecurity",
   "parent_id": "vulndiscovery",
   "label": "Bezpieczeństwo kodu pisanego przez AI",
   "canonical_name": "Security of AI-generated code",
   "aliases": [
    "secure code generation",
    "insecure code suggestions",
    "AI coding assistant security",
    "LLM code security",
    "bezpieczne generowanie kodu"
   ],
   "description": "Pomiar i ograniczanie podatności w kodzie generowanym przez asystentów programowania i agentów kodujących, przez testy, benchmarki i techniki bezpiecznego generowania.",
   "description_en": "Measuring and reducing vulnerabilities in code produced by coding assistants and agents, via tests, benchmarks and secure-generation techniques.",
   "plain": "Sprawdzanie, jak często programy pisane przez AI zostawiają furtki dla włamywaczy, i sposób, żeby było ich mniej.",
   "plain_en": "Checking how often programs written by AI leave back doors for intruders, and ways to make that rarer.",
   "solves": "Kod od AI działa i wygląda porządnie, więc ludzie wdrażają go bez sprawdzenia, razem z ukrytymi błędami bezpieczeństwa.",
   "solves_en": "AI-written code runs and looks tidy, so people ship it unchecked, hidden security bugs included.",
   "does": "Jak inspektor budowlany na osiedlu stawianym w rekordowym tempie: nie spowalnia ekipy, ale sprawdza instalację gazową, zanim ktoś się wprowadzi.",
   "does_en": "Like a building inspector on an estate built at record speed: doesn't slow the crew but checks the gas pipes before anyone moves in.",
   "example": "Asystent pisze formularz logowania, który działa, ale wkleja tekst użytkownika prosto do zapytania bazy; automatyczny test przed publikacją wykrywa tę dziurę.",
   "example_en": "An assistant writes a login form that works but pastes user text straight into a database query; an automated pre-release test catches the hole.",
   "for_you": [
    "piszesz programy z pomocą AI",
    "zatwierdzasz kod przed wdrożeniem",
    "budujesz narzędzia lub agentów do programowania"
   ],
   "for_you_en": [
    "write software with AI help",
    "approve code before release",
    "build coding tools or agents"
   ],
   "how": "Scenariusze powiązane z CWE i testy bezpieczeństwa mierzą, jak często wygenerowany kod zawiera podatności. Kod sprawdza się osobno testami funkcjonalnymi oraz analizą bezpieczeństwa lub exploitami end-to-end. W praktyce potrzebne są niezależny przegląd i testy, bo poprawność funkcjonalna nie oznacza bezpieczeństwa.",
   "how_en": "CWE-linked scenarios and security tests measure how often generated code contains vulnerabilities. Functional behavior is checked separately from security analysis or end-to-end exploits. Independent review and testing remain necessary because functional correctness does not imply security.",
   "limits": "Wyniki szybko się dezaktualizują wraz z modelami i obejmują tylko wybrane klasy błędów. BaxBench pokazuje, że funkcjonalnie poprawny backend może nadal być podatny, a mniej popularne frameworki wypadają gorzej. Zdanie benchmarku nie jest więc dowodem bezpieczeństwa produkcyjnego.",
   "limits_en": "Results age quickly as models change and cover only selected weakness classes. BaxBench shows that a functionally correct backend can still be exploitable, and less popular frameworks perform worse. Passing a benchmark therefore does not establish production security.",
   "terms": [
    {
     "gloss": "Katalog typowych słabości oprogramowania, np. wstrzyknięcie SQL.",
     "term": "CWE"
    },
    {
     "gloss": "Konkretny sposób wykorzystania błędu do ataku.",
     "term": "exploit"
    },
    {
     "gloss": "Automatyczne szukanie błędów w kodzie bez jego uruchamiania.",
     "term": "analiza statyczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A catalogue of common software weaknesses, e.g. SQL injection.",
     "term": "CWE"
    },
    {
     "gloss": "A concrete way of using a bug to attack.",
     "term": "exploit"
    },
    {
     "gloss": "Automatically finding bugs in code without running it.",
     "term": "static analysis"
    }
   ],
   "prereq": [
    "codecompletion",
    "aicodereview"
   ],
   "keywords": [
    "CWE Top 25",
    "BaxBench",
    "CodeQL",
    "Semgrep",
    "SAST",
    "secure code generation",
    "SQL injection",
    "vibe coding security",
    "CyberSecEval"
   ],
   "source_ids": [
    "pearce-asleep-at-keyboard-2021",
    "vero-baxbench-2025"
   ],
   "url": "https://aiatlasgraph.com/t/aicodesecurity",
   "markdown_url": "https://aiatlasgraph.com/t/aicodesecurity.md",
   "updated": "2026-10-30"
  },
  "aicoding": {
   "id": "aicoding",
   "parent_id": "applications",
   "label": "Agenci kodujący",
   "canonical_name": "AI-assisted coding",
   "description": "Pisanie, przegląd i utrzymanie kodu przez agenty.",
   "description_en": "Writing, reviewing and maintaining code with agents.",
   "examples": "Claude Code · przegląd kodu · praca ze specyfikacją",
   "examples_en": "Claude Code · code review · spec-driven work",
   "plain": "To pomoc sztucznej inteligencji w pisaniu, sprawdzaniu i poprawianiu kodu programów.",
   "plain_en": "This uses artificial intelligence to help write, review and fix computer programs.",
   "solves": "Zmienianie programu wymaga znalezienia właściwego miejsca w kodzie i sprawdzenia, czy poprawka nie psuje innych funkcji.",
   "solves_en": "Changing a program requires finding the right code and checking that the change does not break other features.",
   "does": "Asystent czyta istniejący kod, proponuje zmiany i może uruchomić sprawdzenia, które pokażą, czy program nadal działa.",
   "does_en": "An assistant reads existing code, proposes changes and can run checks to see whether the program still works.",
   "example": "Opisujesz, że formularz gubi wpisane dane, a asystent znajduje przyczynę w kodzie i przygotowuje poprawkę do sprawdzenia.",
   "example_en": "You explain that a form loses entered details, and an assistant finds the cause in the code and prepares a fix for review.",
   "for_you": [
    "piszesz lub poprawiasz własne programy",
    "chcesz sprawdzić proponowaną zmianę w kodzie"
   ],
   "for_you_en": [
    "write or fix your own programs",
    "want to review a proposed code change"
   ],
   "how": "Agent zbiera kontekst z repozytorium, proponuje zmianę kodu i uruchamia dostępne narzędzia weryfikacji. Wyniki kompilacji, testów lub przeglądu wracają do pętli, która poprawia zmianę i przygotowuje ją do oceny.",
   "how_en": "An agent gathers repository context, proposes a code change and runs available verification tools. Compilation, test or review results return to a loop that revises the change and prepares it for assessment.",
   "limits": "Przejście testów nie potwierdza wszystkich wymagań ani bezpieczeństwa kodu. Ograniczony kontekst może pominąć zależności; potrzebne są izolacja wykonania, przegląd zmian i sprawdzenie rzeczywistego zachowania.",
   "limits_en": "Passing tests does not establish every requirement or code security. Limited context can miss dependencies; execution isolation, change review and checks of actual behavior are needed.",
   "terms": [
    {
     "gloss": "Pliki i zależności wybrane jako informacje potrzebne do zmiany.",
     "term": "kontekst repozytorium"
    },
    {
     "gloss": "Zapis różnic między wcześniejszą a proponowaną wersją plików.",
     "term": "diff"
    },
    {
     "gloss": "Sprawdzenie, czy zmiana nie zepsuła wcześniej działającego zachowania.",
     "term": "test regresyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Files and dependencies selected as information needed for a change.",
     "term": "repository context"
    },
    {
     "gloss": "A record of differences between earlier and proposed file versions.",
     "term": "diff"
    },
    {
     "gloss": "A check that a change has not broken previously working behavior.",
     "term": "regression test"
    }
   ],
   "prereq": [
    "tools",
    "evalsets"
   ],
   "keywords": [
    "repository context",
    "spec-driven development",
    "code review",
    "patch generation",
    "regression testing",
    "SWE-bench",
    "test-driven development"
   ],
   "courses": [
    {
     "title": "Claude Code: A Highly Agentic Coding Assistant",
     "url": "https://www.deeplearning.ai/courses/claude-code-a-highly-agentic-coding-assistant"
    },
    {
     "title": "Spec-Driven Development with Coding Agents",
     "url": "https://www.deeplearning.ai/courses/spec-driven-development-with-coding-agents"
    },
    {
     "title": "AI Code Review",
     "url": "https://www.deeplearning.ai/courses/ai-code-review"
    }
   ],
   "source_ids": [
    "dlai",
    "machina-x-agents",
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/aicoding",
   "markdown_url": "https://aiatlasgraph.com/t/aicoding.md",
   "updated": "2026-10-30"
  },
  "aied": {
   "id": "aied",
   "parent_id": null,
   "label": "AI w edukacji",
   "canonical_name": "AI in education",
   "aliases": [
    "AIED",
    "AI in education",
    "educational AI",
    "edtech AI",
    "sztuczna inteligencja w edukacji",
    "AI w szkole"
   ],
   "description": "Zastosowania AI w nauczaniu i uczeniu się: modelowanie wiedzy ucznia i analityka uczenia się, systemy tutorskie i personalizacja oraz automatyczne ocenianie i informacja zwrotna.",
   "description_en": "AI applied to teaching and learning: learner modelling and learning analytics, tutoring systems and personalisation, and automated assessment and feedback.",
   "plain": "Programy, które pomagają się uczyć i uczyć innych: tłumaczą krok po kroku, dobierają ćwiczenia, sprawdzają prace i ostrzegają, gdy ktoś zostaje w tyle.",
   "plain_en": "Software that helps people learn and teach: it explains step by step, picks exercises, checks work and warns when someone is falling behind.",
   "solves": "Jeden nauczyciel ma w klasie trzydzieści osób, każdą na innym poziomie, i nie zdąży każdej wytłumaczyć, sprawdzić ani zauważyć jej kłopotów.",
   "solves_en": "One teacher faces thirty students, each at a different level, and cannot explain to, mark or notice the struggles of every one of them.",
   "does": "Jak cierpliwy korepetytor przy każdym uczniu: pamięta, co już umie, podsuwa wskazówkę zamiast gotowej odpowiedzi i mówi nauczycielowi, komu pomóc.",
   "does_en": "Like a patient private tutor beside every student: it remembers what they know, offers a hint rather than the answer and tells the teacher who needs help.",
   "example": "Uczeń utknął na zadaniu z ułamkami wieczorem w domu; aplikacja zadaje mu pytanie naprowadzające, a rano nauczycielka widzi, które zagadnienie sprawiło klasie kłopot.",
   "example_en": "A student is stuck on a fractions problem at home in the evening; the app asks a guiding question, and next morning the teacher sees which topic tripped up the class.",
   "for_you": [
    "uczysz się sam z aplikacji lub kursu online",
    "uczysz w szkole, na uczelni lub prowadzisz szkolenia",
    "twoje dziecko odrabia lekcje z pomocą czatbota"
   ],
   "for_you_en": [
    "study on your own with an app or online course",
    "teach at a school or university, or run training",
    "your child does homework with a chatbot's help"
   ],
   "how": "Systemy zbierają ślady pracy ucznia (odpowiedzi, czasy, logi platformy) i budują model jego wiedzy, który steruje doborem zadań i wskazówek. Duże modele językowe prowadzą dialog tutorski i generują ćwiczenia, a modele NLP oceniają teksty i odpowiedzi. Skutki dla uczenia się mierzy się eksperymentami, najlepiej randomizowanymi.",
   "how_en": "Systems collect traces of learner work (answers, timings, platform logs) and build a model of the learner's knowledge that drives task and hint selection. Large language models run tutoring dialogue and generate exercises, while NLP models score essays and answers. Learning impact is measured experimentally, ideally with randomised trials.",
   "limits": "Łatwo pomylić lepszy wynik podczas ćwiczeń z rzeczywistą nauką: bez ograniczeń narzędzie może odrabiać pracę za ucznia. Dane dotyczą często nieletnich, więc prywatność i zgoda są kluczowe. Modele przenoszą uprzedzenia z danych, a dowodów z długich badań wciąż jest mało.",
   "limits_en": "It is easy to confuse better scores during practice with real learning: unrestricted, a tool can do the work for the student. Data often concern minors, so privacy and consent are critical. Models carry biases from their data, and long-term evidence remains scarce.",
   "terms": [
    {
     "gloss": "Szacunek, co dany uczeń już umie, a czego jeszcze nie.",
     "term": "model ucznia"
    },
    {
     "gloss": "Inteligentny system tutorski, prowadzący ucznia krok po kroku przez zadania.",
     "term": "ITS"
    },
    {
     "gloss": "Analiza danych o uczeniu się, by lepiej wspierać uczniów i kursy.",
     "term": "learning analytics"
    },
    {
     "gloss": "Stopniowe wsparcie, które wycofuje się, gdy uczeń radzi sobie sam.",
     "term": "scaffolding"
    }
   ],
   "terms_en": [
    {
     "gloss": "An estimate of what a given student already knows and what not yet.",
     "term": "learner model"
    },
    {
     "gloss": "Intelligent tutoring system that guides a learner step by step through tasks.",
     "term": "ITS"
    },
    {
     "gloss": "Analysing learning data to better support students and courses.",
     "term": "learning analytics"
    },
    {
     "gloss": "Gradual support that is withdrawn as the learner copes alone.",
     "term": "scaffolding"
    }
   ],
   "prereq": [
    "prompting",
    "linearmodels"
   ],
   "keywords": [
    "intelligent tutoring systems",
    "knowledge tracing",
    "learning analytics",
    "educational data mining",
    "automated essay scoring",
    "LLM tutors",
    "adaptive learning",
    "spaced repetition",
    "question generation",
    "learning management system",
    "item response theory",
    "AIED",
    "UNESCO AI guidance"
   ],
   "source_ids": [
    "zawacki-richter-aied-review-2019",
    "bastani-guardrails-2025"
   ],
   "url": "https://aiatlasgraph.com/t/aied",
   "markdown_url": "https://aiatlasgraph.com/t/aied.md",
   "updated": "2026-10-30"
  },
  "ailiteracy": {
   "id": "ailiteracy",
   "parent_id": "adoption",
   "label": "Kompetencje AI w zespole (AI literacy)",
   "canonical_name": "AI literacy and upskilling",
   "description": "Szkolenie ludzi, którzy korzystają z AI lub ją obsługują, tak by rozumieli jej możliwości, ryzyka i swoją rolę — dopasowane do stanowiska i kontekstu; w UE także wymóg art. 4 AI Act.",
   "description_en": "Training people who use or operate AI so they understand its capabilities, risks and their own role — tailored to the job and context; in the EU also an Article 4 AI Act requirement.",
   "examples": "szkolenia według ról · art. 4 AI Act · nadzór człowieka nad systemami wysokiego ryzyka · wewnętrzni ambasadorzy AI",
   "examples_en": "role-based training · Article 4 AI Act · human oversight of high-risk systems · internal AI champions",
   "plain": "To uczenie ludzi, jak korzystać z modeli, rozumieć ich ograniczenia i sprawdzać wyniki.",
   "plain_en": "This teaches people to use models, understand their limitations and check results.",
   "solves": "Ludzie mogą ufać przekonującym błędom albo nie wykorzystywać narzędzia, bo nie wiedzą, co potrafi i jak je kontrolować.",
   "solves_en": "People may trust convincing mistakes or avoid a tool because they do not know its capabilities or how to control it.",
   "does": "Ćwiczy zadania właściwe dla zespołu, rozpoznawanie pomyłek i bezpieczne obchodzenie się z danymi, wyjaśniając odpowiedzialność człowieka.",
   "does_en": "It practises relevant team tasks, error recognition and careful data handling while explaining the person's responsibility.",
   "example": "Podczas szkolenia porównujecie szkic notatki z nagraniem spotkania, wskazujecie zmyślone ustalenia i ćwiczycie poprawianie tekstu.",
   "example_en": "During training, you compare a draft note with a meeting recording, identify invented decisions and practise correcting the text.",
   "for_you": [
    "zaczynasz korzystać z modeli w codziennej pracy",
    "chcesz nauczyć zespół sprawdzania odpowiedzi i ograniczeń"
   ],
   "for_you_en": [
    "start using models in daily work",
    "want your team to understand limitations and check answers"
   ],
   "how": "Potrzeby szkoleniowe wynikają z używanych systemów, zadań, danych i odpowiedzialności osób. Praktyczne ćwiczenia uczą rozpoznawania ograniczeń, sprawdzania wyników oraz właściwej obsługi niepewności, a ocena kompetencji sprawdza zachowanie w realnych scenariuszach.",
   "how_en": "Training needs follow the systems, tasks, data and responsibilities involved. Practical exercises teach recognising limits, checking outputs and handling uncertainty, while competency assessments evaluate behaviour in realistic scenarios.",
   "limits": "Jednorazowe szkolenie nie zapewnia trwałych kompetencji ani właściwego użycia nowych funkcji. Ogólny kurs może pomijać lokalne ryzyka; deklarowane zrozumienie wymaga sprawdzenia w praktyce.",
   "limits_en": "One-off training guarantees neither lasting competence nor appropriate use of new features. Generic courses can miss local risks; reported understanding needs practical assessment.",
   "terms": [
    {
     "gloss": "Wiedza i umiejętności pozwalające odpowiednio używać oraz oceniać systemy AI.",
     "term": "kompetencje AI"
    },
    {
     "gloss": "Praktyczne zadanie sprawdzające użycie systemu i rozpoznanie jego ograniczeń.",
     "term": "scenariusz kompetencyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Knowledge and skills for appropriately using and evaluating AI systems.",
     "term": "AI literacy"
    },
    {
     "gloss": "A practical task checking system use and recognition of its limits.",
     "term": "competency scenario"
    }
   ],
   "prereq": [
    "evalsets",
    "usercontrol"
   ],
   "keywords": [
    "EU AI Act Article 4",
    "role-based training",
    "human oversight",
    "AI competency assessment",
    "AI champions"
   ],
   "source_ids": [
    "ec-ai-literacy-qa",
    "ms-work-trend-2024"
   ],
   "url": "https://aiatlasgraph.com/t/ailiteracy",
   "markdown_url": "https://aiatlasgraph.com/t/ailiteracy.md",
   "updated": "2026-10-30"
  },
  "aiopportunity": {
   "id": "aiopportunity",
   "parent_id": "usecases",
   "label": "Ocena wartości i wykonalności zastosowania AI",
   "canonical_name": "AI use-case value and feasibility assessment",
   "description": "Sprawdzenie, czy AI rozwiązuje realny problem lepiej niż prostsza alternatywa, ile to jest warte i czy są dane oraz jakość modelu, żeby to zadziałało.",
   "description_en": "Checking whether AI solves a real problem better than a simpler alternative, what it is worth, and whether the data and model quality exist to make it work.",
   "examples": "macierz wartość–wykonalność · „czy reguły wystarczą?” · koszt pomyłki fałszywie pozytywnej vs negatywnej",
   "examples_en": "value–feasibility matrix · \"would rules be enough?\" · cost of false positives vs false negatives",
   "plain": "To ocena, czy model rozwiąże ważny problem, czy da się to zrobić i czy warto ponieść koszt.",
   "plain_en": "This assesses whether a model can solve an important problem, whether it is feasible and whether the cost is worthwhile.",
   "solves": "Pomysł wygląda obiecująco, ale może brakować danych, potrzebnej jakości albo korzyści uzasadniającej inwestycję.",
   "solves_en": "An idea looks promising but may lack the data, required quality or benefits needed to justify the investment.",
   "does": "Porównuje rozwiązanie z prostszymi sposobami, sprawdza dostępne dane i model oraz szacuje wartość wyniku i koszt pomyłek.",
   "does_en": "It compares simpler alternatives, checks available data and model capability, and estimates outcome value and the cost of mistakes.",
   "example": "Przed tworzeniem asystenta do zwrotów sprawdzasz, czy wystarczyłby czytelny formularz i czy model poradzi sobie z nietypowymi przypadkami.",
   "example_en": "Before building a returns assistant, you check whether a clear form would suffice and whether a model can handle unusual cases.",
   "for_you": [
    "musisz ocenić pomysł przed większą inwestycją",
    "chcesz porównać model z prostszym sposobem rozwiązania problemu"
   ],
   "for_you_en": [
    "need to assess an idea before investing substantially",
    "want to compare a model with a simpler solution"
   ],
   "how": "Hipotezę wartości sprawdza się przez częstotliwość problemu, koszt obecnej pracy i oczekiwany wynik. Próba techniczna ocenia osiągalną jakość na dostępnych danych, a rachunek pełnego procesu uwzględnia integrację, kontrolę i utrzymanie.",
   "how_en": "A value hypothesis is checked against problem frequency, current effort and expected outcomes. A technical trial assesses attainable quality on available data, while whole-process accounting includes integration, review and maintenance.",
   "limits": "Korzyści deklarowane przez zainteresowane osoby wymagają sprawdzenia. Brak reprezentatywnych danych zniekształca wykonalność; wysoka jakość modelu nie wystarcza, gdy wdrożenie nie zmienia rzeczywistego procesu.",
   "limits_en": "Stakeholder-reported benefits need checking. Missing representative data distort feasibility; high model quality is insufficient if deployment does not change actual workflows.",
   "terms": [
    {
     "gloss": "Sprawdzalne założenie, jaki pożytek przyniesie rozwiązanie określonego problemu.",
     "term": "hipoteza wartości"
    },
    {
     "gloss": "Możliwość osiągnięcia wymaganego wyniku przy dostępnych danych i zasobach.",
     "term": "wykonalność techniczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A testable assumption about benefits from solving a specified problem.",
     "term": "value hypothesis"
    },
    {
     "gloss": "The ability to achieve required outcomes with available data and resources.",
     "term": "technical feasibility"
    }
   ],
   "prereq": [
    "evalsets",
    "costestimation"
   ],
   "keywords": [
    "value-feasibility matrix",
    "cost-sensitive classification",
    "false positive cost",
    "false negative cost",
    "workflow baseline",
    "expected utility"
   ],
   "source_ids": [
    "pair-guidebook",
    "mckinsey-state-of-ai-2026"
   ],
   "url": "https://aiatlasgraph.com/t/aiopportunity",
   "markdown_url": "https://aiatlasgraph.com/t/aiopportunity.md",
   "updated": "2026-10-30"
  },
  "aiprototyping": {
   "id": "aiprototyping",
   "parent_id": "usecases",
   "label": "Prototypowanie funkcji AI (proof of concept)",
   "canonical_name": "AI feature prototyping",
   "description": "Szybkie sprawdzenie pomysłu na najmocniejszym dostępnym modelu i małym zbiorze przykładów, zanim zainwestuje się w optymalizację, tańsze modele czy dostrajanie.",
   "description_en": "Quickly testing an idea with the strongest available model and a small set of examples before investing in optimisation, cheaper models or fine-tuning.",
   "examples": "prototyp na modelu granicznym · kilkadziesiąt przykładów testowych od początku · kryteria „go / no-go”",
   "examples_en": "prototype on a frontier model · a few dozen test examples from day one · go / no-go criteria",
   "plain": "To szybkie zbudowanie małej wersji pomysłu, żeby sprawdzić, czy model potrafi wykonać najważniejsze zadanie.",
   "plain_en": "This builds a small version of an idea quickly to check whether a model can perform its central task.",
   "solves": "Nie wiesz jeszcze, czy pomysł zadziała, a pełne wdrożenie i optymalizacja mogą zabrać dużo pracy.",
   "solves_en": "You do not yet know whether the idea works, while full implementation and optimisation may take substantial effort.",
   "does": "Próbuje kluczowego zadania na mocnym modelu i zebranych przykładach, porównując wyniki z ustalonymi kryteriami dalszej pracy.",
   "does_en": "It tries the core task with a capable model and collected examples, comparing results with agreed criteria for further work.",
   "example": "Budujesz prostą próbę asystenta notatek i sprawdzasz na przykładowych spotkaniach, czy poprawnie zapisuje ustalenia oraz osoby odpowiedzialne.",
   "example_en": "You build a simple note assistant trial and use example meetings to check whether it records decisions and responsible people correctly.",
   "for_you": [
    "chcesz sprawdzić pomysł przed pełnym wdrożeniem",
    "potrafisz wskazać zadanie i kryteria udanej próby"
   ],
   "for_you_en": [
    "want to test an idea before full implementation",
    "can identify the task and criteria for a successful trial"
   ],
   "how": "Minimalny przepływ łączy model z ograniczonym zestawem wejść i kryteriami oceny. Ręcznie kontrolowane próby ujawniają błędy oraz wymagania kontekstu, zanim buduje się pełną integrację, optymalizuje koszt lub uruchamia trening.",
   "how_en": "A minimal flow connects a model to a limited input set and evaluation criteria. Manually reviewed trials expose errors and context requirements before full integration, cost optimisation or training.",
   "limits": "Mały zbiór nie dowodzi niezawodności ani skalowalności. Ręczne obejścia ukrywają koszt produkcyjny; prototyp trzeba oceniać na przypadkach spoza przykładów użytych do jego dopracowania.",
   "limits_en": "Small datasets establish neither reliability nor scalability. Manual workarounds hide production costs; prototypes need evaluation beyond examples used to refine them.",
   "terms": [
    {
     "gloss": "Ograniczona próba sprawdzająca kluczowe założenie techniczne pomysłu.",
     "term": "proof of concept"
    },
    {
     "gloss": "Przykłady wybrane do wstępnego sprawdzenia działania rozwiązania.",
     "term": "zbiór próbny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A limited trial testing an idea's key technical assumption.",
     "term": "proof of concept"
    },
    {
     "gloss": "Examples selected for preliminary checks of a system's behaviour.",
     "term": "trial dataset"
    }
   ],
   "prereq": [
    "prompting",
    "evalsets"
   ],
   "keywords": [
    "proof of concept",
    "Wizard of Oz prototyping",
    "evaluation dataset",
    "error analysis",
    "go/no-go criteria"
   ],
   "source_ids": [
    "applied-llms-2024"
   ],
   "url": "https://aiatlasgraph.com/t/aiprototyping",
   "markdown_url": "https://aiatlasgraph.com/t/aiprototyping.md",
   "updated": "2026-10-30"
  },
  "airegulation": {
   "id": "airegulation",
   "parent_id": "governance",
   "label": "Regulacje AI i klasy ryzyka (AI Act)",
   "canonical_name": "AI regulation and risk tiers (EU AI Act)",
   "description": "Prawo dzielące systemy AI według poziomu ryzyka — zakazane praktyki, wysokie ryzyko, obowiązki przejrzystości, ryzyko minimalne — z osobnymi obowiązkami dla dostawców modeli ogólnego przeznaczenia. W UE przepisy wchodzą etapami w latach 2025–2028.",
   "description_en": "Law that sorts AI systems by risk level — prohibited practices, high risk, transparency obligations, minimal risk — with separate duties for general-purpose model providers. In the EU the rules phase in over 2025–2028.",
   "examples": "AI Act · obowiązki GPAI · oznaczanie deepfake'ów · Digital Omnibus",
   "examples_en": "AI Act · GPAI obligations · deepfake labelling · Digital Omnibus",
   "plain": "To przepisy określające obowiązki i ograniczenia związane z zastosowaniem modeli oraz ryzykiem dla ludzi.",
   "plain_en": "These laws set obligations and restrictions based on how models are used and their risks to people.",
   "solves": "Nie wiesz, jakie obowiązki prawne dotyczą systemu, który zamierzasz udostępnić lub wykorzystać.",
   "solves_en": "You do not know which legal obligations apply to a system you plan to provide or use.",
   "does": "Przepisy rozróżniają zakazane zastosowania, poziomy ryzyka, przejrzystość i obowiązki dostawców; wymagania zależą od konkretnego systemu i twojej roli.",
   "does_en": "The rules distinguish prohibited uses, risk levels, transparency and provider duties; requirements depend on the particular system and your role.",
   "example": "Przed użyciem modelu do oceniania kandydatów sprawdzasz klasę ryzyka oraz wymagane dokumenty i nadzór.",
   "example_en": "Before using a model to evaluate job applicants, you check its risk category and required documentation and oversight.",
   "for_you": [
    "wprowadzasz system na rynek lub do organizacji",
    "zastosowanie może wpływać na prawa innych osób"
   ],
   "for_you_en": [
    "introduce a system to a market or organisation",
    "use a system that may affect people's rights"
   ],
   "how": "Zastosowanie systemu i rola podmiotu wyznaczają ocenę obowiązków, od zakazanych praktyk po wymagania ryzyka i przejrzystości. Dokumentacja, nadzór oraz procedury zgodności przekładają właściwe przepisy na działania w cyklu życia; modele ogólnego przeznaczenia mają odrębny reżim.",
   "how_en": "System use and organisational roles determine obligations, ranging from prohibited practices to risk and transparency requirements. Documentation, oversight and compliance procedures translate applicable rules into lifecycle actions; general-purpose models have a separate regime.",
   "limits": "Obowiązki zależą od jurysdykcji, zastosowania, roli i terminów stosowania przepisów. Etykieta ryzyka nie wystarcza do oceny konkretnego systemu; zmiany prawa oraz zastosowania wymagają aktualizacji analizy.",
   "limits_en": "Obligations depend on jurisdiction, use, roles and application dates. Risk labels alone cannot assess specific systems; legal and application changes require updated analysis.",
   "terms": [
    {
     "gloss": "Podmiot rozwijający lub wprowadzający system do obrotu w określonej roli prawnej.",
     "term": "dostawca systemu"
    },
    {
     "gloss": "Organizacja wykorzystująca system pod własną odpowiedzialnością w danym kontekście.",
     "term": "podmiot stosujący"
    },
    {
     "gloss": "Procedura sprawdzająca spełnienie właściwych wymagań dla określonego systemu.",
     "term": "ocena zgodności"
    }
   ],
   "terms_en": [
    {
     "gloss": "An entity developing or marketing a system within a specified legal role.",
     "term": "system provider"
    },
    {
     "gloss": "An organisation using a system under its responsibility in a specific context.",
     "term": "deployer"
    },
    {
     "gloss": "A procedure checking applicable requirements for a specified system.",
     "term": "conformity assessment"
    }
   ],
   "prereq": [
    "usecases",
    "modeldocs"
   ],
   "keywords": [
    "EU AI Act",
    "general-purpose AI",
    "high-risk AI systems",
    "conformity assessment",
    "AI literacy",
    "transparency obligations",
    "AI Office"
   ],
   "source_ids": [
    "eu-ai-act-regulatory-framework-2026"
   ],
   "url": "https://aiatlasgraph.com/t/airegulation",
   "markdown_url": "https://aiatlasgraph.com/t/airegulation.md",
   "updated": "2026-10-30"
  },
  "aiscience": {
   "id": "aiscience",
   "parent_id": null,
   "label": "AI w nauce",
   "canonical_name": "AI for science",
   "aliases": [
    "AI4Science",
    "AI for Science",
    "scientific machine learning",
    "nauka wspierana przez AI"
   ],
   "description": "Zastosowania głębokiego uczenia do problemów naukowych w skali kwantowej, atomowej i ciągłej: biocząsteczki, chemia, materiały, klimat i równania fizyki.",
   "description_en": "Deep learning applied to scientific problems at quantum, atomistic and continuum scales: biomolecules, chemistry, materials, climate and physical equations.",
   "plain": "Wykorzystanie uczenia maszynowego do odkryć w biologii, chemii, fizyce i naukach o Ziemi.",
   "plain_en": "Using machine learning to make discoveries in biology, chemistry, physics and the Earth sciences.",
   "solves": "Eksperymenty i symulacje fizyczne trwają miesiącami i dużo kosztują, a możliwych cząsteczek czy materiałów jest więcej, niż da się sprawdzić.",
   "solves_en": "Experiments and physical simulations take months and cost a lot, and there are more possible molecules or materials than anyone could ever test.",
   "does": "Model uczony na dawnych pomiarach działa jak szybki zwiad: wskazuje najbardziej obiecujących kandydatów, a laboratorium sprawdza tylko ich.",
   "does_en": "A model trained on past measurements acts like a fast scout: it points to the most promising candidates, and the lab only tests those.",
   "example": "Prognoza pogody na dziesięć dni policzona w minutę albo kształt nowego leku dopasowany na komputerze, zanim ktoś go zsyntetyzuje.",
   "example_en": "A ten-day weather forecast computed in a minute, or a new drug shaped on a computer before anyone synthesises it.",
   "for_you": [
    "pracujesz w laboratorium lub przy symulacjach naukowych",
    "chcesz wiedzieć, skąd biorą się nowe leki i materiały",
    "śledzisz, jak AI zmienia medycynę i energetykę"
   ],
   "for_you_en": [
    "work in a lab or with scientific simulations",
    "want to know where new drugs and materials come from",
    "follow how AI is changing medicine and energy"
   ],
   "how": "Modele uczą się na danych eksperymentalnych lub wynikach kosztownych symulacji (np. DFT, numeryczne prognozy pogody) i stają się szybkimi surogatami albo generatorami kandydatów. Kluczowe jest wbudowanie wiedzy fizycznej: symetrii, równań i oceny niepewności, a potem weryfikacja w laboratorium lub dokładną symulacją.",
   "how_en": "Models learn from experimental data or the outputs of expensive simulations (e.g. DFT, numerical weather prediction) and become fast surrogates or candidate generators. The key is building in physical knowledge — symmetries, equations and uncertainty estimates — and then verifying results in the lab or with accurate simulation.",
   "limits": "Dane naukowe są drogie, nierówne i obciążone metodą pomiaru. Modele słabo ekstrapolują poza zbadane obszary, a trafna predykcja nie zastępuje eksperymentu; walidacja laboratoryjna pozostaje wąskim gardłem.",
   "limits_en": "Scientific data is expensive, uneven and biased by measurement methods. Models extrapolate poorly beyond explored regions, and an accurate prediction does not replace an experiment; lab validation remains the bottleneck.",
   "terms": [
    {
     "gloss": "Szybki model zastępujący kosztowną symulację lub pomiar.",
     "term": "model surogatowy"
    },
    {
     "gloss": "Metoda obliczeń kwantowych dająca energie i siły atomów; częste źródło danych treningowych.",
     "term": "DFT"
    },
    {
     "gloss": "Założenia wbudowane w model, np. symetrie fizyczne, ułatwiające naukę z małej ilości danych.",
     "term": "inductive bias"
    },
    {
     "gloss": "Model sam wybiera, który kosztowny pomiar lub obliczenie wykonać następne.",
     "term": "aktywne uczenie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A fast model standing in for an expensive simulation or measurement.",
     "term": "surrogate model"
    },
    {
     "gloss": "A quantum calculation method giving atomic energies and forces; a common training-data source.",
     "term": "DFT"
    },
    {
     "gloss": "Assumptions built into a model, such as physical symmetries, that ease learning from little data.",
     "term": "inductive bias"
    },
    {
     "gloss": "The model chooses which costly measurement or calculation to run next.",
     "term": "active learning"
    }
   ],
   "prereq": [
    "diffusion",
    "transformerfamilies"
   ],
   "keywords": [
    "AlphaFold",
    "protein design",
    "molecular property prediction",
    "drug discovery",
    "machine learning interatomic potentials",
    "materials discovery",
    "ML weather prediction",
    "physics-informed neural networks",
    "neural operators",
    "equivariant neural networks",
    "self-driving labs",
    "AI scientist",
    "DeepChem",
    "OpenFold"
   ],
   "source_ids": [
    "ai4science-survey-2023",
    "nobel-chem-2024-embl"
   ],
   "url": "https://aiatlasgraph.com/t/aiscience",
   "markdown_url": "https://aiatlasgraph.com/t/aiscience.md",
   "updated": "2026-10-30"
  },
  "aiuipatterns": {
   "id": "aiuipatterns",
   "parent_id": "ux",
   "label": "Wzorce interfejsów AI (czat, copilot, akcja w tekście)",
   "canonical_name": "AI interface patterns",
   "description": "Powtarzalne formy, w jakich AI pojawia się w produkcie — od osobnego okna czatu, przez asystenta obok pracy, po akcje wbudowane w edytowany tekst — i kiedy która działa.",
   "description_en": "Recurring forms in which AI appears in a product — from a separate chat window, through a side assistant, to actions built into the text being edited — and when each works.",
   "examples": "okno czatu · panel boczny (copilot) · akcja inline · podpowiedzi startowe i szablony promptów",
   "examples_en": "chat window · side panel (copilot) · inline action · starter suggestions and prompt templates",
   "plain": "To różne sposoby umieszczania pomocy modelu w narzędziu, od rozmowy po podpowiedź przy konkretnym zadaniu.",
   "plain_en": "These are ways to place model assistance in a tool, from conversation to suggestions beside a particular task.",
   "solves": "Osobne okno rozmowy może wymagać ciągłego kopiowania treści i nie pasować do pracy wykonywanej w innym miejscu.",
   "solves_en": "A separate conversation window may require constant copying and may not fit work happening elsewhere.",
   "does": "Dobiera rozmowę, panel pomocniczy lub działanie przy zaznaczonym fragmencie, tak żeby użytkownik mógł przekazać kontekst i wykorzystać wynik.",
   "does_en": "It chooses conversation, a side panel or an action beside selected content so users can provide context and use the result.",
   "example": "Zaznaczasz akapit w edytorze i wybierasz skrócenie tekstu, a propozycja pojawia się obok miejsca, nad którym pracujesz.",
   "example_en": "You select a paragraph in an editor and choose to shorten it; the suggestion appears beside the text you are working on.",
   "for_you": [
    "wybierasz miejsce i formę pomocy w aplikacji",
    "chcesz ograniczyć przenoszenie kontekstu między oknami"
   ],
   "for_you_en": [
    "choose where and how assistance appears in an application",
    "want less context copying between windows"
   ],
   "how": "Wzorzec określa miejsce modelu względem zadania: osobną rozmowę, sugestię przy pracy albo bezpośrednią akcję w obiekcie. Projekt wiąże wejście, podgląd wyniku i zatwierdzenie z aktualnym kontekstem, ograniczając potrzebę jego ręcznego przenoszenia.",
   "how_en": "A pattern positions the model relative to the task: separate conversation, alongside-work suggestions or direct actions on objects. Design links inputs, previews and approval to current context, reducing manual context transfer.",
   "limits": "Czat wymaga wyrażenia celu słowami, a akcja lokalna może ukrywać zakres zmiany. Jeden wzorzec nie pasuje do wszystkich zadań; błędne powiązanie kontekstu prowadzi do niewłaściwych wyników.",
   "limits_en": "Chat requires verbalising goals, while local actions can hide change scope. No pattern fits every task; incorrect context binding produces unsuitable results.",
   "terms": [
    {
     "gloss": "Działanie modelu uruchamiane na wskazanym fragmencie lub obiekcie pracy.",
     "term": "akcja kontekstowa"
    },
    {
     "gloss": "Prezentacja proponowanego rezultatu przed jego zastosowaniem.",
     "term": "podgląd zmiany"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model action applied to a selected work fragment or object.",
     "term": "contextual action"
    },
    {
     "gloss": "Showing a proposed result before applying it.",
     "term": "change preview"
    }
   ],
   "prereq": [
    "workflows",
    "structured"
   ],
   "keywords": [
    "conversational UI",
    "inline suggestions",
    "prompt templates",
    "contextual actions",
    "change previews",
    "AI sidebars"
   ],
   "source_ids": [
    "shape-of-ai"
   ],
   "url": "https://aiatlasgraph.com/t/aiuipatterns",
   "markdown_url": "https://aiatlasgraph.com/t/aiuipatterns.md",
   "updated": "2026-10-30"
  },
  "aiusepolicy": {
   "id": "aiusepolicy",
   "parent_id": "adoption",
   "label": "Zasady korzystania z AI w firmie (shadow AI)",
   "canonical_name": "Organisational AI use policy and shadow AI",
   "description": "Ustalenie, z jakich narzędzi AI i z jakimi danymi pracownicy mogą korzystać, oraz jak przejść od nieoficjalnego używania prywatnych narzędzi do zatwierdzonych rozwiązań.",
   "description_en": "Defining which AI tools employees may use and with what data, and how to move from unofficial use of personal tools to approved solutions.",
   "examples": "lista zatwierdzonych narzędzi · klasy danych, których nie wolno wkleić · „bring your own AI”",
   "examples_en": "approved tool list · data classes that must not be pasted · \"bring your own AI\"",
   "plain": "To zasady określające, z jakich narzędzi opartych na modelach wolno korzystać i jakie dane można im przekazywać.",
   "plain_en": "These shared rules define which model tools people may use and what data they may provide.",
   "solves": "Pracownicy korzystają z różnych narzędzi, a poufne dane mogą trafiać do usług bez wiedzy i kontroli firmy.",
   "solves_en": "Staff use different tools, and confidential data may reach services without the organisation's knowledge or control.",
   "does": "Ustala zatwierdzone narzędzia, dozwolone dane i sposób zgłaszania potrzeb, pomagając przejść od prywatnych rozwiązań do uzgodnionych zasad.",
   "does_en": "It specifies approved tools, permitted data and how to request support, helping replace informal personal tools with agreed arrangements.",
   "example": "Zespół ustala, że do asystenta wolno wkleić publiczny opis produktu, a dane klienta wymagają osobno zatwierdzonego narzędzia.",
   "example_en": "A team agrees that an assistant may receive public product descriptions, while customer data requires a separately approved tool.",
   "for_you": [
    "zespół korzysta z narzędzi bez wspólnych zasad",
    "chcesz ustalić, jakie dane można przekazywać do usług"
   ],
   "for_you_en": [
    "work in a team using tools without shared rules",
    "want to define which data may be sent to services"
   ],
   "how": "Zasady wiążą klasy danych i typy zadań z zatwierdzonymi narzędziami, uprawnieniami oraz wymaganą kontrolą. Dostępna ścieżka zgłaszania potrzeb i wyjątków pozwala zastępować niejawne użycie rozwiązaniami objętymi odpowiedzialnością organizacji.",
   "how_en": "Policies connect data classes and task types to approved tools, permissions and required review. Accessible request and exception paths help replace unreported use with systems under organisational accountability.",
   "limits": "Zakaz bez użytecznej alternatywy może prowadzić do ukrytego użycia. Zasady muszą być zrozumiałe i aktualizowane; zatwierdzenie narzędzia nie czyni każdego zadania ani zestawu danych odpowiednim.",
   "limits_en": "Bans without useful alternatives can encourage hidden use. Policies need clarity and updates; tool approval does not make every task or dataset appropriate.",
   "terms": [
    {
     "gloss": "Użycie narzędzi AI poza wiedzą lub kontrolą organizacji.",
     "term": "shadow AI"
    },
    {
     "gloss": "Podział informacji według wrażliwości i dopuszczalnych sposobów przetwarzania.",
     "term": "klasyfikacja danych"
    }
   ],
   "terms_en": [
    {
     "gloss": "AI-tool use outside organisational awareness or control.",
     "term": "shadow AI"
    },
    {
     "gloss": "Grouping information by sensitivity and permitted processing methods.",
     "term": "data classification"
    }
   ],
   "prereq": [
    "privacy",
    "agentsecurity"
   ],
   "keywords": [
    "shadow AI",
    "BYOAI",
    "acceptable use policy",
    "data classification",
    "approved tool registry",
    "data retention policy"
   ],
   "source_ids": [
    "ms-work-trend-2024"
   ],
   "url": "https://aiatlasgraph.com/t/aiusepolicy",
   "markdown_url": "https://aiatlasgraph.com/t/aiusepolicy.md",
   "updated": "2026-10-30"
  },
  "alerttriage": {
   "id": "alerttriage",
   "parent_id": "secopsai",
   "label": "Triaż alertów i agenci śledczy",
   "canonical_name": "AI alert triage and investigation agents",
   "aliases": [
    "alert triage automation",
    "SOC investigation agents",
    "AI SOC analyst",
    "automatyczny triaż alertów",
    "alert fatigue reduction"
   ],
   "description": "Agenci językowi, którzy dla każdego alertu zbierają dowody z narzędzi bezpieczeństwa, oceniają jego wiarygodność i przygotowują uzasadniony werdykt.",
   "description_en": "Language agents that gather evidence from security tools for each alert, assess its credibility and prepare a justified verdict.",
   "plain": "Asystent, który dla każdego alarmu bezpieczeństwa sam zbiera informacje, sprawdza fakty i podpowiada, czy to prawdziwy atak.",
   "plain_en": "An assistant that, for each security alarm, gathers information, checks facts and suggests whether it is a real attack.",
   "solves": "Analitycy spędzają większość dyżuru na zamykaniu fałszywych alarmów i z przemęczenia przeoczają ten jeden prawdziwy.",
   "solves_en": "Analysts spend most of a shift closing false alarms and, worn out, miss the one real attack.",
   "does": "Jak pielęgniarka na izbie przyjęć: mierzy, pyta i sortuje pacjentów, a lekarz zajmuje się tymi, którzy naprawdę tego potrzebują.",
   "does_en": "Like a triage nurse in an emergency room: measures, asks and sorts patients, so the doctor sees those who really need it.",
   "example": "Alarm: nowy program na laptopie dyrektora; agent sprawdza podpis pliku, historię instalacji i reputację i zamyka sprawę jako aktualizację drukarki, z notatką.",
   "example_en": "Alert: a new program on a director's laptop; the agent checks the file signature, install history and reputation and closes it as a printer update, with notes.",
   "for_you": [
    "pracujesz na dyżurach w SOC",
    "budujesz agentów z wieloma narzędziami",
    "oceniasz narzędzia AI dla działu bezpieczeństwa"
   ],
   "for_you_en": [
    "work SOC shifts",
    "build agents with many tools",
    "evaluate AI tools for a security team"
   ],
   "how": "Agent dostaje alert i dostęp do narzędzi: zapytań do SIEM i EDR, baz reputacji, katalogu użytkowników. Planuje kroki dochodzenia, gromadzi dowody, a wynik w formie werdyktu z uzasadnieniem trafia do analityka. Układy wieloagentowe rozdzielają analizę zachowań, zbieranie dowodów i końcowe rozumowanie, co ułatwia audyt decyzji.",
   "how_en": "The agent receives an alert and tool access: SIEM and EDR queries, reputation databases, the user directory. It plans investigation steps and gathers evidence, and a verdict with reasoning goes to the analyst. Multi-agent setups split behaviour analysis, evidence gathering and final reasoning, which makes decisions easier to audit.",
   "limits": "Pojedynczy model gubi się w zaszumionych danych firmowych i bywa mało przejrzysty. Agent może pewnym tonem zamknąć prawdziwy incydent. Publicznych danych z prawdziwych dochodzeń jest bardzo mało, więc trudno rzetelnie porównać skuteczność rozwiązań.",
   "limits_en": "A single model gets lost in noisy enterprise data and is often opaque. An agent can confidently close a real incident. Public data from real investigations are very scarce, so solutions are hard to compare reliably.",
   "terms": [
    {
     "gloss": "Spadek czujności analityków przy nadmiarze alarmów.",
     "term": "zmęczenie alertami"
    },
    {
     "gloss": "Platforma automatyzująca powtarzalne kroki reagowania na incydenty.",
     "term": "SOAR"
    },
    {
     "gloss": "Spisana procedura postępowania dla danego typu alertu.",
     "term": "playbook"
    }
   ],
   "terms_en": [
    {
     "gloss": "Analysts losing vigilance when flooded with alarms.",
     "term": "alert fatigue"
    },
    {
     "gloss": "A platform automating repetitive incident response steps.",
     "term": "SOAR"
    },
    {
     "gloss": "A written procedure for handling a given alert type.",
     "term": "playbook"
    }
   ],
   "prereq": [
    "subagents",
    "makerchecker"
   ],
   "keywords": [
    "alert triage",
    "agentic SOC",
    "SOAR",
    "SIEM",
    "EDR",
    "multi-agent investigation",
    "CORTEX",
    "SIR-Bench"
   ],
   "source_ids": [
    "wei-cortex-alert-triage-2025",
    "habibzadeh-llm-soc-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/alerttriage",
   "markdown_url": "https://aiatlasgraph.com/t/alerttriage.md",
   "updated": "2026-10-30"
  },
  "alignment": {
   "id": "alignment",
   "parent_id": "safety",
   "label": "Alignment i safety",
   "canonical_name": "Alignment and safety",
   "description": "Dopasowanie zachowania modelu do zamierzonych celów i ograniczeń: jak je wytrenować, jak nadzorować modele silniejsze od ludzi i jak wykryć, że model obchodzi cel lub ukrywa zamiary.",
   "description_en": "Aligning model behaviour with intended goals and limits: how to train it, how to oversee models stronger than humans, and how to detect a model gaming its objective or hiding its intent.",
   "examples": "Constitutional AI · skalowalny nadzór · reward hacking · alignment faking",
   "examples_en": "Constitutional AI · scalable oversight · reward hacking · alignment faking",
   "plain": "To uczenie i nadzorowanie modeli tak, żeby ich zachowanie odpowiadało zamierzonym celom oraz ograniczeniom.",
   "plain_en": "This trains and oversees models so their behaviour follows intended goals and constraints.",
   "solves": "Model może zdobywać dobry wynik testu lub aprobatę człowieka, robiąc coś sprzecznego z rzeczywistą intencją.",
   "solves_en": "A model can earn high test scores or human approval while acting against the actual intention.",
   "does": "Łączy zasady treningu, oceny, nadzór i testy obchodzenia celów; zgodność zachowania trzeba sprawdzać w różnych warunkach.",
   "does_en": "It combines training principles, evaluation, oversight and tests for goal evasion; behaviour must be checked under different conditions.",
   "example": "Uczysz asystenta pomagać klientom, jednocześnie sprawdzając, czy nie potwierdza błędnych informacji tylko po to, żeby ich zadowolić.",
   "example_en": "You train an assistant to help customers while checking that it does not endorse false information merely to please them.",
   "for_you": [
    "określasz cele i granice zachowania modelu",
    "dobry wynik nie wystarcza do oceny jego działania"
   ],
   "for_you_en": [
    "define a model's goals and behavioural limits",
    "need to assess behaviour beyond a high score"
   ],
   "how": "Cele zachowania przekłada się na dane nadzorowane, preferencje, nagrody i ograniczenia wykonania. Trening zmienia politykę modelu, a niezależne ewaluacje oraz nadzór sprawdzają, czy optymalizowany sygnał odpowiada zamierzonemu rezultatowi.",
   "how_en": "Behaviour goals are translated into supervised data, preferences, rewards and execution constraints. Training changes model policies, while independent evaluations and oversight check whether optimised signals match intended outcomes.",
   "limits": "Specyfikacja celu jest niepełna, a oceny nadzorców zawodzą. Poprawa w znanych testach może nie przenosić się na nowe warunki; silna optymalizacja ujawnia luki sygnału uczącego.",
   "limits_en": "Objectives are incomplete and supervisor assessments fail. Gains on known tests may not transfer to new conditions; strong optimisation exposes learning-signal loopholes.",
   "terms": [
    {
     "gloss": "Zbieżność zachowania systemu z zamierzonym rezultatem i ograniczeniami.",
     "term": "zgodność celu"
    },
    {
     "gloss": "Informacja używana do kierowania treningiem lub oceniania zachowania.",
     "term": "sygnał nadzoru"
    }
   ],
   "terms_en": [
    {
     "gloss": "Agreement between system behaviour and intended outcomes and constraints.",
     "term": "goal alignment"
    },
    {
     "gloss": "Information used to guide training or assess behaviour.",
     "term": "oversight signal"
    }
   ],
   "prereq": [
    "policygradient",
    "evalsets"
   ],
   "keywords": [
    "RLAIF",
    "RLHF",
    "AI debate",
    "weak-to-strong generalization",
    "specification gaming",
    "sycophancy",
    "alignment faking",
    "reward model auditing"
   ],
   "source_ids": [
    "nist",
    "fsdl",
    "dlai",
    "bluedot-technical-ai-safety"
   ],
   "url": "https://aiatlasgraph.com/t/alignment",
   "markdown_url": "https://aiatlasgraph.com/t/alignment.md",
   "updated": "2026-10-30"
  },
  "ambient": {
   "id": "ambient",
   "parent_id": "agentsnode",
   "label": "Agenci w tle",
   "canonical_name": "Ambient and scheduled agents",
   "description": "Agenci budzący się sami: według harmonogramu albo gdy coś się zmieni.",
   "description_en": "Agents that wake up on their own: on a schedule or when something changes.",
   "examples": "harmonogram · monitor · milczenie, gdy nic nowego",
   "examples_en": "schedule · monitor · silent when nothing is new",
   "plain": "To asystenci, którzy sprawdzają sprawy o ustalonej porze lub uruchamiają się po zmianie.",
   "plain_en": "These assistants check things on a schedule or start working when something changes.",
   "solves": "Musisz ciągle zaglądać do tych samych miejsc, żeby zauważyć zmianę lub przypomnieć sobie o zadaniu.",
   "solves_en": "You keep checking the same places to notice a change or remember that a task needs attention.",
   "does": "Harmonogram lub wykryta zmiana uruchamia pracę, a ustalone reguły wskazują, kiedy wysłać powiadomienie.",
   "does_en": "A schedule or detected change triggers the work, while chosen rules determine when a notification should reach you.",
   "example": "Asystent sprawdza dostępność wybranego biletu i daje znać, gdy pojawi się oferta spełniająca twoje warunki.",
   "example_en": "An assistant watches ticket availability and notifies you when an offer meets your conditions.",
   "for_you": [
    "wciąż sprawdzasz, czy pojawiło się coś nowego",
    "chcesz powiadomień tylko wtedy, gdy trzeba zareagować"
   ],
   "for_you_en": [
    "keep checking whether something new has appeared",
    "want notifications only when something needs your attention"
   ],
   "how": "Harmonogram lub monitor zdarzeń uruchamia agenta z zapisanym celem i stanem poprzedniej kontroli. Agent porównuje nowe dane z tym stanem, wykonuje potrzebne kroki i zapisuje checkpoint na kolejne uruchomienie.",
   "how_en": "A schedule or event monitor starts an agent with a stored goal and the previous check's state. The agent compares new data with that state, performs necessary steps and saves a checkpoint for the next run.",
   "limits": "Ponowienia i nakładające się uruchomienia mogą dublować działania. Potrzebne są blokady lub idempotencja, kontrola zaległych zadań i wyraźne warunki wysyłania powiadomień.",
   "limits_en": "Retries and overlapping runs can duplicate actions. Locks or idempotency, backlog controls and explicit notification conditions are needed.",
   "terms": [
    {
     "gloss": "Zdarzenie lub termin uruchamiający zadanie.",
     "term": "wyzwalacz"
    },
    {
     "gloss": "Zapis stanu umożliwiający kontynuację przy kolejnym uruchomieniu.",
     "term": "checkpoint"
    },
    {
     "gloss": "Ponowne wykonanie operacji nie powoduje kolejnego skutku.",
     "term": "idempotencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "An event or scheduled time that starts a task.",
     "term": "trigger"
    },
    {
     "gloss": "Stored state that lets a later run continue.",
     "term": "checkpoint"
    },
    {
     "gloss": "Repeating an operation does not produce another effect.",
     "term": "idempotency"
    }
   ],
   "prereq": [
    "eventdriven",
    "workflows"
   ],
   "keywords": [
    "cron scheduling",
    "event triggers",
    "checkpointing",
    "idempotency",
    "change detection"
   ],
   "source_ids": [
    "machina-x-agents"
   ],
   "url": "https://aiatlasgraph.com/t/ambient",
   "markdown_url": "https://aiatlasgraph.com/t/ambient.md",
   "updated": "2026-10-30"
  },
  "ambientscribe": {
   "id": "ambientscribe",
   "parent_id": "clinicaldocs",
   "label": "Automatyczne notatki z wizyty (ambient scribe)",
   "canonical_name": "Ambient clinical documentation (AI scribes)",
   "aliases": [
    "AI scribe",
    "ambient AI scribe",
    "digital scribe",
    "ambient clinical intelligence",
    "asystent dokumentacji wizyty"
   ],
   "description": "Systemy, które z nagrania wizyty generują ustrukturyzowaną notatkę kliniczną (np. SOAP) do przeglądu i podpisu przez klinicystę.",
   "description_en": "Systems that turn a visit recording into a structured clinical note (e.g. SOAP) for the clinician to review and sign.",
   "plain": "Program słucha rozmowy lekarza z pacjentem i przygotowuje szkic notatki do karty, który lekarz sprawdza i zatwierdza.",
   "plain_en": "Software that listens to the doctor–patient conversation and drafts the note for the record, which the doctor checks and signs.",
   "solves": "Lekarze piszą notatki w trakcie wizyty albo wieczorami, przez co mniej słuchają pacjenta i szybciej się wypalają.",
   "solves_en": "Doctors type notes during visits or late in the evening, so they listen less to patients and burn out faster.",
   "does": "Jak protokolant, który od razu układa wypowiedzi w rubryki: wywiad, badanie, wyniki i plan leczenia.",
   "does_en": "Like a stenographer who sorts what was said straight into sections: history, exam, results and treatment plan.",
   "example": "Lekarka rodzinna prosi o zgodę na nagrywanie, rozmawia z pacjentem twarzą w twarz, a po wizycie poprawia dwa zdania w gotowym szkicu.",
   "example_en": "A family doctor asks for consent to record, talks to the patient face to face, and afterwards fixes two sentences in the ready draft.",
   "for_you": [
    "lekarz pyta cię o zgodę na nagrywanie wizyty",
    "sam piszesz dokumentację po każdej wizycie"
   ],
   "for_you_en": [
    "your doctor asks to record the visit",
    "write up notes yourself after every visit"
   ],
   "how": "Potok obejmuje nagranie, diaryzację mówców i rozpoznawanie mowy, a następnie model językowy, który wyciąga fakty i pisze sekcje notatki: wywiad, badanie, wyniki oraz ocenę i plan. Ocena łączy metryki tekstowe (ROUGE, BERTScore), miary pojęć medycznych i przegląd lekarzy pod kątem pominięć i halucynacji.",
   "how_en": "The pipeline covers recording, speaker diarisation and speech recognition, then a language model that extracts facts and writes note sections: history, exam, results, and assessment and plan. Evaluation combines text metrics (ROUGE, BERTScore), medical-concept measures and physician review for omissions and hallucinations.",
   "limits": "W randomizowanym badaniu jednego ośrodka tylko jeden z dwóch testowanych systemów istotnie skrócił czas pisania notatek; lekarze raportowali okazjonalne klinicznie istotne nieścisłości. Wyniki wymagają potwierdzenia w większych badaniach wieloośrodkowych. Nagrywanie wymaga zgody pacjenta i rygorystycznej ochrony danych.",
   "limits_en": "In a single-centre randomised trial, only one of two tested systems significantly reduced note-writing time; clinicians reported occasional clinically significant inaccuracies. Larger multi-centre studies are needed. Recording requires patient consent and strict data protection.",
   "terms": [
    {
     "gloss": "Rozdzielenie nagrania na wypowiedzi poszczególnych osób.",
     "term": "diaryzacja"
    },
    {
     "gloss": "Układ notatki: objawy, badanie, ocena i plan.",
     "term": "notatka SOAP"
    },
    {
     "gloss": "Ważna informacja z rozmowy, której zabrakło w notatce.",
     "term": "pominięcie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Splitting a recording into each speaker's turns.",
     "term": "diarisation"
    },
    {
     "gloss": "Note layout: subjective, objective, assessment and plan.",
     "term": "SOAP note"
    },
    {
     "gloss": "Important information from the visit missing from the note.",
     "term": "omission"
    }
   ],
   "prereq": [
    "asr",
    "summarization"
   ],
   "keywords": [
    "ACI-BENCH",
    "SOAP note",
    "speaker diarization",
    "clinical note generation",
    "medical ASR",
    "MEDIQA-Chat",
    "DAX Copilot",
    "Nabla"
   ],
   "source_ids": [
    "aci-bench-2023",
    "ucla-ai-scribes-rct-2025"
   ],
   "url": "https://aiatlasgraph.com/t/ambientscribe",
   "markdown_url": "https://aiatlasgraph.com/t/ambientscribe.md",
   "updated": "2026-10-30"
  },
  "amlkyc": {
   "id": "amlkyc",
   "parent_id": "finance",
   "label": "Przeciwdziałanie praniu pieniędzy i weryfikacja klientów (AML/KYC)",
   "canonical_name": "Anti-money laundering and customer verification (AML/KYC)",
   "aliases": [
    "AML",
    "KYC",
    "anti-money laundering",
    "financial crime compliance",
    "przeciwdziałanie praniu pieniędzy",
    "RegTech"
   ],
   "description": "Uczenie maszynowe w zgodności finansowej: monitorowanie transakcji pod kątem prania pieniędzy, analiza grafów przepływów i zdalna weryfikacja tożsamości.",
   "description_en": "Machine learning in financial-crime compliance: transaction monitoring for money laundering, flow-graph analysis and remote identity verification.",
   "plain": "Narzędzia, które pomagają bankom sprawdzić, kim jest klient, i wyłapać pieniądze pochodzące z przestępstw.",
   "plain_en": "Tools that help banks check who a customer really is and catch money that comes from crime.",
   "solves": "Przestępcy ukrywają brudne pieniądze w milionach zwykłych przelewów, a systemy oparte na samych regułach zalewają banki fałszywymi alarmami.",
   "solves_en": "Criminals hide dirty money among millions of ordinary transfers, and rule-only systems bury banks in false alarms.",
   "does": "Jak detektyw śledzący drogę pieniędzy: łączy konta, osoby i przelewy w sieć powiązań i szuka w niej podejrzanych kształtów.",
   "does_en": "Like a detective following the money: links accounts, people and transfers into a web and looks for suspicious shapes in it.",
   "example": "Kilkanaście świeżo otwartych kont przelewa sobie w ciągu jednego dnia okrągłe kwoty po kolei; system łączy je w jedną sprawę dla analityka.",
   "example_en": "A dozen newly opened accounts pass round sums along a chain within one day; the system bundles them into one case for an analyst.",
   "for_you": [
    "zakładasz konto przez internet z selfie i dowodem",
    "pracujesz w dziale zgodności banku lub fintechu",
    "bank pyta cię o źródło pieniędzy"
   ],
   "for_you_en": [
    "open an account online with a selfie and ID",
    "work in compliance at a bank or fintech",
    "get asked by your bank where your money came from"
   ],
   "how": "Klasyczne monitorowanie opiera się na regułach i scenariuszach; ML dodaje modele priorytetyzujące alerty, segmentację klientów, wykrywanie anomalii i analizę grafu transakcji. Przy otwieraniu konta modele wizyjne porównują twarz z dokumentem i sprawdzają, czy przed kamerą jest żywa osoba.",
   "how_en": "Classic monitoring relies on rules and scenarios; ML adds alert-prioritisation models, customer segmentation, anomaly detection and transaction-graph analysis. At onboarding, vision models match the face to the ID document and check that a live person is in front of the camera.",
   "limits": "Prawdziwe etykiety są rzadkie i niepełne, bo większość prania pieniędzy nie zostaje wykryta. Dane są poufne i rozproszone między bankami. Nadzór wymaga uzasadnienia decyzji, a deepfake'i podważają zdalną weryfikację.",
   "limits_en": "True labels are rare and incomplete, because most laundering goes undetected. Data are confidential and split across banks. Supervisors expect decisions to be justified, and deepfakes undermine remote verification.",
   "terms": [
    {
     "gloss": "Zgłoszenie podejrzanej transakcji do jednostki analityki finansowej.",
     "term": "SAR"
    },
    {
     "gloss": "Sprawdzenie tożsamości i profilu ryzyka klienta.",
     "term": "due diligence klienta"
    },
    {
     "gloss": "Alert, który po analizie okazał się niewinny.",
     "term": "fałszywy alarm"
    }
   ],
   "terms_en": [
    {
     "gloss": "A suspicious activity report sent to the financial intelligence unit.",
     "term": "SAR"
    },
    {
     "gloss": "Checking a customer's identity and risk profile.",
     "term": "customer due diligence"
    },
    {
     "gloss": "An alert that turns out innocent after review.",
     "term": "false positive"
    }
   ],
   "prereq": [
    "anomalydetection",
    "gnn"
   ],
   "keywords": [
    "transaction monitoring",
    "AML alert triage",
    "graph analytics",
    "Elliptic dataset",
    "IBM AML dataset",
    "eKYC",
    "liveness detection",
    "FATF",
    "sanctions screening",
    "entity resolution"
   ],
   "source_ids": [
    "altman-aml-synthetic-2023",
    "fatf-digital-id-2020",
    "fincen-deepfake-alert-2024"
   ],
   "url": "https://aiatlasgraph.com/t/amlkyc",
   "markdown_url": "https://aiatlasgraph.com/t/amlkyc.md",
   "updated": "2026-10-30"
  },
  "amlmonitoring": {
   "id": "amlmonitoring",
   "parent_id": "amlkyc",
   "label": "Monitorowanie transakcji i priorytetyzacja alertów AML",
   "canonical_name": "AML transaction monitoring and alert triage",
   "aliases": [
    "transaction monitoring",
    "alert triage",
    "AML alert scoring",
    "monitorowanie transakcji"
   ],
   "description": "Wykrywanie podejrzanych wzorców (rozdrabnianie wpłat, lejki, cykle) w strumieniu transakcji i ranking alertów do ręcznej analizy.",
   "description_en": "Detecting suspicious patterns (structuring, fan-in, cycles) in transaction streams and ranking alerts for manual review.",
   "plain": "Systemy przeglądające przelewy w poszukiwaniu wzorców typowych dla prania pieniędzy i układające alarmy od najpilniejszych.",
   "plain_en": "Systems that scan transfers for patterns typical of money laundering and rank the alerts from most urgent down.",
   "solves": "Analitycy toną w alarmach z reguł, z których zdecydowana większość okazuje się niewinna, a prawdziwe sprawy czekają w kolejce.",
   "solves_en": "Analysts drown in rule alerts, most of which prove innocent, while real cases wait in the queue.",
   "does": "Jak sortownia na poczcie: wszystkie przesyłki przechodzą przez skaner, a najbardziej podejrzane lądują na osobnym stole.",
   "does_en": "Like a mail sorting room: every parcel goes through the scanner and the most suspicious ones land on a separate table.",
   "example": "Firma bez pracowników co tydzień dostaje wpłaty od dziesiątek osób i od razu wysyła je za granicę; system przesuwa ją na szczyt listy.",
   "example_en": "A company with no staff receives payments from dozens of people every week and sends them straight abroad; the system moves it to the top of the list.",
   "for_you": [
    "pracujesz z alertami w dziale zgodności",
    "prowadzisz firmę z dużą liczbą przelewów"
   ],
   "for_you_en": [
    "work with alerts in a compliance team",
    "run a business with many transfers"
   ],
   "how": "Reguły scenariuszowe, np. rozdrabnianie wpłat poniżej progu, generują alerty, a model nadzorowany uczony na historii decyzji analityków nadaje im priorytet. Uzupełniają to wykrywanie anomalii na profilu klienta i cechy z grafu przepływów. Brak pełnych etykiet łagodzą syntetyczne zbiory z symulacji agentowej, w których każde pranie jest oznaczone.",
   "how_en": "Scenario rules, such as structuring deposits below a threshold, raise alerts, and a supervised model trained on past analyst decisions prioritises them. Anomaly detection on customer profiles and flow-graph features complement this. Missing labels are eased by synthetic agent-based datasets in which every laundering act is labelled.",
   "limits": "Model uczony na decyzjach analityków powiela ich nawyki i nie widzi metod, których nikt dotąd nie wykrył. Wyniki na danych syntetycznych nie przenoszą się wprost na prawdziwe. Nadzorca oczekuje, że zamknięcie każdego alertu da się uzasadnić.",
   "limits_en": "A model trained on analyst decisions copies their habits and misses methods nobody has caught yet. Results on synthetic data do not transfer directly to real data. Supervisors expect every closed alert to be justified.",
   "terms": [
    {
     "gloss": "Rozbijanie dużej kwoty na wiele drobnych wpłat poniżej progu zgłoszenia.",
     "term": "smurfing"
    },
    {
     "gloss": "Układanie alertów w kolejności pilności do sprawdzenia.",
     "term": "triaż alertów"
    },
    {
     "gloss": "Wygenerowane transakcje, w których wiadomo dokładnie, które są praniem.",
     "term": "dane syntetyczne"
    }
   ],
   "terms_en": [
    {
     "gloss": "Splitting a large sum into many small deposits below the reporting threshold.",
     "term": "smurfing"
    },
    {
     "gloss": "Ordering alerts by how urgently they need checking.",
     "term": "alert triage"
    },
    {
     "gloss": "Generated transactions where we know exactly which are laundering.",
     "term": "synthetic data"
    }
   ],
   "prereq": [
    "anomalydetection",
    "synthetic"
   ],
   "keywords": [
    "IBM AML dataset",
    "AMLworld",
    "structuring detection",
    "alert prioritization",
    "rule-based scenarios",
    "customer risk scoring",
    "synthetic transactions"
   ],
   "source_ids": [
    "altman-aml-synthetic-2023"
   ],
   "url": "https://aiatlasgraph.com/t/amlmonitoring",
   "markdown_url": "https://aiatlasgraph.com/t/amlmonitoring.md",
   "updated": "2026-10-30"
  },
  "annotation": {
   "id": "annotation",
   "parent_id": "data",
   "label": "Etykietowanie i feedback",
   "canonical_name": "Annotation and feedback",
   "description": "Tworzenie odpowiedzi wzorcowych i ocen.",
   "description_en": "Producing reference answers and judgements.",
   "examples": "Anotacja · pary preferencji",
   "examples_en": "Annotation · preference pairs",
   "plain": "To oznaczanie przykładów i ocenianie odpowiedzi, żeby pokazać modelowi, co uznajemy za właściwe.",
   "plain_en": "This labels examples and rates answers to show a model what counts as a suitable result.",
   "solves": "Same zdjęcia lub wiadomości nie mówią modelowi, które odpowiedzi uznajesz za poprawne.",
   "solves_en": "Photos or messages alone do not tell a model which answers you consider correct.",
   "does": "Osoby lub programy przypisują kategorię, zapisują wzorcową odpowiedź albo wybierają lepszy wynik spośród kilku propozycji.",
   "does_en": "People or programs assign a category, provide a reference answer or choose the better result from several proposals.",
   "example": "Oznaczasz wiadomości od klientów jako pytania, reklamacje lub prośby o zmianę, zanim nauczysz model je rozdzielać.",
   "example_en": "You mark customer messages as questions, complaints or change requests before teaching a model to sort them.",
   "for_you": [
    "masz przykłady, ale brakuje im poprawnych odpowiedzi",
    "chcesz przekazać modelowi, które wyniki są lepsze"
   ],
   "for_you_en": [
    "have examples without correct answers attached",
    "want to show a model which results are better"
   ],
   "how": "Instrukcja anotacji przekłada cel zadania na kategorie, odpowiedzi lub preferencje. Niezależne oceny, rozstrzyganie sporów i kontrolne próbki tworzą sygnał nadzorujący wraz z informacją o jego niepewności.",
   "how_en": "Annotation instructions translate the task objective into categories, answers or preferences. Independent judgements, adjudication and control samples produce a supervision signal with information about its uncertainty.",
   "limits": "Zgodność ocen nie dowodzi ich poprawności. Niejednoznaczne kategorie i wspólne uprzedzenia anotatorów mogą utrwalić błąd; trudne przypadki wymagają czasu i wiedzy dziedzinowej.",
   "limits_en": "Agreement does not prove correctness. Ambiguous categories and shared annotator biases can reinforce errors; difficult cases require time and domain knowledge.",
   "terms": [
    {
     "gloss": "Przypisywanie przykładom ocen według ustalonych zasad.",
     "term": "anotacja"
    },
    {
     "gloss": "Ustalanie oceny referencyjnej po porównaniu sprzecznych anotacji.",
     "term": "rozstrzyganie sporów"
    }
   ],
   "terms_en": [
    {
     "gloss": "Assigning judgements to examples under specified rules.",
     "term": "annotation"
    },
    {
     "gloss": "Resolving conflicting annotations to establish a reference judgement.",
     "term": "adjudication"
    }
   ],
   "prereq": [
    "supervised"
   ],
   "keywords": [
    "annotation guidelines",
    "preference pairs",
    "labeling functions",
    "human adjudication",
    "inter-annotator agreement",
    "control samples",
    "label noise",
    "active learning"
   ],
   "source_ids": [
    "fsdl",
    "cs336"
   ],
   "url": "https://aiatlasgraph.com/t/annotation",
   "markdown_url": "https://aiatlasgraph.com/t/annotation.md",
   "updated": "2026-10-30"
  },
  "annotationguidelines": {
   "id": "annotationguidelines",
   "parent_id": "annotation",
   "label": "Zgodność anotatorów",
   "canonical_name": "Inter-annotator agreement",
   "aliases": [
    "inter-annotator agreement",
    "inter-coder agreement",
    "Cohen's kappa",
    "Krippendorff's alpha"
   ],
   "description": "Mierzenie, na ile niezależni anotatorzy przypisują zgodne etykiety, z uwzględnieniem zgodności przypadkowej. Niski wynik wymaga diagnozy: może wynikać z niejasnych kategorii, subiektywności zadania, rozkładu klas albo źle dobranego współczynnika.",
   "description_en": "Measuring how consistently independent annotators assign labels while accounting for chance agreement. A low score requires diagnosis: it may reflect unclear categories, task subjectivity, class distribution, or an unsuitable agreement coefficient.",
   "examples": "Kappa Cohena · pi Scotta · alfa Krippendorffa · współczynniki ważone",
   "examples_en": "Cohen's kappa · Scott's pi · Krippendorff's alpha · weighted coefficients",
   "plain": "To sprawdzanie, na ile różne osoby podobnie oceniają te same przykłady.",
   "plain_en": "This checks how consistently different people judge the same examples.",
   "solves": "Ta sama wiadomość dostaje różne oznaczenia, więc trudno ustalić wiarygodne odpowiedzi do nauki i sprawdzania modelu.",
   "solves_en": "The same message receives different labels, making reliable learning examples and model tests hard to establish.",
   "does": "Porównuje niezależne oceny, uwzględniając zgodność przypadkową; rozbieżności pomagają zauważyć niejasne kategorie lub trudne przypadki.",
   "does_en": "It compares independent ratings while accounting for chance agreement; disagreements can reveal unclear categories or difficult cases.",
   "example": "Przed uczeniem asystenta prosisz różne osoby o ocenę tych samych reklamacji i sprawdzasz, które wiadomości budzą rozbieżne oceny.",
   "example_en": "Before training an assistant, you ask different people to rate the same complaints and check which messages receive conflicting judgements.",
   "for_you": [
    "kilka osób ocenia te same materiały",
    "chcesz sprawdzić, czy kategorie są rozumiane podobnie"
   ],
   "for_you_en": [
    "have several people judging the same material",
    "want to check whether categories are understood consistently"
   ],
   "how": "Te same przykłady otrzymują niezależne oceny, a współczynnik porównuje zgodność obserwowaną z odpowiednią zgodnością oczekiwaną. Dobór miary zależy od liczby anotatorów, skali ocen i brakujących danych.",
   "how_en": "The same examples receive independent judgements, and a coefficient compares observed agreement with an appropriate expected agreement. Metric selection depends on annotator count, rating scale and missing data.",
   "limits": "Wynik zależy od rozkładu kategorii i założeń współczynnika. Niska zgodność może wskazywać niejasne zadanie lub subiektywność; wysoka nie zastępuje kontroli poprawności.",
   "limits_en": "Results depend on category prevalence and coefficient assumptions. Low agreement may reflect an unclear or subjective task; high agreement cannot replace correctness checks.",
   "terms": [
    {
     "gloss": "Współczynnik zgodności ocen uwzględniający określony model zgodności przypadkowej.",
     "term": "kappa"
    },
    {
     "gloss": "Miara zgodności obsługująca wielu anotatorów, różne skale i brakujące oceny.",
     "term": "alfa Krippendorffa"
    }
   ],
   "terms_en": [
    {
     "gloss": "An agreement coefficient accounting for a specified model of chance agreement.",
     "term": "kappa"
    },
    {
     "gloss": "An agreement measure supporting multiple annotators, different scales and missing ratings.",
     "term": "Krippendorff's alpha"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "Cohen's kappa",
    "Scott's pi",
    "Krippendorff's alpha",
    "Fleiss' kappa",
    "weighted kappa",
    "percent agreement"
   ],
   "source_ids": [
    "artstein-poesio-2008"
   ],
   "url": "https://aiatlasgraph.com/t/annotationguidelines",
   "markdown_url": "https://aiatlasgraph.com/t/annotationguidelines.md",
   "updated": "2026-10-30"
  },
  "anomalydetection": {
   "id": "anomalydetection",
   "parent_id": "timeseries",
   "label": "Wykrywanie anomalii i nowości",
   "canonical_name": "Outlier and novelty detection",
   "description": "Znajdowanie przykładów, które nie pasują do reszty danych (outliery) albo do tego, co model widział wcześniej (nowości), np. oszustw, awarii czy nietypowych odczytów.",
   "description_en": "Finding examples that do not fit the rest of the data (outliers) or what the model has seen before (novelties), e.g. fraud, failures or unusual readings.",
   "examples": "Isolation Forest · Local Outlier Factor · One-Class SVM",
   "examples_en": "Isolation Forest · Local Outlier Factor · One-Class SVM",
   "plain": "To wskazywanie przykładów, które nie pasują do reszty danych lub wcześniejszych obserwacji.",
   "plain_en": "This flags examples that do not fit the rest of the data or earlier observations.",
   "solves": "Nietypowe zdarzenia giną w dużej liczbie zwykłych odczytów i trudno ręcznie wychwycić każde z nich.",
   "solves_en": "Unusual events get lost among many ordinary readings, making each one hard to spot manually.",
   "does": "Porównuje nowe przypadki z otoczeniem lub wyuczonym wzorcem i oznacza odstępstwa do sprawdzenia; nietypowość sama nie dowodzi awarii ani oszustwa.",
   "does_en": "It compares cases with neighbours or a learned pattern and flags departures for checking; being unusual alone does not establish failure or fraud.",
   "example": "Czujnik urządzenia pokazuje drgania inne niż zwykle; system zwraca uwagę na odczyt, a człowiek sprawdza jego przyczynę.",
   "example_en": "Equipment vibrations differ from the usual pattern; a system flags the reading and a person checks its cause.",
   "for_you": [
    "masz wiele odczytów i szukasz nietypowych przypadków",
    "chcesz kierować uwagę na zdarzenia wymagające sprawdzenia"
   ],
   "for_you_en": [
    "have many readings and seek unusual cases",
    "want attention directed to events needing examination"
   ],
   "how": "Model normalnego zachowania wylicza odległość, małą gęstość lub błąd rekonstrukcji i prognozy. Próg oparty na danych kontrolnych wyznacza przypadki do sprawdzenia, z uwzględnieniem kontekstu czasowego i kosztu alarmów.",
   "how_en": "A normal-behaviour model computes distance, low density or reconstruction and forecast errors. A threshold based on control data identifies cases for review, considering temporal context and alarm costs.",
   "limits": "Rzadkość nie dowodzi awarii ani nadużycia. Zmienny rozkład i niedostępne etykiety utrudniają strojenie progu; częste alarmy mogą przesłaniać ważne zdarzenia.",
   "limits_en": "Rarity does not prove failure or misuse. Changing distributions and unavailable labels complicate threshold tuning; frequent alarms can obscure important events.",
   "terms": [
    {
     "gloss": "Ocena stopnia nietypowości przykładu względem przyjętego modelu.",
     "term": "score anomalii"
    },
    {
     "gloss": "Wykrywanie nowych przypadków przy modelu dopasowanym do danych uznanych za normalne.",
     "term": "novelty detection"
    }
   ],
   "terms_en": [
    {
     "gloss": "A measure of example unusualness relative to a chosen model.",
     "term": "anomaly score"
    },
    {
     "gloss": "Detecting new cases using a model fitted to presumed normal data.",
     "term": "novelty detection"
    }
   ],
   "prereq": [
    "distributions",
    "classmetrics"
   ],
   "keywords": [
    "Isolation Forest",
    "Local Outlier Factor",
    "One-Class SVM",
    "anomaly scores",
    "contamination threshold"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "sklearn-outliers"
   ],
   "url": "https://aiatlasgraph.com/t/anomalydetection",
   "markdown_url": "https://aiatlasgraph.com/t/anomalydetection.md",
   "updated": "2026-10-30"
  },
  "antipersistence": {
   "id": "antipersistence",
   "parent_id": "memory",
   "label": "Nietrwałe wskazówki w pamięci agentów",
   "canonical_name": "Anti-Persistence for agent memory",
   "aliases": [
    "Anti-Persistence"
   ],
   "description": "Projekt pamięci, który gromadzi trajektorie i wyniki, a syntetyzuje tymczasowe wskazówki na żądanie i odrzuca je po wykonaniu.",
   "description_en": "A memory design that accumulates trajectories and outcomes, synthesizes temporary guidance on demand, and discards it after execution.",
   "plain": "Asystent gromadzi surowe zapisy prób, ale tworzy tymczasowe wskazówki na każde zadanie i od razu je wyrzuca.",
   "plain_en": "The assistant stores raw trial records but builds temporary tips for each task and discards them immediately.",
   "solves": "Zapisane reguły z przeszłości wracają i sprawiają, że asystent powtarza te same błędy.",
   "solves_en": "Saved rules from the past come back and make the assistant repeat the same mistakes.",
   "does": "Trzyma tylko pełne ścieżki działań i wyniki, a wskazówki składa na nowo z nich przy każdym zadaniu.",
   "does_en": "It keeps only full action paths and results, then rebuilds tips from them for every task.",
   "example": "Po kilku nieudanych zakupach asystent nie zapisuje reguły „nie kupuj tego”, tylko przy nowym zadaniu sprawdza stare próby i składa świeżą radę.",
   "example_en": "After several failed purchases the assistant does not save a rule “do not buy this”; for a new task it checks old trials and builds a fresh tip.",
   "for_you": [
    "asystent powtarza te same błędy po zapamiętaniu lekcji",
    "chcesz, by pamięć poprawiała wyniki bez utrwalania złych reguł",
    "testujesz, czy zapisane wskazówki naprawdę pomagają"
   ],
   "for_you_en": [
    "the assistant repeats the same mistakes after remembering a lesson",
    "want memory to improve results without locking in bad rules",
    "you test whether saved tips actually help"
   ],
   "how": "System przechowuje surowe trajektorie i wyniki. Przy zadaniu selektor kontekstowy wybiera tryb (brak syntezy, imitacja, strategia lub korekta) na podstawie podobnych przeszłych wyników. Model składa tymczasową wskazówkę z wybranych trajektorii, agent ją używa, a po zakończeniu wskazówka jest usuwana. Trajektoria nowej próby dołącza do magazynu.",
   "how_en": "The system stores raw trajectories and outcomes. For a task a contextual selector chooses a mode (none, imitation, strategic or corrective) from similar past outcomes. A model builds temporary guidance from selected trajectories; the agent uses it and the guidance is discarded afterward. The new trial’s trajectory joins the store.",
   "limits": "Wskazówki nadal mogą pośrednio wpływać na przyszłe syntezy przez zachowane trajektorie. Skuteczność zależy od jakości wyszukiwania i pokrycia doświadczeń, a odrzucanie abstrakcji rezygnuje z bezpośredniego ponownego użycia sprawdzonej wiedzy. Wyniki obejmują trzy tekstowe benchmarki, trzy modele, dziesięć iteracji i trzy ziarna; nie potwierdzają długoterminowych zysków ani uogólnienia poza tym zakresem.",
   "limits_en": "Guidance can still affect later synthesis indirectly through retained trajectories. Performance depends on retrieval quality and experience coverage, while discarding abstractions gives up direct reuse of reliable knowledge. Results cover three text-based benchmarks, three backbones, ten iterations and three seeds; they do not establish long-term gains or generalisation beyond that scope.",
   "terms": [
    {
     "gloss": "Cykl, w którym zła reguła wpływa na próbę, a z niej powstaje kolejna zła reguła.",
     "term": "reprodukcja błędów"
    },
    {
     "gloss": "Pełny zapis kroków i wyników jednej próby zadania.",
     "term": "trajektoria"
    },
    {
     "gloss": "Syntetyczna rada składana na jedno zadanie i odrzucana po użyciu.",
     "term": "wskazówka tymczasowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A cycle where a bad rule shapes a trial and a new bad rule is built from it.",
     "term": "error reproduction"
    },
    {
     "gloss": "The full record of steps and outcomes from one task trial.",
     "term": "trajectory"
    },
    {
     "gloss": "Synthetic advice built for one task and discarded after use.",
     "term": "temporary guidance"
    }
   ],
   "prereq": [
    "procedural"
   ],
   "keywords": [
    "error reproduction",
    "agent memory",
    "trajectory memory",
    "abstraction persistence",
    "on-demand synthesis",
    "contextual bandit",
    "self-improving agents"
   ],
   "source_ids": [
    "wang-antipersistence-2026"
   ],
   "url": "https://aiatlasgraph.com/t/antipersistence",
   "markdown_url": "https://aiatlasgraph.com/t/antipersistence.md",
   "updated": "2026-10-30"
  },
  "applications": {
   "id": "applications",
   "parent_id": null,
   "label": "Aplikacje LLM i agenci",
   "canonical_name": "LLM applications and agents",
   "description": "Budowanie systemów korzystających z modeli i narzędzi.",
   "description_en": "Building systems that use models and tools.",
   "plain": "To dziedzina budowania programów, w których sztuczna inteligencja czyta, rozmawia i korzysta z narzędzi.",
   "plain_en": "This field builds programs that use artificial intelligence to read information, hold conversations and use tools.",
   "solves": "Musisz ręcznie szukać informacji i przenosić je między programami, żeby załatwić nawet prostą sprawę.",
   "solves_en": "Even a simple task can require you to find information and move it between several programs by hand.",
   "does": "Łączy model językowy z dokumentami i narzędziami oraz ustala zasady, które kierują jego pracą.",
   "does_en": "It connects a language model to documents and tools, with rules that control which information and actions it can use.",
   "example": "Prosisz firmowego asystenta o znalezienie warunków zwrotu i przygotowanie odpowiedzi dla klienta.",
   "example_en": "You ask a workplace assistant to find the returns policy and draft a reply to a customer.",
   "for_you": [
    "chcesz załatwiać sprawy przez rozmowę z asystentem",
    "przenosisz informacje między dokumentami a firmowymi programami"
   ],
   "for_you_en": [
    "want to get things done by talking to an assistant",
    "move information between documents and workplace software"
   ],
   "how": "Aplikacja buduje kontekst z instrukcji, danych i historii, a następnie wywołuje model lub sekwencję modeli. Kod orkiestracji łączy generowanie z wyszukiwaniem, narzędziami, pamięcią i interfejsem oraz sprawdza wyniki przed ich użyciem.",
   "how_en": "The application assembles context from instructions, data and history, then calls a model or a sequence of models. Orchestration code connects generation with retrieval, tools, memory and the interface, and checks outputs before use.",
   "limits": "Jakość zależy od modelu, kontekstu i integracji. Opóźnienia oraz koszt rosną z liczbą wywołań, a zmiana modelu może wymagać ponownej ewaluacji całej aplikacji.",
   "limits_en": "Quality depends on the model, context and integrations. Latency and cost grow with additional calls, while a model change may require reevaluating the entire application.",
   "terms": [
    {
     "gloss": "Informacje dostępne modelowi podczas konkretnego wywołania.",
     "term": "kontekst"
    },
    {
     "gloss": "Kod ustalający kolejność wywołań i przepływ ich wyników.",
     "term": "orkiestracja"
    },
    {
     "gloss": "Uzgodniony format i warunki poprawności wyniku.",
     "term": "kontrakt wyjścia"
    }
   ],
   "terms_en": [
    {
     "gloss": "Information available to the model during a particular call.",
     "term": "context"
    },
    {
     "gloss": "Code controlling call order and the flow of results.",
     "term": "orchestration"
    },
    {
     "gloss": "The agreed format and validity requirements for an output.",
     "term": "output contract"
    }
   ],
   "prereq": [
    "transformers",
    "evalsets"
   ],
   "keywords": [
    "RAG",
    "function calling",
    "prompt templates",
    "context engineering",
    "agentic workflows",
    "LangGraph",
    "LlamaIndex",
    "MCP",
    "JSON Schema",
    "conversation state",
    "human-in-the-loop",
    "memory retrieval"
   ],
   "source_ids": [
    "agents",
    "bootcamp",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/applications",
   "markdown_url": "https://aiatlasgraph.com/t/applications.md",
   "updated": "2026-10-30"
  },
  "approxinference": {
   "id": "approxinference",
   "parent_id": "probabilistic",
   "label": "Wnioskowanie przybliżone: próbkowanie i metody wariacyjne",
   "canonical_name": "Approximate inference: MCMC sampling and variational methods",
   "description": "Gdy dokładne policzenie rozkładu a posteriori jest niemożliwe: przybliża się go próbkami (MCMC) albo optymalizacją prostszego rozkładu (VI).",
   "description_en": "When the exact posterior is intractable: approximate it with samples (MCMC) or by optimising a simpler distribution (VI).",
   "examples": "MCMC · próbkowanie Gibbsa · wnioskowanie wariacyjne · ELBO",
   "examples_en": "MCMC · Gibbs sampling · variational inference · ELBO",
   "plain": "To przybliżone obliczanie niepewnych wyników, gdy dokładne wyliczenie wszystkich możliwości byłoby zbyt kosztowne.",
   "plain_en": "This estimates uncertain outcomes when calculating every possibility exactly would be too costly.",
   "solves": "Liczba powiązanych możliwości rośnie tak mocno, że dokładna odpowiedź nie mieści się w dostępnym czasie obliczeń.",
   "solves_en": "Connected possibilities multiply until an exact answer takes more computation time than is available.",
   "does": "Zastępuje pełne obliczenia próbkami możliwych sytuacji albo dopasowuje prostszy opis szans, który przybliża poszukiwany wynik.",
   "does_en": "It replaces full calculations with samples of possible situations or fits a simpler probability description to approximate the desired result.",
   "example": "Model szacuje szansę terminowej dostawy na podstawie próbek możliwych zdarzeń, zamiast wyliczać wszystkie kombinacje pogody, ruchu i opóźnień.",
   "example_en": "A model estimates the chance of an on time delivery by sampling possible events instead of calculating every combination of weather, traffic and delays.",
   "for_you": [
    "dokładne obliczenie wszystkich możliwości trwa zbyt długo",
    "możesz zaakceptować oszacowanie z określoną niedokładnością"
   ],
   "for_you_en": [
    "find that exact calculations take too long",
    "can accept an estimate with some approximation error"
   ],
   "how": "Metody próbkowania konstruują sekwencję próbek reprezentującą rozkład docelowy przy odpowiednich warunkach. Metody wariacyjne zamiast tego optymalizują parametry prostszej rodziny rozkładów, minimalizując wybraną rozbieżność z celem.",
   "how_en": "Sampling methods construct a sample sequence representing the target distribution under suitable conditions. Variational methods instead optimise a simpler distribution family's parameters to minimise a chosen discrepancy from the target.",
   "limits": "Próbkowanie może mieszać się powoli i pomijać odległe mody. Przybliżenia wariacyjne ogranicza wybrana rodzina; zbieżność optymalizacji nie dowodzi wiernej rekonstrukcji posterioru.",
   "limits_en": "Sampling can mix slowly and miss distant modes. Variational approximations are limited by their chosen family; optimisation convergence does not prove faithful posterior reconstruction.",
   "terms": [
    {
     "gloss": "Próbkowanie z użyciem łańcucha Markowa o zadanym rozkładzie stacjonarnym.",
     "term": "MCMC"
    },
    {
     "gloss": "Zbiór parametryzowanych rozkładów dopuszczonych jako przybliżenie rozkładu docelowego.",
     "term": "rodzina wariacyjna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Sampling using a Markov chain with a specified stationary distribution.",
     "term": "MCMC"
    },
    {
     "gloss": "A set of parameterised distributions allowed to approximate the target.",
     "term": "variational family"
    }
   ],
   "prereq": [
    "bayesinference",
    "mathoptimization"
   ],
   "keywords": [
    "MCMC",
    "Gibbs sampling",
    "Metropolis-Hastings",
    "variational inference",
    "ELBO",
    "importance sampling"
   ],
   "source_ids": [
    "cs188fa25",
    "blei2017vi"
   ],
   "url": "https://aiatlasgraph.com/t/approxinference",
   "markdown_url": "https://aiatlasgraph.com/t/approxinference.md",
   "updated": "2026-10-30"
  },
  "appscamdetection": {
   "id": "appscamdetection",
   "parent_id": "frauddetection",
   "label": "Wykrywanie oszustw, w których ofiara sama zleca przelew",
   "canonical_name": "Authorised push payment (APP) scam detection",
   "aliases": [
    "APP fraud",
    "APP scam",
    "authorised push payment fraud",
    "scam detection",
    "oszustwo na przelew autoryzowany",
    "oszustwa socjotechniczne"
   ],
   "description": "Modele oceniające ryzyko autoryzowanych przez klienta przelewów pod kątem manipulacji socjotechnicznej, po stronie banku wysyłającego i odbierającego.",
   "description_en": "Models scoring the risk of customer-authorised transfers for social-engineering manipulation, at both the sending and receiving bank.",
   "plain": "Wyłapywanie przelewów, które klient wysyła sam, bo ktoś go przekonał, że to bezpieczne lub opłacalne.",
   "plain_en": "Catching transfers customers send themselves because someone convinced them it was safe or worthwhile.",
   "solves": "Oszuści coraz częściej nie kradną haseł, tylko namawiają ludzi do przelewu; dla zwykłych zabezpieczeń taka płatność wygląda zupełnie poprawnie.",
   "solves_en": "Scammers increasingly skip stealing passwords and talk people into paying; to ordinary checks such a payment looks perfectly valid.",
   "does": "Szuka sygnałów presji i nietypowej sytuacji, jak kasjerka, która dopytuje starszego pana, dlaczego nagle wypłaca całe oszczędności.",
   "does_en": "Looks for signs of pressure and unusual context, like a cashier asking an elderly man why he is suddenly withdrawing all his savings.",
   "example": "Dzwoni „pracownik banku” i każe przelać pieniądze na „bezpieczne konto”; aplikacja zatrzymuje przelew i pokazuje ostrzeżenie o takim scenariuszu.",
   "example_en": "A 'bank employee' calls and tells you to move money to a 'safe account'; the app pauses the transfer and warns you about this exact scenario.",
   "for_you": [
    "robisz przelewy na nowe konta",
    "pomagasz starszym bliskim w bankowości",
    "pracujesz nad bezpieczeństwem płatności"
   ],
   "for_you_en": [
    "send transfers to new accounts",
    "help older relatives with banking",
    "work on payment security"
   ],
   "how": "Model na poziomie transakcji uczy się złożonych wzorców z danych historycznych i działa obok reguł w warstwowej obronie. Wynik może uruchomić wstrzymanie płatności, ostrzeżenie dopasowane do scenariusza lub dodatkową rozmowę; bank odbiorcy może też analizować wpływy pod kątem wzorców oszustwa.",
   "how_en": "A transaction-level model learns complex patterns from historical data and works alongside rules in a layered defence. Its score may trigger a payment hold, a scenario-specific warning or an additional conversation; the receiving bank may also screen incoming payments for scam patterns.",
   "limits": "Ofiara jest prawdziwym klientem, więc wiele typowych sygnałów oszustwa nie występuje. Zbyt częste blokady irytują klientów i uczą ich ignorować ostrzeżenia. Etykiety pochodzą ze zgłoszeń, a wielu oszukanych nigdy ich nie składa.",
   "limits_en": "The victim is a genuine customer, so many usual fraud signals are absent. Blocking too often annoys customers and teaches them to ignore warnings. Labels come from reports, and many victims never report.",
   "terms": [
    {
     "gloss": "Oszustwo, w którym ofiara sama autoryzuje przelew do oszusta.",
     "term": "APP scam"
    },
    {
     "gloss": "Konto używane do przepuszczania pieniędzy z przestępstwa.",
     "term": "konto mułowe"
    },
    {
     "gloss": "Sprawdzanie przychodzących przelewów przez bank odbiorcy.",
     "term": "inbound screening"
    }
   ],
   "terms_en": [
    {
     "gloss": "A scam where the victim authorises the transfer to the fraudster.",
     "term": "APP scam"
    },
    {
     "gloss": "An account used to pass on criminal proceeds.",
     "term": "money mule account"
    },
    {
     "gloss": "The receiving bank checking incoming transfers.",
     "term": "inbound screening"
    }
   ],
   "prereq": [
    "gradientboosting"
   ],
   "keywords": [
    "authorised push payment fraud",
    "social engineering",
    "money mule detection",
    "confirmation of payee",
    "PSR reimbursement",
    "inbound payment screening",
    "scam warnings",
    "Faster Payments"
   ],
   "source_ids": [
    "pwc-psr-app-reimbursement",
    "nationwide-app-scam-ml-crc"
   ],
   "url": "https://aiatlasgraph.com/t/appscamdetection",
   "markdown_url": "https://aiatlasgraph.com/t/appscamdetection.md",
   "updated": "2026-10-30"
  },
  "arenas": {
   "id": "arenas",
   "parent_id": "metrics",
   "label": "Rankingi z głosami ludzi (areny)",
   "canonical_name": "Human-preference leaderboards (arenas)",
   "aliases": [
    "Chatbot Arena",
    "LMArena",
    "arena",
    "Elo",
    "Bradley-Terry",
    "leaderboard",
    "ranking modeli"
   ],
   "description": "Ludzie anonimowo porównują dwie odpowiedzi modeli i wybierają lepszą; wiele takich porównań tworzy ranking. Wynik zależy jednak od procedury zbierania głosów, dostępu modeli do areny i doboru porównań.",
   "description_en": "People anonymously compare two model answers and choose the better one; many such comparisons produce a ranking. The result nevertheless depends on vote collection, models' access to the arena and comparison sampling.",
   "examples": "porównania parami · statystyczna agregacja głosów · nierówny dostęp modeli · przeuczenie pod ranking",
   "examples_en": "pairwise comparisons · statistical vote aggregation · unequal model access · overfitting to a leaderboard",
   "plain": "To rankingi powstające z wielu porównań odpowiedzi, w których ludzie wybierają lepszą wersję.",
   "plain_en": "These rankings combine many answer comparisons where people choose the better version.",
   "solves": "Automatyczny test nie zawsze pokazuje, która odpowiedź jest dla ludzi bardziej przydatna lub czytelna.",
   "solves_en": "An automated test does not always show which answer people find more useful or readable.",
   "does": "Zbiera głosy na anonimowe pary odpowiedzi i łączy je statystycznie; wynik zależy też od pytań, porównań i dostępnych modeli.",
   "does_en": "It collects votes on anonymous answer pairs and combines them statistically; results also depend on questions, pairings and available models.",
   "example": "Oceniasz anonimowe odpowiedzi na pytanie o ogród, a twój wybór wraz z innymi głosami wpływa na pozycje modeli.",
   "example_en": "You assess anonymous answers to a gardening question, and your choice joins other votes to influence the model rankings.",
   "for_you": [
    "interesują cię preferencje ludzi wobec odpowiedzi",
    "chcesz rozumieć procedurę stojącą za rankingiem"
   ],
   "for_you_en": [
    "care about people's preferences between answers",
    "want to understand how a ranking is produced"
   ],
   "how": "Użytkownicy oceniają anonimowe pary odpowiedzi na wspólne pytania. Model preferencji dopasowuje siły względne z głosów, a niepewność rankingu szacuje się z próbkowania porównań.",
   "how_en": "Users judge anonymous answer pairs to shared questions. A preference model fits relative strengths from votes, while comparison sampling determines ranking uncertainty.",
   "limits": "Ranking zależy od użytkowników, pytań i doboru par. Styl oraz długość mogą dominować nad poprawnością, a selektywne zgłoszenia modeli wpływać na widoczny wynik.",
   "limits_en": "Rankings depend on users, questions and pair selection. Style and length may dominate correctness, while selective model submissions can affect visible results.",
   "terms": [
    {
     "gloss": "Model szacujący prawdopodobieństwo wygranej pary z względnych ocen uczestników.",
     "term": "Bradley–Terry"
    },
    {
     "gloss": "Wybór odpowiedzi uznanej przez oceniającego za lepszą.",
     "term": "głos preferencji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model estimating pairwise win probabilities from participants' relative ratings.",
     "term": "Bradley–Terry"
    },
    {
     "gloss": "A judgement selecting the answer considered better by a rater.",
     "term": "preference vote"
    }
   ],
   "prereq": [
    "judgevalidation",
    "evalstats"
   ],
   "keywords": [
    "Bradley-Terry model",
    "pairwise preference votes",
    "Elo ratings",
    "bootstrap rankings",
    "Chatbot Arena"
   ],
   "source_ids": [
    "chatbot-arena-2024",
    "leaderboard-illusion-2025"
   ],
   "url": "https://aiatlasgraph.com/t/arenas",
   "markdown_url": "https://aiatlasgraph.com/t/arenas.md",
   "updated": "2026-10-30"
  },
  "argen": {
   "id": "argen",
   "parent_id": "generative",
   "label": "Autoregresyjne generowanie obrazu i dźwięku",
   "canonical_name": "Autoregressive image and audio generation",
   "aliases": [
    "autoregressive image generation",
    "visual autoregressive models",
    "modele autoregresyjne obrazu",
    "next-token image generation",
    "AR image models"
   ],
   "description": "Modele generujące dane jako sekwencję elementów (pikseli, próbek, tokenów lub skal), każdy warunkowany poprzednimi; konkurencja i uzupełnienie dyfuzji.",
   "description_en": "Models generating data as a sequence of elements (pixels, samples, tokens or scales), each conditioned on earlier ones; a rival and complement to diffusion.",
   "plain": "Tworzenie obrazu lub dźwięku kawałek po kawałku, gdzie każdy nowy fragment zależy od tego, co już powstało, jak przy pisaniu tekstu.",
   "plain_en": "Creating an image or sound piece by piece, each new fragment depending on what came before, like writing text.",
   "solves": "Chcemy, by jeden model umiał pisać, rysować i mówić, a modele tekstowe znają tylko jedną metodę: przewidywanie kolejnego elementu.",
   "solves_en": "We want one model to write, draw and speak, yet text models know only one method: predicting the next element.",
   "does": "Obraz zamienia się w ciąg „słów”, a model dopisuje je kolejno albo warstwami, od zgrubnego szkicu po szczegóły.",
   "does_en": "An image becomes a string of ‘words’ that the model appends one by one or in layers, from rough sketch to fine detail.",
   "example": "Czat, któremu piszesz prośbę, odpowiada tekstem i obrazkiem jednocześnie, tworząc oba tym samym sposobem.",
   "example_en": "A chat you message replies with both text and a picture, creating both the same way.",
   "for_you": [
    "używasz czatów, które tworzą też obrazy",
    "porównujesz różne sposoby generowania obrazów"
   ],
   "for_you_en": [
    "use chats that also create images",
    "compare different ways of generating images"
   ],
   "how": "Rozkład danych rozkłada się na iloczyn warunkowych prawdopodobieństw kolejnych elementów i uczy entropią krzyżową, jak model językowy. Wczesne modele działały na surowych pikselach i próbkach dźwięku; nowsze generują dyskretne tokeny z autoenkodera kwantyzującego, w porządku rastrowym, równolegle przez maskowanie albo skala po skali.",
   "how_en": "The data distribution is factorised into conditional probabilities of successive elements and trained with cross-entropy like a language model. Early models worked on raw pixels and audio samples; newer ones generate discrete tokens from a quantising autoencoder, in raster order, in parallel via masking, or scale by scale.",
   "limits": "Generowanie element po elemencie jest wolne dla dużych obrazów i długiego dźwięku. Porządek rastrowy nie odpowiada naturze obrazu, a błędy wcześniejszych elementów się kumulują. Jakość ogranicza tokenizer.",
   "limits_en": "Element-by-element generation is slow for large images and long audio. Raster order does not match the nature of images, and early errors compound. Quality is capped by the tokenizer.",
   "terms": [
    {
     "gloss": "Generowanie wiersz po wierszu, od lewego górnego rogu, jak przy czytaniu.",
     "term": "porządek rastrowy"
    },
    {
     "gloss": "Przewidywanie wielu elementów naraz zamiast pojedynczo, by przyspieszyć generowanie.",
     "term": "dekodowanie równoległe"
    },
    {
     "gloss": "Sieć zamieniająca obraz na ciąg dyskretnych kodów i z powrotem.",
     "term": "tokenizer wizualny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Generating row by row from the top-left corner, like reading.",
     "term": "raster order"
    },
    {
     "gloss": "Predicting many elements at once instead of singly to speed generation.",
     "term": "parallel decoding"
    },
    {
     "gloss": "A network turning an image into discrete codes and back.",
     "term": "visual tokenizer"
    }
   ],
   "prereq": [
    "nexttoken",
    "transformerfamilies"
   ],
   "keywords": [
    "PixelCNN",
    "WaveNet",
    "VQGAN transformer",
    "MaskGIT",
    "VAR",
    "next-token prediction",
    "masked token modeling",
    "next-scale prediction"
   ],
   "source_ids": [
    "vandenoord-vqvae-2017",
    "esser-vqgan-2020",
    "vandenoord-wavenet-2016",
    "chang-maskgit-2022",
    "tian-var-2024"
   ],
   "url": "https://aiatlasgraph.com/t/argen",
   "markdown_url": "https://aiatlasgraph.com/t/argen.md",
   "updated": "2026-10-30"
  },
  "armmotionplanning": {
   "id": "armmotionplanning",
   "parent_id": "robotcontrol",
   "label": "Planowanie ruchu ramienia bez kolizji",
   "canonical_name": "Collision-free motion planning for manipulators",
   "aliases": [
    "motion planning",
    "manipulator motion planning",
    "RRT",
    "PRM",
    "planowanie ruchu robota",
    "MoveIt"
   ],
   "description": "Wyszukiwanie bezkolizyjnej ścieżki w przestrzeni konfiguracji ramienia metodami próbkowania lub optymalizacji trajektorii.",
   "description_en": "Searching for a collision-free path in an arm's configuration space with sampling-based methods or trajectory optimisation.",
   "plain": "Wyznaczanie drogi, którą ramię robota przejdzie od jednego ułożenia do drugiego, nie uderzając w nic po drodze.",
   "plain_en": "Finding a path that takes a robot arm from one posture to another without hitting anything on the way.",
   "solves": "Prosty ruch do celu często zahacza o półkę, stół albo własne ciało robota, a ręczne wyznaczanie objazdów trwa wieki.",
   "solves_en": "Moving straight to the goal often clips a shelf, a table or the robot's own body, and hand-crafting detours takes ages.",
   "does": "Sprawdza wiele losowych ułożeń, zostawia bezpieczne i łączy je w sieć dróg, którą potem wygładza.",
   "does_en": "It tries many random postures, keeps the safe ones, links them into a road network and then smooths the route.",
   "example": "Robot w magazynie wyjmuje paczkę z głębi ciasnej półki, przeciskając chwytak między innymi kartonami.",
   "example_en": "A warehouse robot pulls a parcel from deep inside a cramped shelf, threading its gripper between other boxes.",
   "for_you": [
    "ustawiasz robota w ciasnym, zagraconym miejscu",
    "chcesz, by ramię samo omijało przeszkody",
    "zastanawiasz się, czemu robot porusza się dziwnymi łukami"
   ],
   "for_you_en": [
    "set up a robot in a cramped, cluttered space",
    "want an arm to avoid obstacles on its own",
    "wonder why a robot moves in odd arcs"
   ],
   "how": "Planery próbkujące (RRT, PRM i ich warianty) losują konfiguracje, sprawdzają kolizje i budują drzewo lub graf połączeń do celu. Inne podejścia poprawiają całą trajektorię przez optymalizację. Wynik parametryzuje się w czasie zgodnie z ograniczeniami ruchu robota.",
   "how_en": "Sampling-based planners (RRT, PRM and variants) draw configurations, check collisions and grow a tree or roadmap toward the goal. Other approaches refine the full trajectory through optimisation. The result is time-parameterised within the robot's motion constraints.",
   "limits": "Planery próbkujące dają ścieżki nieoptymalne i losowe, a w wąskich przejściach długo szukają. Optymalizacja utyka w minimach lokalnych. Oba podejścia zakładają znaną, statyczną scenę i dokładny model kolizji.",
   "limits_en": "Sampling planners give suboptimal, random paths and struggle in narrow passages. Optimisation gets stuck in local minima. Both assume a known, static scene and an accurate collision model.",
   "terms": [
    {
     "gloss": "Drzewo ruchów rozrastające się losowo, aż dotknie celu.",
     "term": "RRT"
    },
    {
     "gloss": "Test, czy dane ułożenie robota nachodzi na przeszkodę.",
     "term": "sprawdzanie kolizji"
    },
    {
     "gloss": "Ciasna luka, w którą losowe próby rzadko trafiają.",
     "term": "wąskie przejście"
    }
   ],
   "terms_en": [
    {
     "gloss": "A tree of motions that grows randomly until it reaches the goal.",
     "term": "RRT"
    },
    {
     "gloss": "Testing whether a robot posture overlaps an obstacle.",
     "term": "collision checking"
    },
    {
     "gloss": "A tight gap that random samples rarely hit.",
     "term": "narrow passage"
    }
   ],
   "prereq": [
    "astar",
    "kinematics"
   ],
   "keywords": [
    "RRT-Connect",
    "PRM",
    "OMPL",
    "MoveIt",
    "trajectory optimization",
    "collision checking",
    "time parameterization"
   ],
   "source_ids": [
    "modern-robotics-2017",
    "tedrake-manipulation",
    "ompl-docs"
   ],
   "url": "https://aiatlasgraph.com/t/armmotionplanning",
   "markdown_url": "https://aiatlasgraph.com/t/armmotionplanning.md",
   "updated": "2026-10-30"
  },
  "artificiallife": {
   "id": "artificiallife",
   "parent_id": null,
   "label": "Sztuczne życie",
   "canonical_name": "Artificial life (ALife)",
   "aliases": [
    "artificial life",
    "ALife",
    "A-Life",
    "sztuczne życie"
   ],
   "description": "Dziedzina badająca właściwości i dynamikę życia niezależnie od nośnika: w oprogramowaniu, sprzęcie i chemii; obejmuje m.in. ewolucję cyfrową, automaty komórkowe i samoorganizację.",
   "description_en": "A field studying the properties and dynamics of life regardless of substrate: in software, hardware and chemistry; it includes digital evolution, cellular automata and self-organisation.",
   "plain": "Dziedzina, która buduje w komputerach, robotach albo w probówce układy zachowujące się jak żywe, żeby zrozumieć, czym jest życie.",
   "plain_en": "A field building life-like systems in computers, robots or test tubes to understand what life is.",
   "solves": "Prawdziwej ewolucji czy rozwoju organizmu nie da się przewinąć ani powtórzyć, więc trudno zbadać, jak powstaje złożoność.",
   "solves_en": "Real evolution or organism growth cannot be rewound or replayed, so it is hard to study how complexity arises.",
   "does": "Jak akwarium z własnymi prawami fizyki: wpuszczasz proste reguły i patrzysz, jakie stworzenia i zachowania same się pojawią.",
   "does_en": "Like an aquarium with its own laws of physics: you drop in simple rules and watch what creatures and behaviours appear on their own.",
   "example": "Wygaszacz ekranu z kolorowymi plamami, które rosną, poruszają się i dzielą jak mikroby, choć kieruje nimi kilka prostych reguł.",
   "example_en": "A screensaver with coloured blobs that grow, move and divide like microbes, though a few simple rules drive them.",
   "for_you": [
    "ciekawi cię, jak z prostych reguł powstaje złożoność",
    "tworzysz generatywną sztukę lub symulacje",
    "interesują cię systemy, które same się naprawiają"
   ],
   "for_you_en": [
    "are curious how complexity grows from simple rules",
    "make generative art or simulations",
    "are interested in systems that repair themselves"
   ],
   "how": "Wyróżnia się sztuczne życie programowe (symulacje, sztuczne chemie, ewolucja cyfrowa, automaty komórkowe), sprzętowe (roboty) i mokre (układy chemiczne i biologiczne). Wspólne pytania dotyczą samoorganizacji, samoreplikacji, ewolucji otwartej i pojawiania się złożonych zachowań z lokalnych reguł.",
   "how_en": "It splits into soft ALife (simulations, artificial chemistries, digital evolution, cellular automata), hard ALife (robots) and wet ALife (chemical and biological systems). Shared questions concern self-organisation, self-replication, open-ended evolution and complex behaviour emerging from local rules.",
   "limits": "Granice dziedziny są nieostre, a obserwacje w symulacji nie zawsze przenoszą się na biologię. Ocena „żywości” czy otwartości ewolucji nie ma jednej przyjętej miary.",
   "limits_en": "The field's boundaries are fuzzy, and simulation findings do not always carry over to biology. There is no agreed measure of “life-likeness” or open-endedness.",
   "terms": [
    {
     "gloss": "Zachowanie całości, którego nie widać w regułach pojedynczych części.",
     "term": "emergencja"
    },
    {
     "gloss": "Zdolność układu do tworzenia własnych kopii.",
     "term": "samoreplikacja"
    },
    {
     "gloss": "Sztuczne życie w programie, w sprzęcie lub w chemii.",
     "term": "soft / hard / wet ALife"
    }
   ],
   "terms_en": [
    {
     "gloss": "Whole-system behaviour not visible in the rules of single parts.",
     "term": "emergence"
    },
    {
     "gloss": "A system's ability to make copies of itself.",
     "term": "self-replication"
    },
    {
     "gloss": "Artificial life in software, in hardware or in chemistry.",
     "term": "soft / hard / wet ALife"
    }
   ],
   "keywords": [
    "Avida",
    "Tierra",
    "Lenia",
    "artificial chemistry",
    "digital evolution",
    "self-replication",
    "emergence",
    "ALIFE conference",
    "xenobots",
    "open-ended evolution"
   ],
   "source_ids": [
    "isal-what-is-alife"
   ],
   "url": "https://aiatlasgraph.com/t/artificiallife",
   "markdown_url": "https://aiatlasgraph.com/t/artificiallife.md",
   "updated": "2026-10-30"
  },
  "aspectsentiment": {
   "id": "aspectsentiment",
   "parent_id": "textclassification",
   "label": "Opinie o konkretnych cechach (sentyment aspektowy)",
   "canonical_name": "Aspect-based sentiment analysis",
   "aliases": [
    "aspect-based sentiment analysis",
    "ABSA",
    "aspect-level sentiment",
    "analiza sentymentu aspektowa"
   ],
   "description": "Wydobywanie z tekstu opinii na poziomie aspektów: termin aspektu, kategoria aspektu, termin opinii i polaryzacja.",
   "description_en": "Extracting aspect-level opinions from text: aspect term, aspect category, opinion term and polarity.",
   "plain": "Program rozpoznaje w opinii nie tylko nastrój, ale też to, co dokładnie się podobało, a co nie.",
   "plain_en": "Software reads a review and finds not just the mood but exactly what was liked and what was not.",
   "solves": "Ogólna ocena „trzy gwiazdki” nie mówi, czy klientom przeszkadza cena, obsługa, czy jakość produktu.",
   "solves_en": "An overall three-star rating doesn't say whether customers dislike the price, the service or the product.",
   "does": "Rozkłada każdą opinię na pary „cecha — ocena”, np. „bateria: źle, ekran: dobrze”.",
   "does_en": "It breaks each review into 'feature — verdict' pairs, such as 'battery: bad, screen: good'.",
   "example": "Właściciel restauracji widzi z setek recenzji, że chwalą jedzenie, ale narzekają na czas czekania.",
   "example_en": "A restaurant owner sees from hundreds of reviews that the food is praised but the waiting time is not.",
   "for_you": [
    "czytasz dużo opinii klientów",
    "chcesz wiedzieć, co poprawić w produkcie",
    "porównujesz recenzje konkurencji"
   ],
   "for_you_en": [
    "read many customer reviews",
    "want to know what to fix in a product",
    "compare reviews of competitors"
   ],
   "how": "Zadania proste wykrywają jeden element (np. polaryzację dla danego aspektu), a złożone wyodrębniają naraz pary, trójki lub czwórki elementów. Stosuje się etykietowanie sekwencji, modele seq2seq generujące krotki oraz dostrojone lub promptowane modele językowe.",
   "how_en": "Single tasks detect one element (e.g. polarity for a given aspect) while compound tasks extract pairs, triplets or quadruples at once. Methods include sequence labelling, seq2seq models generating tuples, and fine-tuned or prompted language models.",
   "limits": "Ironia, porównania i opinie domyślne bez nazwanego aspektu są trudne. Kategorie aspektów różnią się między branżami, więc modele słabo przenoszą się do nowych domen i języków.",
   "limits_en": "Irony, comparisons and implicit opinions without a named aspect are hard. Aspect categories differ by industry, so models transfer poorly to new domains and languages.",
   "terms": [
    {
     "gloss": "Cecha produktu lub usługi, której dotyczy opinia.",
     "term": "aspekt"
    },
    {
     "gloss": "Kierunek opinii: pozytywna, negatywna lub neutralna.",
     "term": "polaryzacja"
    },
    {
     "gloss": "Wydobywanie czwórek: aspekt, kategoria, opinia, polaryzacja.",
     "term": "ASQP"
    }
   ],
   "terms_en": [
    {
     "gloss": "The product or service feature an opinion is about.",
     "term": "aspect"
    },
    {
     "gloss": "Opinion direction: positive, negative or neutral.",
     "term": "polarity"
    },
    {
     "gloss": "Extracting quadruples: aspect, category, opinion, polarity.",
     "term": "ASQP"
    }
   ],
   "prereq": [
    "infoextraction"
   ],
   "keywords": [
    "ABSA",
    "aspect term extraction",
    "aspect sentiment triplet extraction",
    "ASQP",
    "SemEval-2014 Task 4",
    "opinion mining",
    "sentiment analysis"
   ],
   "source_ids": [
    "zhang-2022-absa-survey"
   ],
   "url": "https://aiatlasgraph.com/t/aspectsentiment",
   "markdown_url": "https://aiatlasgraph.com/t/aspectsentiment.md",
   "updated": "2026-10-30"
  },
  "asr": {
   "id": "asr",
   "parent_id": "audio",
   "label": "Rozpoznawanie mowy / ASR",
   "canonical_name": "Automatic speech recognition",
   "description": "Zamiana sygnału mowy na tekst.",
   "description_en": "Turning speech into text.",
   "examples": "Transkrypcja",
   "examples_en": "Transcription",
   "plain": "To zamienianie wypowiedzianych słów na zapisany tekst.",
   "plain_en": "This turns spoken words into written text.",
   "solves": "Przepisywanie nagrania zajmuje czas, a czasem potrzebujesz tekstu już podczas rozmowy.",
   "solves_en": "Transcribing a recording takes time, and sometimes you need text while the conversation is still happening.",
   "does": "Model porównuje wzory dźwięku z poznanymi wypowiedziami i przewiduje słowa pasujące do nagrania oraz jego kontekstu.",
   "does_en": "A model compares sound patterns with familiar speech and predicts words that fit the recording and its context.",
   "example": "Dyktujesz wiadomość podczas spaceru, a telefon wpisuje jej treść.",
   "example_en": "You dictate a message while walking, and your phone types it out.",
   "for_you": [
    "przepisujesz nagrania rozmów",
    "chcesz dyktować zamiast pisać"
   ],
   "for_you_en": [
    "transcribe conversation recordings",
    "want to dictate instead of typing"
   ],
   "how": "Enkoder wydobywa cechy czasowe sygnału mowy, a model przewiduje jednostki tekstu. Cel CTC sumuje dopuszczalne wyrównania, natomiast dekoder autoregresyjny przewiduje kolejne tokeny z kontekstu nagrania i wcześniejszego tekstu.",
   "how_en": "An encoder extracts temporal speech features, and the model predicts text units. CTC sums permitted alignments, while autoregressive decoders predict subsequent tokens from recordings and prior text.",
   "limits": "Hałas, akcenty i nieznane nazwy zwiększają błędy. Model może dopowiadać prawdopodobny tekst w słabym sygnale; transkrypcja nie zachowuje automatycznie prozodii ani tożsamości mówcy.",
   "limits_en": "Noise, accents and unfamiliar names increase errors. Models may insert plausible text into weak signals; transcription does not automatically preserve prosody or speaker identity.",
   "terms": [
    {
     "gloss": "Cel uczenia sekwencji bez wymagania dokładnego czasowego wyrównania etykiet.",
     "term": "CTC"
    },
    {
     "gloss": "Liczba podstawień, usunięć i wstawień względem długości transkrypcji referencyjnej.",
     "term": "WER"
    }
   ],
   "terms_en": [
    {
     "gloss": "A sequence-learning objective not requiring exact time-aligned labels.",
     "term": "CTC"
    },
    {
     "gloss": "Substitution, deletion and insertion counts relative to reference-transcript length.",
     "term": "WER"
    }
   ],
   "prereq": [
    "transformers",
    "tokenization"
   ],
   "keywords": [
    "CTC",
    "word error rate",
    "Whisper",
    "wav2vec 2.0",
    "RNN-T",
    "beam search"
   ],
   "source_ids": [
    "audio"
   ],
   "url": "https://aiatlasgraph.com/t/asr",
   "markdown_url": "https://aiatlasgraph.com/t/asr.md",
   "updated": "2026-10-30"
  },
  "assertionchecks": {
   "id": "assertionchecks",
   "parent_id": "codeevals",
   "label": "Asercje deterministyczne: format, schemat, dopasowanie tekstu",
   "canonical_name": "Deterministic assertions: format, schema and string checks",
   "aliases": [
    "code assertions",
    "string match",
    "regex checks",
    "schema validation",
    "asercje",
    "deterministic graders"
   ],
   "description": "Gradery kodowe sprawdzające odpowiedzi regułami: dopasowanie dokładne lub regex, walidacja schematu, długość, obecność słów kluczowych.",
   "description_en": "Code graders that check outputs with rules: exact or regex match, schema validation, length and keyword presence.",
   "plain": "Proste reguły w programie sprawdzają odpowiedź modelu: czy ma właściwy format, zawiera wymagane słowo albo nie przekracza długości.",
   "plain_en": "Simple rules in a program check a model's answer: right format, a required word present, or length within limits.",
   "solves": "Część błędów jest banalna do wykrycia, a sprawdzanie ich drugim modelem albo ręcznie marnuje czas i pieniądze.",
   "solves_en": "Some errors are trivial to detect, and checking them with a second model or by hand wastes time and money.",
   "does": "Jak bramka na lotnisku, która natychmiast wychwytuje oczywiste rzeczy; trudniejsze przypadki trafiają dopiero do człowieka lub sędziego.",
   "does_en": "Like an airport gate that instantly catches the obvious items; only harder cases go on to a person or a judge.",
   "example": "Formularz wypełniany przez asystenta musi mieć poprawną datę i kod pocztowy; reguła odrzuca odpowiedź, zanim ktoś ją zobaczy.",
   "example_en": "A form filled by an assistant needs a valid date and postcode; a rule rejects the answer before anyone sees it.",
   "for_you": [
    "model ma zwracać dane w ściśle określonym formacie",
    "chcesz tanich testów uruchamianych przy każdej zmianie"
   ],
   "for_you_en": [
    "the model must return data in a strict format",
    "you want cheap tests that run on every change"
   ],
   "how": "Każdy przypadek testowy ma zestaw asercji uruchamianych w kodzie: parsowanie JSON i walidację schematu, dopasowanie dokładne, rozmyte lub wyrażeniem regularnym, limity długości, obecność lub brak fraz. Są szybkie, tanie i powtarzalne, więc pasują do CI i jako pierwszy filtr przed sędzią LLM.",
   "how_en": "Each test case carries assertions run in code: JSON parsing and schema validation, exact, fuzzy or regex matching, length limits, and presence or absence of phrases. They are fast, cheap and reproducible, so they suit CI and act as a first filter before an LLM judge.",
   "limits": "Reguły są kruche wobec poprawnych wariantów, które nie pasują do wzorca, i nie oceniają sensu ani tonu. Zbyt wiele asercji na brzmienie odpowiedzi zamyka modelowi drogę do lepszych rozwiązań.",
   "limits_en": "Rules are brittle to valid variants that miss the pattern and cannot judge meaning or tone. Too many wording assertions block the model from better solutions.",
   "terms": [
    {
     "gloss": "Warunek, który odpowiedź musi spełnić, sprawdzany automatycznie.",
     "term": "asercja"
    },
    {
     "gloss": "Sprawdzenie, czy dane mają wymagane pola i typy.",
     "term": "walidacja schematu"
    },
    {
     "gloss": "Wzorzec tekstu do wyszukiwania lub sprawdzania formatu.",
     "term": "wyrażenie regularne"
    }
   ],
   "terms_en": [
    {
     "gloss": "A condition the answer must meet, checked automatically.",
     "term": "assertion"
    },
    {
     "gloss": "Checking that data has the required fields and types.",
     "term": "schema validation"
    },
    {
     "gloss": "A text pattern for searching or checking format.",
     "term": "regular expression"
    }
   ],
   "prereq": [
    "structured",
    "promptstructure"
   ],
   "keywords": [
    "regex assertions",
    "JSON Schema validation",
    "exact match",
    "fuzzy match",
    "CI evals"
   ],
   "source_ids": [
    "anthropic-agent-evals-2026"
   ],
   "url": "https://aiatlasgraph.com/t/assertionchecks",
   "markdown_url": "https://aiatlasgraph.com/t/assertionchecks.md",
   "updated": "2026-10-30"
  },
  "associationrules": {
   "id": "associationrules",
   "parent_id": "unsupervised",
   "label": "Reguły asocjacyjne i częste zbiory",
   "canonical_name": "Association rules and frequent itemsets",
   "aliases": [
    "market basket analysis",
    "analiza koszykowa",
    "frequent pattern mining"
   ],
   "description": "Eksploracja częstych zbiorów elementów i reguł X→Y w danych transakcyjnych, ocenianych wsparciem, ufnością i liftem.",
   "description_en": "Mining frequent itemsets and X→Y rules in transactional data, scored by support, confidence and lift.",
   "plain": "Szukanie rzeczy, które często występują razem, np. produktów kupowanych w jednym koszyku.",
   "plain_en": "Finding things that often appear together, such as products bought in the same basket.",
   "solves": "W tysiącach transakcji nikt ręcznie nie dostrzeże, które produkty lub zdarzenia regularnie idą w parze.",
   "solves_en": "Across thousands of transactions, nobody can spot by hand which products or events regularly go together.",
   "does": "Liczy, jak często zestawy rzeczy pojawiają się razem, i układa reguły typu „kto bierze to, zwykle bierze też tamto”.",
   "does_en": "It counts how often sets of items show up together and builds rules like “whoever takes this usually takes that too”.",
   "example": "Supermarket zauważa, że klienci kupujący makaron często biorą sos, i stawia je obok siebie na półce.",
   "example_en": "A supermarket notices that shoppers buying pasta often take sauce, and shelves them side by side.",
   "for_you": [
    "masz dane o koszykach, zamówieniach lub zestawach zdarzeń",
    "szukasz pomysłów na pakiety lub rozmieszczenie produktów"
   ],
   "for_you_en": [
    "have data on baskets, orders or sets of events",
    "are looking for bundle or shelf-placement ideas"
   ],
   "how": "Algorytmy Apriori i FP-Growth wyszukują zbiory elementów o wsparciu powyżej progu; Apriori odcina kandydatów, których podzbiory nie są częste, a FP-Growth kompresuje transakcje do drzewa prefiksowego. Z częstych zbiorów generuje się reguły filtrowane ufnością i liftem.",
   "how_en": "Apriori and FP-Growth find itemsets whose support exceeds a threshold; Apriori prunes candidates with infrequent subsets, while FP-Growth compresses transactions into a prefix tree. Rules generated from frequent itemsets are filtered by confidence and lift.",
   "limits": "Przy niskim progu wsparcia liczba reguł eksploduje, a większość jest oczywista lub przypadkowa. Reguły pokazują współwystępowanie, nie przyczynę. Rzadkie, ale ważne kombinacje łatwo przeoczyć.",
   "limits_en": "With a low support threshold, rule counts explode and most are obvious or accidental. Rules show co-occurrence, not cause. Rare but important combinations are easily missed.",
   "terms": [
    {
     "gloss": "Odsetek transakcji zawierających dany zestaw.",
     "term": "wsparcie"
    },
    {
     "gloss": "Jak często reguła się sprawdza, gdy pojawia się jej lewa strona.",
     "term": "ufność"
    },
    {
     "gloss": "Ile razy częściej rzeczy występują razem, niż wynikałoby z przypadku.",
     "term": "lift"
    }
   ],
   "terms_en": [
    {
     "gloss": "The share of transactions containing a given set.",
     "term": "support"
    },
    {
     "gloss": "How often a rule holds when its left-hand side appears.",
     "term": "confidence"
    },
    {
     "gloss": "How much more often items occur together than chance would predict.",
     "term": "lift"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "Apriori",
    "FP-Growth",
    "Eclat",
    "support",
    "confidence",
    "lift",
    "mlxtend",
    "market basket analysis"
   ],
   "source_ids": [
    "polito-fpm-lab-2025",
    "agrawal-srikant-apriori-1994",
    "han-pei-yin-fpgrowth-2000"
   ],
   "url": "https://aiatlasgraph.com/t/associationrules",
   "markdown_url": "https://aiatlasgraph.com/t/associationrules.md",
   "updated": "2026-10-30"
  },
  "astar": {
   "id": "astar",
   "parent_id": "search",
   "label": "Przeszukiwanie heurystyczne (A*)",
   "canonical_name": "Heuristic search (A*)",
   "description": "A* porządkuje węzły według sumy kosztu dotychczasowej drogi i heurystycznego kosztu do celu. Dopuszczalna heurystyka zapewnia optymalność w przeszukiwaniu drzewa; w przeszukiwaniu grafu trzeba dodatkowo poprawnie obsługiwać znalezione tańsze dojścia do wcześniej odwiedzonych stanów.",
   "description_en": "A* orders nodes by the sum of path cost so far and heuristic cost to the goal. An admissible heuristic guarantees optimality in tree search; graph search must additionally handle newly found cheaper paths to previously visited states correctly.",
   "examples": "A* · heurystyka dopuszczalna · przeszukiwanie zachłanne · wyznaczanie tras",
   "examples_en": "A* · admissible heuristic · greedy best-first · route finding",
   "plain": "To szukanie drogi przez sprawdzanie najpierw tras, które wydają się prowadzić do celu najmniejszym kosztem.",
   "plain_en": "This searches for a route by first exploring paths that appear to reach the goal at the lowest cost.",
   "solves": "Sprawdzanie każdej możliwej trasy zabiera dużo czasu, zwłaszcza gdy większość prowadzi w nieprzydatnym kierunku.",
   "solves_en": "Checking every possible route takes time, especially when most head in unhelpful directions.",
   "does": "Dodaje koszt przebytej części drogi do szacowanego kosztu pozostałej i według tej sumy wybiera kolejne warianty do sprawdzenia.",
   "does_en": "It adds the cost already incurred to the estimated remaining cost, then uses that sum to choose which paths to examine next.",
   "example": "Postać w grze szuka drogi do drzwi, omijając ściany i wybierając kolejne kroki według przebytej drogi oraz szacowanej odległości.",
   "example_en": "A game character seeks a route to a door, avoiding walls and choosing paths using travelled distance and an estimate of what remains.",
   "for_you": [
    "szukasz trasy wśród wielu możliwych przejść",
    "potrafisz oszacować koszt pozostały do osiągnięcia celu"
   ],
   "for_you_en": [
    "search for a route among many possible paths",
    "can estimate the remaining cost of reaching the goal"
   ],
   "how": "Kolejka priorytetowa porządkuje stany według kosztu przebytej ścieżki i heurystycznego kosztu do celu. Po znalezieniu tańszej drogi aktualizuje się zapis, a odpowiednia heurystyka i obsługa powrotów pozwalają zachować optymalność.",
   "how_en": "A priority queue orders states by accumulated path cost plus estimated remaining cost. Cheaper paths update records, and suitable heuristics with correct reopening preserve optimality.",
   "limits": "Heurystyka zawyżająca koszt może utracić gwarancję optymalności. Niespójna wymaga poprawnej obsługi ponownych odwiedzin, a duży frontier zwiększa zużycie pamięci.",
   "limits_en": "Overestimating heuristics can lose optimality guarantees. Inconsistent heuristics require correct reopening, while large frontiers increase memory use.",
   "terms": [
    {
     "gloss": "Ocena pozostałego kosztu, która nie przekracza kosztu rzeczywistego.",
     "term": "heurystyka dopuszczalna"
    },
    {
     "gloss": "Ocena spełniająca lokalny warunek zgodności z kosztami przejść.",
     "term": "heurystyka spójna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A remaining-cost estimate that never exceeds actual cost.",
     "term": "admissible heuristic"
    },
    {
     "gloss": "An estimate satisfying a local consistency condition with transition costs.",
     "term": "consistent heuristic"
    }
   ],
   "prereq": [
    "uninformedsearch"
   ],
   "keywords": [
    "admissible heuristics",
    "consistent heuristics",
    "greedy best-first search",
    "weighted A*",
    "priority queues"
   ],
   "source_ids": [
    "cs188fa25",
    "aima4"
   ],
   "url": "https://aiatlasgraph.com/t/astar",
   "markdown_url": "https://aiatlasgraph.com/t/astar.md",
   "updated": "2026-10-30"
  },
  "asteroid": {
   "id": "asteroid",
   "parent_id": "onpolicydistill",
   "label": "Eksploracja w kontekście przez asymetryczną destylację on-policy",
   "canonical_name": "In-context exploration through asymmetric on-policy distillation",
   "aliases": [
    "ASTEROID",
    "asymmetric on-policy distillation for in-context exploration"
   ],
   "description": "Ramka student-nauczyciel, w której historia on-policy ucznia dostaje etykiety akcji od uprzywilejowanego eksperta, ucząc eksploracji w czasie testu.",
   "description_en": "A student-teacher framework in which the student's on-policy history receives action labels from a privileged expert, teaching test-time exploration.",
   "plain": "Uczy agenta, żeby najpierw szukał brakujących informacji, a potem działał, korzystając z wskazówek eksperta, który widzi wszystko.",
   "plain_en": "Teaches an agent to first search for missing information and then act, using hints from an expert that sees everything.",
   "solves": "Agent nie wie, czego nie widzi, więc albo od razu działa na oślep, albo marnuje czas na nieefektywne próby.",
   "solves_en": "The agent does not know what it cannot see, so it either acts blindly at once or wastes time on inefficient trials.",
   "does": "Uczeń zbiera własne obserwacje, a ekspert z pełną wiedzą podpowiada lepsze działanie dla tej historii.",
   "does_en": "The student gathers its own observations, and an expert with full knowledge suggests a better action for that history.",
   "example": "Robot szuka przedmiotu na stole, którego nie widzi. Uczy się najpierw przesuwać rękę, aż go znajdzie, a potem chwyta.",
   "example_en": "A robot looks for an object on a table it cannot see. It learns to move its hand until it finds it, then grasps.",
   "for_you": [
    "agent musi odkryć ukryte informacje, zanim podejmie decyzję",
    "masz eksperta, który widzi więcej niż zwykły agent",
    "chcesz efektywniejszej eksploracji bez kosztownego uczenia ze wzmocnieniem"
   ],
   "for_you_en": [
    "the agent must discover hidden information before deciding",
    "you have an expert that sees more than the ordinary agent",
    "want more efficient exploration without expensive reinforcement learning"
   ],
   "how": "Uczeń generuje kontekst pod częściową obserwowalnością. Uprzywilejowany ekspert, który widzi ukryty stan, dostarcza etykiety akcji warunkowane tą historią. Destylacja uczy ucznia szukać, gdy jest niepewny, i eksploatować, gdy stan został ujawniony.",
   "how_en": "The student generates context under partial observability. A privileged expert that sees the hidden state supplies action labels conditioned on that history. Distillation teaches the student to search while uncertain and exploit once the state is revealed.",
   "limits": "Wymaga uprzywilejowanego eksperta, który podczas treningu widzi ukryty stan. Publikacja ocenia metodę w jedenastu środowiskach oraz jednym scenariuszu robotycznym po transferze z symulacji; nie wykazuje skuteczności bez takiego eksperta ani dla dowolnych zadań częściowo obserwowalnych.",
   "limits_en": "It requires a privileged expert that sees the hidden state during training. The paper evaluates the method in eleven environments and one robotic scenario after simulation transfer; it does not establish effectiveness without such an expert or across arbitrary partially observable tasks.",
   "terms": [
    {
     "gloss": "Model lub polityka, która widzi informacje ukryte przed uczniem.",
     "term": "uprzywilejowany ekspert"
    },
    {
     "gloss": "Uczenie się szukania brakujących danych w trakcie działania, bez osobnego treningu RL.",
     "term": "eksploracja w kontekście"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model or policy that sees information hidden from the student.",
     "term": "privileged expert"
    },
    {
     "gloss": "Learning to search for missing data during action without separate RL training.",
     "term": "in-context exploration"
    }
   ],
   "prereq": [
    "pomdp"
   ],
   "keywords": [
    "ASTEROID",
    "asymmetric distillation",
    "in-context exploration",
    "partial observability",
    "privileged expert",
    "on-policy context"
   ],
   "source_ids": [
    "poddar-asteroid-2026"
   ],
   "url": "https://aiatlasgraph.com/t/asteroid",
   "markdown_url": "https://aiatlasgraph.com/t/asteroid.md",
   "updated": "2026-10-30"
  },
  "asyncfunctions": {
   "id": "asyncfunctions",
   "parent_id": "voicetools",
   "label": "Narzędzia działające w tle rozmowy",
   "canonical_name": "Non-blocking tools in spoken dialogue",
   "description": "Agent może dalej rozmawiać, gdy długotrwałe zadanie trwa, a później uwzględnić jego wynik. Semantyka i dostępność tej techniki różnią się między API.",
   "description_en": "The agent can keep conversing while a long-running task executes, then incorporate its result. Semantics and support vary across APIs.",
   "examples": "status w toku · wynik po czasie · anulowanie",
   "examples_en": "in-progress status · delayed result · cancellation",
   "plain": "To wykonywanie zadania w tle, podczas gdy asystent może dalej prowadzić rozmowę.",
   "plain_en": "This runs a task in the background while an assistant can continue the conversation.",
   "solves": "Długie sprawdzanie danych zamraża dialog, choć w tym czasie możesz podać kolejne szczegóły.",
   "solves_en": "A lengthy data lookup freezes dialogue even though you could provide more details while waiting.",
   "does": "System uruchamia działanie bez blokowania rozmowy, śledzi jego stan i dołącza wynik, gdy jest gotowy.",
   "does_en": "A system starts an action without blocking dialogue, tracks its status and incorporates the result when it is ready.",
   "example": "Asystent wyszukuje wolne terminy, a ty w tym czasie dopowiadasz, że potrzebujesz miejsca parkingowego.",
   "example_en": "An assistant searches available appointments while you add that you need a parking space.",
   "for_you": [
    "narzędzia długo przygotowują wyniki",
    "chcesz rozmawiać podczas trwającego zadania"
   ],
   "for_you_en": [
    "use tools that take time to return results",
    "want to converse during an ongoing task"
   ],
   "how": "Wywołanie uruchamia pracę w tle, a rozmowa zachowuje identyfikator operacji i jej stan. Zdarzenie zakończenia dostarcza wynik do właściwego kontekstu; agent może wcześniej odpowiadać na niezależne pytania, jeśli interfejs pozwala oddzielić te przebiegi.",
   "how_en": "A call starts background work, while conversation retains the operation identifier and state. A completion event delivers results to the appropriate context; the agent can answer independent questions meanwhile if its interface separates these processes.",
   "limits": "Obsługa zależy od interfejsu modelu i orkiestratora. Wyniki mogą przyjść po zmianie celu; ponowienie, anulowanie i kolejność wymagają kontroli, a zatrzymanie rozmowy niekoniecznie zatrzymuje zadanie.",
   "limits_en": "Support depends on model and orchestrator interfaces. Results can arrive after goals change; retries, cancellation and ordering require control, and stopping conversation may not stop the task.",
   "terms": [
    {
     "gloss": "Zadanie działające niezależnie od bieżącego generowania odpowiedzi.",
     "term": "operacja w tle"
    },
    {
     "gloss": "Powiązanie zdarzenia zakończenia z właściwym żądaniem i kontekstem.",
     "term": "korelacja wyniku"
    }
   ],
   "terms_en": [
    {
     "gloss": "A task running independently of current response generation.",
     "term": "background operation"
    },
    {
     "gloss": "Linking a completion event to its correct request and context.",
     "term": "result correlation"
    }
   ],
   "prereq": [
    "eventdriven",
    "workflows"
   ],
   "keywords": [
    "asynchronous function calling",
    "background execution",
    "operation IDs",
    "result correlation",
    "cancellation tokens"
   ],
   "source_ids": [
    "voiceprimer",
    "google-live-tools"
   ],
   "url": "https://aiatlasgraph.com/t/asyncfunctions",
   "markdown_url": "https://aiatlasgraph.com/t/asyncfunctions.md",
   "updated": "2026-10-30"
  },
  "atriskprediction": {
   "id": "atriskprediction",
   "parent_id": "learnermodeling",
   "label": "Wczesne ostrzeganie o uczniach zagrożonych niepowodzeniem",
   "canonical_name": "Early warning: predicting at-risk students",
   "aliases": [
    "early warning systems",
    "at-risk student prediction",
    "dropout prediction",
    "student retention analytics",
    "predykcja porzucenia studiów",
    "systemy wczesnego ostrzegania"
   ],
   "description": "Klasyfikacja i regresja na danych z LMS i systemów dziekanatowych w celu wczesnego wykrycia uczniów zagrożonych oblaniem lub porzuceniem kursu.",
   "description_en": "Classification and regression on LMS and student-record data to detect early the learners at risk of failing or dropping a course.",
   "plain": "Modele, które z aktywności na platformie kursu i ocen cząstkowych wskazują osoby zagrożone oblaniem lub rezygnacją z nauki.",
   "plain_en": "Models that use course-platform activity and interim grades to point out people at risk of failing or dropping out.",
   "solves": "Studenci często znikają po cichu i uczelnia dowiaduje się o tym dopiero po sesji, kiedy już nie da się pomóc.",
   "solves_en": "Students often disappear quietly, and the university finds out only after exams, when it is too late to help.",
   "does": "Jak kontrolka w samochodzie: zapala się wcześnie, zanim usterka unieruchomi auto, ale naprawić musi już ktoś inny.",
   "does_en": "Like a warning light in a car: it comes on early, before a fault stops the car, but someone else still has to fix it.",
   "example": "W szóstym tygodniu semestru opiekun roku dostaje sygnał, że studentka przestała otwierać materiały, i zaprasza ją na rozmowę.",
   "example_en": "In week six of the term, a year tutor is alerted that a student stopped opening course materials and invites her for a chat.",
   "for_you": [
    "opiekujesz się studentami lub kursantami",
    "decydujesz, komu uczelnia zaproponuje wsparcie"
   ],
   "for_you_en": [
    "look after students or trainees",
    "decide whom an institution offers support to"
   ],
   "how": "Z logów LMS i ocen cząstkowych wylicza się cechy zaangażowania, takie jak logowania, oddane zadania i wyniki na tle grupy, a następnie trenuje klasyfikator lub model regresyjny. Moment uruchomienia alertu dobiera się tak, by dane były już użyteczne, lecz pozostawał czas na interwencję; w jednym badanym kursie najlepszy kompromis przypadał około 5.–6. tygodnia.",
   "how_en": "Engagement features such as logins, submissions and performance relative to the group are derived from LMS logs and interim grades, then used to train a classifier or regression model. The alert timing is chosen so the data are informative while time remains to intervene; in one studied course, the best trade-off was around weeks 5–6.",
   "limits": "Trafność zależy od uczelni i kursu, więc model trzeba dostrajać lokalnie. Cechy demograficzne mogą utrwalać uprzedzenia i budzą obawy o prywatność. Najtrudniejsza jest skuteczna interwencja: sam alert rzadko zmienia wynik, a twierdzenia o trwałym wpływie bywały kwestionowane.",
   "limits_en": "Accuracy depends on the institution and course, so models need local tuning. Demographic features can entrench bias and raise privacy concerns. Effective intervention is the hard part: an alert alone rarely changes outcomes, and claims of lasting impact have been disputed.",
   "terms": [
    {
     "gloss": "Narzędzie sygnalizujące ryzyko niepowodzenia, zanim do niego dojdzie.",
     "term": "system wczesnego ostrzegania"
    },
    {
     "gloss": "Odsetek uczniów, którzy kontynuują naukę w kolejnym okresie.",
     "term": "retencja"
    },
    {
     "gloss": "Konkretna pomoc, np. rozmowa lub korepetycje, uruchamiana po alercie.",
     "term": "interwencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A tool that flags risk of failure before it happens.",
     "term": "early warning system"
    },
    {
     "gloss": "The share of learners who continue into the next period.",
     "term": "retention"
    },
    {
     "gloss": "Concrete help, such as a meeting or tutoring, triggered by an alert.",
     "term": "intervention"
    }
   ],
   "prereq": [
    "gradientboosting",
    "fairnessmetrics"
   ],
   "keywords": [
    "dropout prediction",
    "Course Signals",
    "LMS engagement features",
    "OULAD",
    "BART",
    "student retention",
    "logistic regression",
    "predictive learning analytics"
   ],
   "source_ids": [
    "howard-ews-2017",
    "eliterate-early-warning"
   ],
   "url": "https://aiatlasgraph.com/t/atriskprediction",
   "markdown_url": "https://aiatlasgraph.com/t/atriskprediction.md",
   "updated": "2026-10-30"
  },
  "attentionkt": {
   "id": "attentionkt",
   "parent_id": "knowledgetracing",
   "label": "Śledzenie wiedzy z mechanizmem uwagi (SAKT, AKT)",
   "canonical_name": "Attention-based knowledge tracing (SAKT, AKT)",
   "aliases": [
    "SAKT",
    "AKT",
    "SAINT",
    "self-attentive knowledge tracing",
    "attentive knowledge tracing",
    "transformer knowledge tracing"
   ],
   "description": "Rodzina modeli śledzenia wiedzy, w których samo-uwaga waży wcześniejsze interakcje według ich znaczenia dla bieżącego pytania.",
   "description_en": "A family of knowledge-tracing models in which self-attention weights past interactions by their relevance to the current question.",
   "plain": "Model śledzenia wiedzy, który przy każdym nowym zadaniu wybiera z historii ucznia te kilka odpowiedzi, które naprawdę się liczą.",
   "plain_en": "A knowledge-tracing model that, for each new task, picks out the few past answers in a learner's history that really matter.",
   "solves": "Uczniowie rozwiązują mało zadań i w przypadkowej kolejności, więc łatwo przecenić stare odpowiedzi albo zgubić ważne.",
   "solves_en": "Learners solve few tasks in a haphazard order, so it is easy to overrate old answers or lose important ones.",
   "does": "Jak nauczyciel, który przed oceną przegląda zeszyt i zatrzymuje się tylko przy podobnych zadaniach, a starsze wpisy traktuje z mniejszą wagą.",
   "does_en": "Like a teacher who flips through a notebook before grading, stopping only at similar tasks and giving older entries less weight.",
   "example": "Przed zadaniem z geometrii aplikacja bierze pod uwagę głównie niedawne zadania z figur, a nie wczorajsze ćwiczenia z procentów.",
   "example_en": "Before a geometry task the app mainly weighs recent shape problems, not yesterday's percentage exercises.",
   "for_you": [
    "porównujesz nowsze modele przewidywania wyników ucznia",
    "masz rzadkie, nieregularne dane o odpowiedziach"
   ],
   "for_you_en": [
    "compare newer models for predicting learner results",
    "have sparse, irregular answer data"
   ],
   "how": "SAKT traktuje bieżące pytanie jako zapytanie, a wcześniejsze interakcje jako klucze i wartości samo-uwagi. AKT dodaje monotoniczną uwagę z wygaszaniem w czasie i podobieństwem pytań oraz osadzenia pytań regularyzowane modelem Rascha. Wyjściem jest szansa poprawnej odpowiedzi.",
   "how_en": "SAKT treats the current question as the query and past interactions as self-attention keys and values. AKT adds monotonic attention with time decay and question similarity, plus question embeddings regularised by the Rasch model. The output is the probability of a correct answer.",
   "limits": "Zyski raportowane w publikacjach bywają zawyżone przez błędy ewaluacji, a w uczciwych porównaniach przewaga nad pierwszym modelem głębokim jest niewielka. Wagi uwagi nie są automatycznie wyjaśnieniem zrozumiałym dla nauczyciela.",
   "limits_en": "Gains reported in papers are often inflated by evaluation mistakes, and in fair comparisons the edge over the first deep model is small. Attention weights are not automatically an explanation a teacher can use.",
   "terms": [
    {
     "gloss": "Ważenie elementów sekwencji według ich związku z bieżącym elementem.",
     "term": "self-attention"
    },
    {
     "gloss": "Uwaga, która z upływem czasu słabnie dla starszych odpowiedzi.",
     "term": "monotonic attention"
    },
    {
     "gloss": "Opis pytania jako umiejętność plus poprawka na jego trudność.",
     "term": "Rasch embedding"
    }
   ],
   "terms_en": [
    {
     "gloss": "Weighting sequence items by how they relate to the current item.",
     "term": "self-attention"
    },
    {
     "gloss": "Attention that fades for older answers as time passes.",
     "term": "monotonic attention"
    },
    {
     "gloss": "Describing a question as a skill plus a correction for its difficulty.",
     "term": "Rasch embedding"
    }
   ],
   "prereq": [
    "selfattention",
    "dkt"
   ],
   "keywords": [
    "SAKT",
    "AKT",
    "SAINT",
    "simpleKT",
    "pyKT",
    "Transformer",
    "Rasch embedding"
   ],
   "source_ids": [
    "pykt-2022",
    "pandey-sakt-2019",
    "ghosh-akt-2020"
   ],
   "url": "https://aiatlasgraph.com/t/attentionkt",
   "markdown_url": "https://aiatlasgraph.com/t/attentionkt.md",
   "updated": "2026-10-30"
  },
  "attnvariants": {
   "id": "attnvariants",
   "parent_id": "transformers",
   "label": "Oszczędne warianty uwagi (MQA, GQA, MLA)",
   "canonical_name": "Memory-efficient attention variants (MQA, GQA, MLA)",
   "aliases": [
    "MQA",
    "GQA",
    "MLA",
    "multi-query attention",
    "grouped-query attention",
    "multi-head latent attention"
   ],
   "description": "Modyfikacje uwagi wielogłowicowej ograniczające pamięć KV cache i koszt generowania: MQA współdzieli jeden zestaw kluczy i wartości między głowami, GQA — między grupami głów, a MLA kompresuje reprezentacje kluczy i wartości do przestrzeni ukrytej.",
   "description_en": "Multi-head attention variants that reduce KV-cache memory and generation cost: MQA shares one set of keys and values across heads, GQA shares them across groups of heads, and MLA compresses key-value representations into a latent space.",
   "examples": "multi-query attention · grouped-query attention · multi-head latent attention (DeepSeek-V2)",
   "examples_en": "multi-query attention · grouped-query attention · multi-head latent attention (DeepSeek-V2)",
   "plain": "To zmiany mechanizmu uwagi zmniejszające pamięć potrzebną do przechowywania wcześniej przetworzonego tekstu.",
   "plain_en": "These attention changes reduce the memory needed to store previously processed text.",
   "solves": "Długie rozmowy zajmują dużo pamięci i ograniczają liczbę osób obsługiwanych jednocześnie.",
   "solves_en": "Long conversations occupy substantial memory and limit how many people can be served at once.",
   "does": "Części uwagi współdzielą wybrane zapisy albo przechowują je w skompresowanej postaci, zamiast utrzymywać osobne pełne kopie.",
   "does_en": "Attention components share selected representations or store compressed versions rather than keeping separate full copies.",
   "example": "Wybierasz model z oszczędniejszą uwagą, żeby serwer mógł prowadzić więcej długich rozmów.",
   "example_en": "You choose a model with memory-saving attention so a server can handle more long conversations.",
   "for_you": [
    "pamięć ogranicza liczbę równoczesnych rozmów",
    "porównujesz koszt różnych konstrukcji uwagi"
   ],
   "for_you_en": [
    "find memory limits concurrent conversations",
    "compare the costs of different attention designs"
   ],
   "how": "MQA i GQA współdzielą projekcje kluczy oraz wartości pomiędzy głowami zapytań, zmniejszając przechowywany stan. MLA zapisuje skompresowany latent, z którego uzyskuje potrzebne reprezentacje, zmieniając konstrukcję uwagi i jej pamięci podręcznej.",
   "how_en": "MQA and GQA share key and value projections across query heads, reducing stored state. MLA stores a compressed latent from which required representations are obtained, changing attention construction and its cache.",
   "limits": "Oszczędność pamięci nie usuwa całego kosztu uwagi ani wag modelu. Współdzielenie i kompresja zmieniają pojemność reprezentacji; wdrożenie zależy od treningu oraz obsługi danego wariantu przez silnik.",
   "limits_en": "Memory savings do not eliminate all attention or model-weight costs. Sharing and compression change representational capacity; deployment depends on training and engine support for the variant.",
   "terms": [
    {
     "gloss": "Głowy zapytań korzystające ze wspólnego zestawu kluczy i wartości.",
     "term": "grupa głów"
    },
    {
     "gloss": "Skompresowana reprezentacja zastępująca bezpośrednie przechowywanie kluczy i wartości.",
     "term": "latent KV"
    }
   ],
   "terms_en": [
    {
     "gloss": "Query heads using a shared set of keys and values.",
     "term": "head group"
    },
    {
     "gloss": "A compressed representation replacing direct storage of keys and values.",
     "term": "KV latent"
    }
   ],
   "prereq": [
    "selfattention",
    "linearalgebra"
   ],
   "keywords": [
    "MQA",
    "GQA",
    "MLA",
    "KV cache",
    "shared key-value heads",
    "latent KV compression",
    "DeepSeek-V2"
   ],
   "source_ids": [
    "gqa-2023",
    "raschka-llm-arch-comparison",
    "mistral-7b-2023",
    "deepseek-v2-mla-2024"
   ],
   "url": "https://aiatlasgraph.com/t/attnvariants",
   "markdown_url": "https://aiatlasgraph.com/t/attnvariants.md",
   "updated": "2026-10-30"
  },
  "audio": {
   "id": "audio",
   "parent_id": "modalities",
   "label": "Mowa i audio",
   "canonical_name": "Speech and audio",
   "description": "Analiza i synteza sygnału dźwiękowego.",
   "description_en": "Analysing and synthesising sound.",
   "examples": "ASR · TTS · klasyfikacja dźwięku",
   "examples_en": "ASR · TTS · audio classification",
   "plain": "To dziedzina, w której komputery słuchają, rozumieją i tworzą dźwięk: mowę, muzykę i odgłosy otoczenia.",
   "plain_en": "This is the field where computers listen to, understand and create sound: speech, music and everyday noises.",
   "solves": "Potrzebujesz informacji z nagrań albo nowych dźwięków, a ręczne odsłuchiwanie i przygotowanie wszystkiego zajmuje dużo czasu.",
   "solves_en": "You need information from recordings or new sounds, and manually listening to or producing everything takes time.",
   "does": "Modele uczą się wzorów dźwięku i ich związku ze słowami, żeby rozpoznawać nagrania lub tworzyć nowe brzmienia.",
   "does_en": "Models learn sound patterns and their links to words so they can recognise recordings or generate new audio.",
   "example": "Mówisz do telefonu „ustaw budzik na siódmą”, a on cię rozumie i odpowiada głosem, że budzik jest ustawiony.",
   "example_en": "You tell your phone to set an alarm for seven, and it understands and confirms out loud.",
   "for_you": [
    "pracujesz z nagraniami, muzyką lub głosem",
    "chcesz rozmawiać z urządzeniami zamiast pisać",
    "tworzysz podcasty, audycje lub dźwięk do filmów"
   ],
   "for_you_en": [
    "work with recordings, music or voice",
    "want to talk to devices instead of typing",
    "make podcasts, broadcasts or film sound"
   ],
   "how": "Przebieg falowy lub spektrogram koduje czas i częstotliwości sygnału w reprezentacji modelu. Klasyfikatory, modele sekwencyjne oraz generatory wiążą te cechy z etykietami, tekstem albo rekonstruowanym dźwiękiem.",
   "how_en": "Waveforms or spectrograms encode signal timing and frequencies in model representations. Classifiers, sequence models and generators connect these features to labels, text or reconstructed audio.",
   "limits": "Hałas, pogłos i nakładanie źródeł utrudniają separację informacji. Próbkowanie, kompresja i okna analizy wpływają na szczegóły; poprawny tekst nie opisuje całej treści dźwięku.",
   "limits_en": "Noise, reverberation and overlapping sources complicate information separation. Sampling, compression and analysis windows affect detail; correct text does not describe all audio content.",
   "terms": [
    {
     "gloss": "Mapa energii częstotliwości w kolejnych oknach czasu.",
     "term": "spektrogram"
    },
    {
     "gloss": "Liczba pomiarów sygnału zapisywanych w jednostce czasu.",
     "term": "częstotliwość próbkowania"
    }
   ],
   "terms_en": [
    {
     "gloss": "A map of frequency energy across successive time windows.",
     "term": "spectrogram"
    },
    {
     "gloss": "The number of signal measurements recorded per unit of time.",
     "term": "sampling rate"
    }
   ],
   "prereq": [
    "representations",
    "supervised"
   ],
   "keywords": [
    "mel spectrograms",
    "sampling rate",
    "neural audio codecs",
    "Whisper",
    "CTC",
    "vocoder",
    "AudioSet",
    "EnCodec"
   ],
   "source_ids": [
    "audio",
    "vision",
    "cs336"
   ],
   "url": "https://aiatlasgraph.com/t/audio",
   "markdown_url": "https://aiatlasgraph.com/t/audio.md",
   "updated": "2026-10-30"
  },
  "audioclassification": {
   "id": "audioclassification",
   "parent_id": "audio",
   "label": "Rozpoznawanie dźwięków i klasyfikacja nagrań",
   "canonical_name": "Audio and sound event classification",
   "aliases": [
    "audio classification",
    "sound event classification",
    "audio tagging",
    "klasyfikacja dźwięków",
    "rozpoznawanie zdarzeń dźwiękowych",
    "tagowanie audio"
   ],
   "description": "Przypisywanie nagraniu jednej lub wielu etykiet opisujących jego zawartość, np. rodzaju dźwięku, gatunku muzyki, komendy głosowej lub języka. Modele często analizują spektrogram albo wyuczoną reprezentację audio; wspólne przestrzenie dźwięk–tekst umożliwiają również klasyfikację zero-shot.",
   "description_en": "Assigning one or more labels that describe a recording, such as sound type, music genre, spoken command or language. Models often analyse a spectrogram or a learned audio representation; shared audio-text spaces also enable zero-shot classification.",
   "examples": "tagowanie zdarzeń dźwiękowych · AudioSet · ESC-50 · Speech Commands · AST · CLAP",
   "examples_en": "sound-event tagging · AudioSet · ESC-50 · Speech Commands · AST · CLAP",
   "plain": "To rozpoznawanie, co słychać na nagraniu: tłuczone szkło, płacz dziecka, gatunek muzyki albo komendę głosową.",
   "plain_en": "This recognises what can be heard in a recording: breaking glass, a crying baby, a music genre or a voice command.",
   "solves": "Nikt nie odsłucha tysięcy godzin nagrań z kamer, mikrofonów czy archiwów, żeby znaleźć kilka ważnych dźwięków.",
   "solves_en": "No one can listen through thousands of hours from cameras, microphones or archives to find a few important sounds.",
   "does": "Rozpoznaje charakterystyczne wzory w obrazie częstotliwości, tak jak ornitolog rozpoznaje ptaka po głosie.",
   "does_en": "It spots telltale patterns in a picture of the frequencies, the way a birdwatcher recognises a bird by its song.",
   "example": "Aplikacja w telefonie słucha śpiewu za oknem i mówi, że to kos, a nie drozd.",
   "example_en": "A phone app listens to birdsong outside your window and tells you it is a blackbird, not a thrush.",
   "for_you": [
    "porządkujesz archiwum nagrań lub efektów",
    "chcesz, by urządzenie reagowało na konkretne dźwięki",
    "uruchamiasz sprzęt wypowiadanym słowem"
   ],
   "for_you_en": [
    "organise an archive of recordings or sound effects",
    "want a device to react to particular sounds",
    "wake a device with a spoken word"
   ],
   "how": "Spektrogram lub enkoder fali tworzy cechy agregowane w czasie do ocen etykiet. Wariant kontrastowy porównuje embedding nagrania z opisami tekstowymi, umożliwiając wybór kategorii bez osobnej głowicy dla każdej z nich.",
   "how_en": "Spectrograms or waveform encoders produce features pooled over time into label scores. Contrastive variants compare recording embeddings with text descriptions, enabling category selection without a separate head for each category.",
   "limits": "Jedno nagranie może zawierać wiele nakładających się zdarzeń. Agregacja gubi moment wystąpienia, a kategoria zależy od długości próbki, hałasu i definicji etykiet.",
   "limits_en": "Recordings can contain overlapping events. Aggregation loses event timing, and categories depend on sample duration, noise and label definitions.",
   "terms": [
    {
     "gloss": "Kategoria określająca rodzaj dźwięku obecnego w nagraniu.",
     "term": "etykieta zdarzenia"
    },
    {
     "gloss": "Łączenie cech kolejnych momentów w reprezentację nagrania.",
     "term": "pooling czasowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A category describing a sound type present in a recording.",
     "term": "event label"
    },
    {
     "gloss": "Combining successive time features into a recording representation.",
     "term": "temporal pooling"
    }
   ],
   "prereq": [
    "supervised",
    "representations"
   ],
   "keywords": [
    "AudioSet",
    "ESC-50",
    "Speech Commands",
    "Audio Spectrogram Transformer",
    "CLAP",
    "audio tagging",
    "sound event detection"
   ],
   "source_ids": [
    "hf-tasks-audio-classification",
    "hf-audio-course-unit4",
    "audioset-2017",
    "ast-2021",
    "laion-clap-2022"
   ],
   "url": "https://aiatlasgraph.com/t/audioclassification",
   "markdown_url": "https://aiatlasgraph.com/t/audioclassification.md",
   "updated": "2026-10-30"
  },
  "audiofacial": {
   "id": "audiofacial",
   "parent_id": "charanimation",
   "label": "Animacja twarzy z nagrania głosu",
   "canonical_name": "Audio-driven facial animation",
   "aliases": [
    "audio-driven facial animation",
    "speech-driven facial animation",
    "animacja twarzy sterowana mową",
    "animacja twarzy z mowy"
   ],
   "description": "Modele mapujące sygnał mowy na sekwencję parametrów animacji twarzy trójwymiarowej postaci, z późniejszym przeniesieniem ruchu na jej rig.",
   "description_en": "Models mapping a speech signal to a sequence of facial-animation parameters for a 3D character, followed by retargeting the motion to its rig.",
   "plain": "Model słucha mowy i tworzy zsynchronizowany ruch twarzy trójwymiarowej postaci.",
   "plain_en": "A model listens to speech and creates synchronised facial motion for a 3D character.",
   "solves": "Ręczne zgrywanie ust z tysiącami linii dialogowych, w kilku językach, pochłania miesiące pracy animatorów.",
   "solves_en": "Hand-syncing lips to thousands of dialogue lines in several languages eats months of animators' work.",
   "does": "Działa jak lektor dubbingu, który patrzy w ekran i dopasowuje ruch ust do słowa, tylko odwrotnie: z głosu powstaje twarz.",
   "does_en": "It works like dubbing in reverse: instead of fitting a voice to lips on screen, it builds the face from the voice.",
   "example": "Postać w grze odpowiada ci głosem wygenerowanym na bieżąco, a jej usta i mimika pasują do każdego słowa i emocji.",
   "example_en": "A game character answers you with a voice generated on the fly, and its lips and expressions fit every word and emotion.",
   "for_you": [
    "robisz grę z dużą ilością dialogów",
    "budujesz rozmownego awatara lub asystenta głosowego z twarzą",
    "lokalizujesz grę lub film na inne języki"
   ],
   "for_you_en": [
    "make a game with lots of dialogue",
    "build a talking avatar or voice assistant with a face",
    "localise a game or film into other languages"
   ],
   "how": "Nagranie jest kodowane jako cechy dźwięku. Sieć mapuje je na sekwencję parametrów twarzy, a etap retargetingu przenosi wynik na rig konkretnej postaci. System może działać w czasie rzeczywistym.",
   "how_en": "Audio is encoded into features. A network maps them to a sequence of facial parameters, and a retargeting stage transfers the result to a particular character rig. The system can run in real time.",
   "limits": "Trening nadal wymaga sparowanych danych dźwięku i ruchu twarzy, a zastosowanie wyniku na innej postaci wymaga retargetingu. Wdrożenie na żywo musi też zmieścić generowanie w budżecie opóźnienia aplikacji.",
   "limits_en": "Training still needs paired audio and facial-motion data, and applying the result to another character requires retargeting. A live deployment must also fit generation into the application's latency budget.",
   "terms": [
    {
     "gloss": "Zapisany kształt twarzy, np. uśmiech, mieszany z innymi w różnych proporcjach.",
     "term": "blendshape"
    },
    {
     "gloss": "Wygląd ust odpowiadający grupie podobnie brzmiących głosek.",
     "term": "wizem"
    },
    {
     "gloss": "Zgranie ruchu ust z wypowiadanymi słowami.",
     "term": "lip sync"
    }
   ],
   "terms_en": [
    {
     "gloss": "A stored face shape, e.g. a smile, mixed with others in proportions.",
     "term": "blendshape"
    },
    {
     "gloss": "The mouth shape matching a group of similar-sounding speech sounds.",
     "term": "viseme"
    },
    {
     "gloss": "Matching mouth movement to the spoken words.",
     "term": "lip sync"
    }
   ],
   "keywords": [
    "Audio2Face-3D",
    "FaceFormer",
    "VOCA",
    "blendshapes",
    "visemes",
    "ARKit blendshapes",
    "wav2vec 2.0",
    "MetaHuman"
   ],
   "source_ids": [
    "nvidia-audio2face3d-2025"
   ],
   "url": "https://aiatlasgraph.com/t/audiofacial",
   "markdown_url": "https://aiatlasgraph.com/t/audiofacial.md",
   "updated": "2026-10-30"
  },
  "audiogen": {
   "id": "audiogen",
   "parent_id": "audio",
   "label": "Generowanie muzyki i efektów dźwiękowych",
   "canonical_name": "Music and sound generation",
   "aliases": [
    "audio generation",
    "music generation",
    "text-to-audio",
    "text-to-music",
    "sound effect generation",
    "generowanie muzyki",
    "generowanie dźwięku",
    "tekst na audio",
    "synteza dźwięku"
   ],
   "description": "Modele tworzące muzykę, efekty dźwiękowe lub tło akustyczne z opisu tekstowego (czasem z melodią lub tekstem piosenki), zwykle jako modele językowe na dyskretnych tokenach audio albo dyfuzja latentna.",
   "description_en": "Models that create music, sound effects or ambience from a text prompt (sometimes with a melody or lyrics), usually as language models over discrete audio tokens or as latent diffusion.",
   "examples": "tekst→audio · tekst→muzyka · tokeny audio · dyfuzja latentna · MusicGen · AudioLDM · Stable Audio Open · ACE-Step · AudioCaps",
   "examples_en": "text-to-audio · text-to-music · audio tokens · latent diffusion · MusicGen · AudioLDM · Stable Audio Open · ACE-Step · AudioCaps",
   "plain": "To tworzenie muzyki albo odgłosów, takich jak deszcz czy kroki, na podstawie opisu słownego.",
   "plain_en": "This creates music or sounds, such as rain or footsteps, from a written description.",
   "solves": "Znalezienie lub nagranie pasującej muzyki i efektów do filmu czy podcastu zajmuje czas, a licencje bywają kosztowne.",
   "solves_en": "Finding or recording the right music and effects for a video or podcast takes time, and licences can be costly.",
   "does": "Uczy się powiązań między nagraniami i opisami, a podczas generowania stopniowo buduje dźwięk pasujący do wskazanej sceny.",
   "does_en": "It learns relationships between recordings and descriptions, then gradually builds audio that fits the requested scene.",
   "example": "Do filmiku z wakacji wpisujesz „spokojna gitara akustyczna, szum morza” i dostajesz kilka pasujących podkładów do wyboru.",
   "example_en": "For a holiday video you type “calm acoustic guitar, sound of the sea” and get several fitting backing tracks to choose from.",
   "for_you": [
    "potrzebujesz podkładu lub efektów do filmów i podcastów",
    "tworzysz muzykę i szukasz nowych pomysłów",
    "zastanawiasz się, czy usłyszany utwór napisał człowiek"
   ],
   "for_you_en": [
    "need music or effects for videos and podcasts",
    "make music and look for new ideas",
    "wonder whether a track you hear was written by a person"
   ],
   "how": "Warunki tekstowe lub muzyczne sterują generowaniem dyskretnych tokenów audio albo odszumianiem reprezentacji latentnej. Kodek neuronowy i dekoder zamieniają wynik na falę, z modelowaniem zależności rytmicznych oraz czasowych.",
   "how_en": "Text or musical conditions guide discrete audio-token generation or latent denoising. Neural codecs and decoders convert outputs into waveforms, modelling rhythmic and temporal dependencies.",
   "limits": "Długie nagrania mogą tracić strukturę i spójność. Kontrola słów, tempa oraz instrumentów zależy od modelu; artefakty kodeka i próbkowanie wpływają na jakość.",
   "limits_en": "Long recordings can lose structure and consistency. Control over lyrics, tempo and instruments depends on models; codec artifacts and sampling affect quality.",
   "terms": [
    {
     "gloss": "Model kompresujący dźwięk do reprezentacji i odtwarzający z niej falę.",
     "term": "kodek neuronowy"
    },
    {
     "gloss": "Dyskretna jednostka kodująca fragment wyuczonej reprezentacji dźwięku.",
     "term": "token audio"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model compressing audio into representations and reconstructing waveforms.",
     "term": "neural codec"
    },
    {
     "gloss": "A discrete unit encoding part of a learned audio representation.",
     "term": "audio token"
    }
   ],
   "prereq": [
    "generative",
    "transformers"
   ],
   "keywords": [
    "MusicGen",
    "AudioLDM",
    "Stable Audio Open",
    "ACE-Step",
    "EnCodec",
    "audio tokens",
    "AudioCaps"
   ],
   "source_ids": [
    "musicgen-2023",
    "audioldm-2023",
    "stable-audio-open-2024",
    "ace-step-2025",
    "laion-clap-2022"
   ],
   "url": "https://aiatlasgraph.com/t/audiogen",
   "markdown_url": "https://aiatlasgraph.com/t/audiogen.md",
   "updated": "2026-10-30"
  },
  "audiolanguage": {
   "id": "audiolanguage",
   "parent_id": "multimodal",
   "label": "Modele audio–język (rozumienie mowy, dźwięków i muzyki)",
   "canonical_name": "Audio-language models",
   "aliases": [
    "audio-language models",
    "ALM",
    "large audio-language models",
    "LALM",
    "audio LLM",
    "speech LLM",
    "modele audio–język",
    "LLM słyszące"
   ],
   "description": "Modele językowe połączone z reprezentacją dźwięku, które mogą wspólnie obsługiwać mowę, odgłosy otoczenia i muzykę: transkrypcję, tłumaczenie, pytania o nagranie, opisywanie dźwięków lub analizę cech mówcy. Zakres obsługiwanych zadań zależy od danych i konstrukcji konkretnego modelu.",
   "description_en": "Language models connected to audio representations that can jointly handle speech, environmental sounds and music: transcription, translation, questions about recordings, audio captioning or speaker-related analysis. The supported task range depends on each model's data and design.",
   "examples": "pytania o nagranie (audio QA) · opisywanie dźwięków · rozpoznawanie emocji · rozumienie muzyki · Qwen-Audio · SALMONN · Qwen3-Omni",
   "examples_en": "audio question answering · audio captioning · emotion recognition · music understanding · Qwen-Audio · SALMONN · Qwen3-Omni",
   "plain": "To modele językowe, które potrafią słuchać: rozumieją nie tylko słowa, ale też dźwięki, muzykę i ton głosu.",
   "plain_en": "These are language models that can listen: they understand not just words but also sounds, music and tone of voice.",
   "solves": "Zwykła zamiana mowy na tekst gubi wszystko poza słowami: emocje, odgłosy w tle, muzykę i to, kto mówi.",
   "solves_en": "Plain speech-to-text drops everything except the words: emotion, background sounds, music and who is speaking.",
   "does": "Łączy cechy dźwięku z językiem, żeby odpowiadać na pytania o nagranie; obsługiwane zadania zależą od modelu.",
   "does_en": "It connects audio features with language to answer questions about recordings; supported tasks depend on the model.",
   "example": "Wgrywasz nagranie z zebrania i pytasz, w którym momencie ktoś brzmiał na zirytowanego i co wtedy powiedział.",
   "example_en": "You upload a meeting recording and ask when someone sounded irritated and what they said at that moment.",
   "for_you": [
    "pracujesz z nagraniami rozmów, audycji lub muzyki",
    "chcesz pytać o nagranie zamiast go odsłuchiwać",
    "potrzebujesz opisu dźwięków, nie tylko transkrypcji"
   ],
   "for_you_en": [
    "work with recordings of talks, broadcasts or music",
    "want to ask about a recording instead of replaying it",
    "need sounds described, not just a transcript"
   ],
   "how": "Enkoder audio mapuje mowę, muzykę i dźwięki do cech dostępnych modelowi językowemu. Cele wielozadaniowe i warunkowanie instrukcją uczą tekstowych odpowiedzi, transkrypcji oraz opisów zależnych od nagrania.",
   "how_en": "An audio encoder maps speech, music and sounds to features available to a language model. Multitask objectives and instruction conditioning teach recording-dependent text answers, transcripts and descriptions.",
   "limits": "Wspólna architektura nie zapewnia jednakowej jakości wszystkich zadań. Nakładające się dźwięki, długie nagrania i słabo reprezentowane języki ograniczają rozpoznanie oraz interpretację.",
   "limits_en": "Shared architectures do not ensure equal quality across tasks. Overlapping sounds, long recordings and underrepresented languages limit recognition and interpretation.",
   "terms": [
    {
     "gloss": "Wektorowa reprezentacja fragmentu sygnału dźwiękowego.",
     "term": "embedding audio"
    },
    {
     "gloss": "Tworzenie tekstowego opisu zawartości nagrania.",
     "term": "audio captioning"
    }
   ],
   "terms_en": [
    {
     "gloss": "A vector representation of an audio-signal segment.",
     "term": "audio embedding"
    },
    {
     "gloss": "Generating a textual description of a recording's content.",
     "term": "audio captioning"
    }
   ],
   "prereq": [
    "asr",
    "transformers"
   ],
   "keywords": [
    "Qwen-Audio",
    "SALMONN",
    "Qwen3-Omni",
    "audio question answering",
    "audio captioning",
    "audio embeddings"
   ],
   "source_ids": [
    "qwen25-omni-2025",
    "qwen3-omni-2025",
    "qwen-audio-2023",
    "salmonn-2023",
    "alm-survey-su-2025"
   ],
   "url": "https://aiatlasgraph.com/t/audiolanguage",
   "markdown_url": "https://aiatlasgraph.com/t/audiolanguage.md",
   "updated": "2026-10-30"
  },
  "audiorobustness": {
   "id": "audiorobustness",
   "parent_id": "voiceevals",
   "label": "Odporność na akcent, hałas i cudzą mowę",
   "canonical_name": "Robustness to accents, noise and third-party speech",
   "description": "Te same zadania sprawdza się przy różnych akcentach, zakłóceniach i głosach osób trzecich, osobno obserwując rozumienie, tury i wynik zadania.",
   "description_en": "The same tasks are tested with varied accents, noise and other speakers, tracking understanding, turns and task outcomes separately.",
   "examples": "akcent · tło rozmowy · inny mówca",
   "examples_en": "accent · background conversation · other speaker",
   "plain": "To sprawdzanie, czy asystent nadal radzi sobie z zadaniem przy różnych akcentach, hałasie i cudzych głosach.",
   "plain_en": "This checks whether an assistant still handles tasks with different accents, noise and other people's voices.",
   "solves": "Asystent działa w cichym teście, lecz myli prośby prawdziwych rozmówców w trudniejszych warunkach.",
   "solves_en": "An assistant works in quiet tests but misreads real callers' requests under harder conditions.",
   "does": "Te same zadania powtarza się w zmienionych warunkach dźwiękowych, osobno obserwując rozumienie, przejmowanie głosu i rezultat.",
   "does_en": "The same tasks are repeated under varied audio conditions, separately tracking understanding, turn-taking and outcomes.",
   "example": "Testujesz rezerwację wypowiadaną różnymi akcentami, z szumem ulicy i rozmową drugiej osoby w tle.",
   "example_en": "You test bookings spoken with different accents, street noise and another person talking in the background.",
   "for_you": [
    "rozmówcy mają różne sposoby mówienia",
    "asystent będzie używany poza cichym pomieszczeniem"
   ],
   "for_you_en": [
    "serve callers with different speech patterns",
    "expect an assistant to be used outside quiet rooms"
   ],
   "how": "Te same intencje testuje się z różnymi akcentami, poziomami zakłóceń i dodatkową mową w tle. Porównania rozdzielają błędy rozpoznawania, wyboru rozmówcy, granic tury oraz wykonania zadania, wskazując miejsce utraty odporności.",
   "how_en": "The same intents are tested with varied accents, interference levels and additional background speech. Comparisons separate recognition, speaker selection, turn-boundary and task-execution errors, locating robustness failures.",
   "limits": "Syntetyczne zakłócenia nie odtwarzają wszystkich warunków rozmowy. Zmiana treści między próbami miesza przyczyny błędów; małe próbki mogą ukryć problemy konkretnych grup rozmówców.",
   "limits_en": "Synthetic perturbations cannot reproduce every conversation condition. Changing content across trials confounds error causes; small samples can hide problems affecting particular speaker groups.",
   "terms": [
    {
     "gloss": "Kontrolowana zmiana dźwięku zachowująca badaną intencję.",
     "term": "perturbacja akustyczna"
    },
    {
     "gloss": "Zachowanie celu rozmowy mimo wypowiedzi osób spoza niej.",
     "term": "odporność na obcego mówcę"
    }
   ],
   "terms_en": [
    {
     "gloss": "A controlled sound change preserving the tested intent.",
     "term": "acoustic perturbation"
    },
    {
     "gloss": "Maintaining conversation goals despite speech from people outside the interaction.",
     "term": "third-party robustness"
    }
   ],
   "prereq": [
    "evalsets",
    "speakerisolation"
   ],
   "keywords": [
    "EVA-Bench",
    "third-party interruptions",
    "signal-to-noise ratio",
    "accent robustness",
    "overlapping speech",
    "acoustic perturbations"
   ],
   "source_ids": [
    "eva-bench-voice",
    "tpi-bench-voice"
   ],
   "url": "https://aiatlasgraph.com/t/audiorobustness",
   "markdown_url": "https://aiatlasgraph.com/t/audiorobustness.md",
   "updated": "2026-10-30"
  },
  "audiosim": {
   "id": "audiosim",
   "parent_id": "voiceevals",
   "label": "Symulacje wieloturowych rozmów audio",
   "canonical_name": "Multi-turn audio conversation simulation",
   "description": "Symulowany rozmówca prowadzi z agentem rozmowę głosową przez cały scenariusz, w tym pauzy, korekty i przerwania; oceniany jest dialog i stan zadania.",
   "description_en": "A simulated caller speaks with the agent through a full scenario, including pauses, corrections and interruptions; both dialogue and task state are evaluated.",
   "examples": "symulowany rozmówca · regresja rozmów",
   "examples_en": "simulated caller · conversation regression",
   "plain": "To testowanie asystenta za pomocą symulowanego rozmówcy, który prowadzi wieloetapową rozmowę głosową.",
   "plain_en": "This tests an assistant with a simulated caller conducting a multi-step spoken conversation.",
   "solves": "Ręczne powtarzanie wielu rozmów po każdej zmianie asystenta zajmuje zbyt dużo czasu.",
   "solves_en": "Manually repeating many conversations after every assistant change takes too much time.",
   "does": "Symulowany rozmówca realizuje scenariusz z pauzami, korektami i przerwaniami, a test sprawdza przebieg oraz wynik zadania.",
   "does_en": "A simulated caller follows a scenario with pauses, corrections and interruptions, while the test checks dialogue and task outcome.",
   "example": "Po zmianie modelu odtwarzasz rozmowę, w której klient najpierw rezerwuje wizytę, a potem zmienia jej godzinę.",
   "example_en": "After changing a model, you rerun a call where a customer books an appointment and then changes its time.",
   "for_you": [
    "często zmieniasz głosowego asystenta",
    "potrzebujesz powtarzalnych scenariuszy rozmów"
   ],
   "for_you_en": [
    "often change a voice assistant",
    "need repeatable conversation scenarios"
   ],
   "how": "Symulator rozmówcy otrzymuje cel, dane scenariusza i reguły zachowania, a następnie prowadzi wymianę audio z agentem. Sterowane pauzy, poprawki i przerwania tworzą warianty prób; zapis rozmowy oraz stan zadania trafiają do oceny.",
   "how_en": "A caller simulator receives a goal, scenario data and behaviour rules, then conducts audio dialogue with the agent. Controlled pauses, corrections and interruptions create trial variants; conversation records and task state are scored.",
   "limits": "Wspólne modele symulatora i sędziego mogą wzmacniać podobne błędy. Należy sprawdzać zgodność symulacji ze scenariuszem; przewidywalny rozmówca zawyża ocenę obsługi rzeczywistych ludzi.",
   "limits_en": "Shared simulator and judge models can reinforce similar errors. Simulation adherence to scenarios needs checking; predictable callers overstate performance with real people.",
   "terms": [
    {
     "gloss": "Reguły zachowania sztucznego rozmówcy podczas scenariusza testowego.",
     "term": "polityka symulatora"
    },
    {
     "gloss": "Sprawdzenie, czy symulowana rozmowa realizowała zadany scenariusz.",
     "term": "walidacja przebiegu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Behaviour rules for an artificial caller during a test scenario.",
     "term": "simulator policy"
    },
    {
     "gloss": "Checking whether a simulated conversation followed its assigned scenario.",
     "term": "simulation validation"
    }
   ],
   "prereq": [
    "evalharness",
    "workflows"
   ],
   "keywords": [
    "LiveKit Agent Simulations",
    "EVA-Bench",
    "caller simulation",
    "scenario-based testing",
    "multi-turn evaluation"
   ],
   "source_ids": [
    "eva-bench-voice",
    "livekit-agent-simulations"
   ],
   "url": "https://aiatlasgraph.com/t/audiosim",
   "markdown_url": "https://aiatlasgraph.com/t/audiosim.md",
   "updated": "2026-10-30"
  },
  "autoassessment": {
   "id": "autoassessment",
   "parent_id": "aied",
   "label": "Automatyczne ocenianie i informacja zwrotna",
   "canonical_name": "Automated assessment and feedback",
   "aliases": [
    "automated assessment",
    "automated grading",
    "automatic scoring",
    "AI grading",
    "assessment and evaluation",
    "automatyczne sprawdzanie prac",
    "ocenianie przez AI"
   ],
   "description": "Automatyczne ocenianie wypracowań i krótkich odpowiedzi, generowanie informacji zwrotnej oraz tworzenie pytań i dystraktorów do testów.",
   "description_en": "Automated scoring of essays and short answers, feedback generation, and creation of test questions and distractors.",
   "plain": "Programy, które sprawdzają wypracowania i krótkie odpowiedzi, piszą uczniowi komentarz i pomagają układać pytania do testów.",
   "plain_en": "Software that marks essays and short answers, writes comments for the learner and helps draft test questions.",
   "solves": "Sprawdzanie stosu prac zajmuje nauczycielom wieczory i weekendy, a uczeń dostaje uwagi po tygodniu, gdy już nie pamięta, co pisał.",
   "solves_en": "Marking a pile of papers eats teachers' evenings and weekends, and students get comments a week later, when they no longer recall what they wrote.",
   "does": "Jak drugi egzaminator, który czyta szybko i według tego samego klucza, a wątpliwe przypadki odkłada do sprawdzenia człowiekowi.",
   "does_en": "Like a second examiner who reads fast against the same marking key and sets doubtful cases aside for a person to check.",
   "example": "Student wysyła krótką odpowiedź na pytanie z biologii i po chwili dostaje punkty oraz informację, którego elementu zabrakło.",
   "example_en": "A student submits a short answer to a biology question and soon receives points plus an indication of what was missing.",
   "for_you": [
    "sprawdzasz dużo prac pisemnych",
    "zdajesz egzamin, w którym część ocenia komputer",
    "chcesz szybciej przygotowywać testy i quizy"
   ],
   "for_you_en": [
    "mark a lot of written work",
    "take an exam partly scored by a computer",
    "want to build tests and quizzes faster"
   ],
   "how": "Modele uczą się na pracach ocenionych przez ludzi: od regresji na cechach tekstu po dostrojone transformery i modele językowe oceniające według odpowiedzi wzorcowej lub rubryki. Pytania powstają z materiału źródłowego za pomocą reguł, modeli seq2seq albo promptów. Jakość oceniania mierzy się zgodnością z ludźmi, a pytania wymagają osobnej oceny poprawności i wartości dydaktycznej.",
   "how_en": "Models learn from human-scored work: from regression on text features to fine-tuned transformers and language models scoring against a reference answer or rubric. Questions are generated from source material using rules, sequence-to-sequence models or prompts. Grading quality is measured by agreement with people, while questions need separate review for correctness and educational value.",
   "limits": "Wysoka zgodność z ludźmi nie oznacza, że model rozumie treść: bywa wrażliwy na długość tekstu i sztuczki. Przy egzaminach o wysokiej stawce potrzebny jest nadzór człowieka i możliwość odwołania. Pytania generowane automatycznie wymagają przeglądu eksperta.",
   "limits_en": "High agreement with humans does not mean the model grasps content: it can be swayed by length and tricks. High-stakes exams need human oversight and a right to appeal. Automatically generated questions require expert review.",
   "terms": [
    {
     "gloss": "Lista kryteriów i poziomów, według których ocenia się pracę.",
     "term": "rubryka"
    },
    {
     "gloss": "Ważona kappa: miara zgodności ocen modelu i człowieka.",
     "term": "QWK"
    },
    {
     "gloss": "Jedna ogólna ocena całej pracy zamiast ocen za osobne cechy.",
     "term": "ocenianie holistyczne"
    }
   ],
   "terms_en": [
    {
     "gloss": "A list of criteria and levels used to grade work.",
     "term": "rubric"
    },
    {
     "gloss": "Quadratic weighted kappa: agreement between model and human scores.",
     "term": "QWK"
    },
    {
     "gloss": "One overall grade for the work instead of per-trait grades.",
     "term": "holistic scoring"
    }
   ],
   "prereq": [
    "textclassification",
    "judges"
   ],
   "keywords": [
    "automated essay scoring",
    "automatic short answer grading",
    "quadratic weighted kappa",
    "rubric-based grading",
    "LLM-as-a-grader",
    "autograder",
    "automatic question generation",
    "distractor generation",
    "formative feedback",
    "ASAP dataset"
   ],
   "source_ids": [
    "zawacki-richter-aied-review-2019",
    "ke-ng-aes-survey-2019",
    "asag2024-2024",
    "dong-qged-review-2025"
   ],
   "url": "https://aiatlasgraph.com/t/autoassessment",
   "markdown_url": "https://aiatlasgraph.com/t/autoassessment.md",
   "updated": "2026-10-30"
  },
  "autodriving": {
   "id": "autodriving",
   "parent_id": null,
   "label": "Autonomiczna jazda",
   "canonical_name": "Autonomous driving",
   "aliases": [
    "self-driving cars",
    "autonomous vehicles",
    "autonomous driving systems",
    "samochody autonomiczne",
    "pojazdy autonomiczne",
    "auta bez kierowcy",
    "robotaxi"
   ],
   "description": "Dziedzina łącząca percepcję, mapy, prognozowanie ruchu, planowanie i symulację, aby pojazd samodzielnie prowadził się w ruchu drogowym.",
   "description_en": "The field combining perception, maps, motion forecasting, planning and simulation so that a vehicle drives itself in road traffic.",
   "plain": "Samochody, które same widzą drogę, przewidują ruch innych i decydują, jak jechać, bez człowieka za kierownicą.",
   "plain_en": "Cars that see the road, anticipate what others will do and decide how to drive, with nobody at the wheel.",
   "solves": "Ludzie za kierownicą męczą się, rozpraszają i popełniają błędy, a wielu w ogóle nie może prowadzić.",
   "solves_en": "People behind the wheel get tired, distracted and make mistakes, and many cannot drive at all.",
   "does": "Działa jak kierowca z oczami dookoła głowy: łączy sygnały z wielu czujników, zgaduje zamiary innych i co chwilę poprawia plan.",
   "does_en": "It works like a driver with eyes all around their head: it merges many sensors, guesses others' intentions and keeps revising its plan.",
   "example": "Taksówka bez kierowcy podjeżdża pod dom, omija rowerzystę na pasie i zatrzymuje się, gdy pieszy wchodzi na przejście.",
   "example_en": "A driverless taxi pulls up at your door, steers around a cyclist in the lane and stops when someone steps onto the crossing.",
   "for_you": [
    "jeździsz autem, które samo trzyma pas lub odstęp",
    "zastanawiasz się, kiedy auta pojadą zupełnie same",
    "pracujesz przy robotach, dronach lub transporcie"
   ],
   "for_you_en": [
    "drive a car that keeps its lane or distance by itself",
    "wonder when cars will drive entirely on their own",
    "work with robots, drones or transport"
   ],
   "how": "Klasyczny stos jest modułowy: percepcja z kamer, LiDAR-u i radaru buduje obraz sceny, lokalizacja osadza go na mapie, predykcja szacuje ruch innych, a planer wybiera trajektorię realizowaną przez sterowanie. Coraz częściej moduły łączy się w jedną sieć uczoną end-to-end i ocenia w symulacji w pętli zamkniętej.",
   "how_en": "The classic stack is modular: perception from cameras, LiDAR and radar builds a scene picture, localisation places it on a map, prediction estimates others' motion and a planner chooses a trajectory that control executes. Increasingly the modules become one network trained end to end and evaluated in closed-loop simulation.",
   "limits": "O bezpieczeństwie decydują rzadkie, nietypowe sytuacje (długi ogon), które trudno zebrać i przetestować. Metryki otwartej pętli słabo przewidują jazdę w ruchu; walidacja wymaga ogromnych przebiegów, symulacji i norm bezpieczeństwa.",
   "limits_en": "Safety hinges on rare, unusual situations (the long tail) that are hard to collect and test. Open-loop metrics poorly predict on-road driving; validation needs huge mileage, simulation and safety standards.",
   "terms": [
    {
     "gloss": "Osobne moduły percepcji, predykcji i planowania połączone kolejno.",
     "term": "stos modułowy"
    },
    {
     "gloss": "Jedna sieć zamienia dane z czujników bezpośrednio w plan jazdy.",
     "term": "end-to-end"
    },
    {
     "gloss": "Test, w którym decyzje modelu zmieniają dalszy przebieg symulacji.",
     "term": "pętla zamknięta"
    },
    {
     "gloss": "Skala 0–5 opisująca, jaką część prowadzenia przejmuje system.",
     "term": "poziomy automatyzacji SAE"
    }
   ],
   "terms_en": [
    {
     "gloss": "Separate perception, prediction and planning modules chained one after another.",
     "term": "modular stack"
    },
    {
     "gloss": "One network turns sensor data directly into a driving plan.",
     "term": "end-to-end"
    },
    {
     "gloss": "A test where the model's decisions change how the simulation unfolds.",
     "term": "closed loop"
    },
    {
     "gloss": "A 0–5 scale describing how much of the driving the system takes over.",
     "term": "SAE automation levels"
    }
   ],
   "keywords": [
    "SAE levels",
    "perception",
    "sensor fusion",
    "BEV",
    "HD maps",
    "motion forecasting",
    "motion planning",
    "end-to-end driving",
    "CARLA",
    "nuScenes",
    "Waymo Open Dataset",
    "nuPlan",
    "closed-loop evaluation",
    "SOTIF",
    "robotaxi"
   ],
   "source_ids": [
    "coursera-sdc-toronto",
    "e2e-ad-survey-2023",
    "waymo-crash-7m-2023"
   ],
   "url": "https://aiatlasgraph.com/t/autodriving",
   "markdown_url": "https://aiatlasgraph.com/t/autodriving.md",
   "updated": "2026-10-30"
  },
  "autoencoders": {
   "id": "autoencoders",
   "parent_id": "representations",
   "label": "Autoenkodery (ściskanie i odtwarzanie danych)",
   "canonical_name": "Autoencoders",
   "aliases": [
    "autoencoder",
    "autoenkoder",
    "denoising autoencoder",
    "autoenkoder odszumiający",
    "bottleneck",
    "encoder-decoder compression"
   ],
   "description": "Sieć koder–dekoder trenowana do odtwarzania wejścia przez wąską warstwę ukrytą; nieliniowe uogólnienie PCA i baza VAE oraz rzadkich autoenkoderów.",
   "description_en": "An encoder–decoder network trained to reconstruct its input through a narrow hidden layer; a nonlinear PCA and the basis of VAEs and sparse autoencoders.",
   "plain": "Sieć, która uczy się streszczać dane do kilku liczb, a potem z tego streszczenia jak najwierniej je odtwarzać.",
   "plain_en": "A network that learns to squeeze data into a few numbers and then rebuild it as faithfully as possible from that summary.",
   "solves": "Surowe dane, takie jak zdjęcia, mają ogromnie dużo liczb, z których większość się powtarza, co utrudnia ich przechowywanie i analizę.",
   "solves_en": "Raw data such as photos contains huge amounts of numbers, mostly redundant, which makes storing and analysing it hard.",
   "does": "Jak pakowanie walizki na krótki wyjazd: przez wąskie gardło przejdzie tylko to, co naprawdę potrzebne do odtworzenia całości.",
   "does_en": "Like packing a small suitcase: only what is truly needed to rebuild the whole fits through the narrow bottleneck.",
   "example": "System w fabryce uczy się wyglądu dobrych części; gdy nowej części nie umie dobrze odtworzyć, oznacza ją jako podejrzaną.",
   "example_en": "A factory system learns what good parts look like; when it cannot rebuild a new part well, it flags it as suspicious.",
   "for_you": [
    "chcesz zmniejszyć liczbę cech w swoich danych",
    "szukasz nietypowych przypadków bez etykiet"
   ],
   "for_you_en": [
    "want to reduce the number of features in your data",
    "look for unusual cases without labels"
   ],
   "how": "Koder mapuje wejście na niskowymiarowy kod, dekoder odtwarza z niego wejście, a całość uczy się minimalizując błąd rekonstrukcji. Ograniczenie szerokości kodu albo dodatkowa regularyzacja ma zmusić sieć do zachowania najważniejszej struktury danych zamiast prostego kopiowania.",
   "how_en": "The encoder maps an input to a lower-dimensional code, the decoder reconstructs the input from it, and the pair is trained to minimise reconstruction error. Restricting code width or adding regularisation is meant to preserve important data structure rather than merely copy the input.",
   "limits": "Zwykły autoenkoder nie definiuje uporządkowanego rozkładu kodów, więc losowy punkt w przestrzeni ukrytej nie musi dekodować się do sensownego przykładu. Zbyt pojemny kod może nauczyć się kopiowania zamiast użytecznej kompresji.",
   "limits_en": "A plain autoencoder does not define a structured distribution over codes, so a random latent point need not decode to a meaningful example. An overly capacious code can learn copying rather than useful compression.",
   "terms": [
    {
     "gloss": "Najmniejsza warstwa sieci, przez którą muszą przejść wszystkie informacje.",
     "term": "wąskie gardło"
    },
    {
     "gloss": "Różnica między danymi wejściowymi a ich odtworzoną wersją.",
     "term": "błąd rekonstrukcji"
    },
    {
     "gloss": "Uczy się odtwarzać czyste dane z celowo zaszumionych.",
     "term": "autoenkoder odszumiający"
    }
   ],
   "terms_en": [
    {
     "gloss": "The narrowest layer that all information must pass through.",
     "term": "bottleneck"
    },
    {
     "gloss": "The difference between the input and its rebuilt version.",
     "term": "reconstruction error"
    },
    {
     "gloss": "Learns to rebuild clean data from deliberately corrupted input.",
     "term": "denoising autoencoder"
    }
   ],
   "prereq": [
    "mlp",
    "pca"
   ],
   "keywords": [
    "undercomplete autoencoder",
    "reconstruction loss",
    "bottleneck representation",
    "dimensionality reduction",
    "nonlinear PCA"
   ],
   "source_ids": [
    "hinton-autoencoder-2006",
    "goodfellow-autoencoders-2016"
   ],
   "url": "https://aiatlasgraph.com/t/autoencoders",
   "markdown_url": "https://aiatlasgraph.com/t/autoencoders.md",
   "updated": "2026-10-30"
  },
  "automationvsaugmentation": {
   "id": "automationvsaugmentation",
   "parent_id": "usecases",
   "label": "Automatyzacja czy wspomaganie człowieka",
   "canonical_name": "Automation vs augmentation",
   "description": "Decyzja, które zadania AI ma wykonywać samodzielnie, a w których ma tylko pomagać człowiekowi — z uwzględnieniem ryzyka błędu i tego, czego chcą sami pracownicy.",
   "description_en": "Deciding which tasks AI should do on its own and where it should only assist a person — weighing the cost of errors and what workers themselves want.",
   "examples": "rozkład procesu na zadania · skala udziału człowieka (Human Agency Scale) · zadania nudne vs zadania, które ludzie chcą zachować",
   "examples_en": "breaking a process into tasks · Human Agency Scale · tedious tasks vs tasks people want to keep",
   "plain": "To ustalanie, które zadania model wykonuje sam, a w których pomaga człowiekowi podjąć decyzję.",
   "plain_en": "This decides which tasks a model performs alone and where it helps a person make a decision.",
   "solves": "Pełna samodzielność modelu może powodować kosztowne pomyłki lub odbierać ludziom zadania, nad którymi chcą zachować kontrolę.",
   "solves_en": "Full model autonomy may cause costly mistakes or take away tasks that people want to control.",
   "does": "Dzieli pracę na zadania i dobiera udział człowieka według ryzyka, możliwości modelu oraz potrzeb osób wykonujących pracę.",
   "does_en": "It divides work into tasks and chooses human involvement according to risk, model capability and the needs of the people doing the work.",
   "example": "Asystent sam porządkuje zgłoszenia, ale tylko przygotowuje propozycję odpowiedzi na reklamację, którą przed wysłaniem zatwierdza człowiek.",
   "example_en": "An assistant sorts incoming cases itself but only drafts a complaint response, which a person approves before sending.",
   "for_you": [
    "decydujesz, ile samodzielności dać modelowi",
    "chcesz zachować kontrolę nad ważnymi częściami pracy"
   ],
   "for_you_en": [
    "decide how much autonomy to give a model",
    "want control over important parts of your work"
   ],
   "how": "Zadania mapuje się według sprawdzalności wyniku, kosztu pomyłki i potrzebnej decyzji człowieka. Proces przydziela modelowi wykonanie albo propozycję, a punkty kontroli określają, kiedy użytkownik sprawdza rezultat lub zatwierdza działanie.",
   "how_en": "Tasks are mapped by outcome verifiability, error costs and required human decisions. The workflow assigns execution or suggestion to the model, with checkpoints determining when users review results or approve actions.",
   "limits": "Kontrola człowieka działa tylko wtedy, gdy ma czas i informacje na ocenę. Nadmierna automatyzacja ukrywa błędy, a nadmiar zatwierdzeń przenosi koszt pracy na użytkownika.",
   "limits_en": "Human review works only when reviewers have time and information. Excessive automation hides errors, while excessive approval steps transfer workload to users.",
   "terms": [
    {
     "gloss": "Zakres decyzji i działań wykonywanych bez bieżącej kontroli człowieka.",
     "term": "poziom autonomii"
    },
    {
     "gloss": "Etap procesu wymagający sprawdzenia wyniku lub decyzji użytkownika.",
     "term": "punkt kontroli"
    }
   ],
   "terms_en": [
    {
     "gloss": "The scope of decisions and actions performed without immediate human review.",
     "term": "autonomy level"
    },
    {
     "gloss": "A workflow stage requiring outcome review or a user decision.",
     "term": "review checkpoint"
    }
   ],
   "prereq": [
    "workflows",
    "agenteval"
   ],
   "keywords": [
    "Human Agency Scale",
    "task decomposition",
    "levels of automation",
    "human-in-the-loop",
    "review checkpoints"
   ],
   "source_ids": [
    "pair-guidebook",
    "brynjolfsson-genai-at-work",
    "workbank-2025"
   ],
   "url": "https://aiatlasgraph.com/t/automationvsaugmentation",
   "markdown_url": "https://aiatlasgraph.com/t/automationvsaugmentation.md",
   "updated": "2026-10-30"
  },
  "automl": {
   "id": "automl",
   "parent_id": "modelselection",
   "label": "AutoML — automatyczny dobór modeli",
   "canonical_name": "Automated machine learning (AutoML)",
   "aliases": [
    "AutoML",
    "automated machine learning",
    "automatyczne uczenie maszynowe",
    "automatyczny dobór modeli"
   ],
   "description": "Narzędzia, które same przygotowują cechy, próbują wielu modeli i ustawień oraz łączą najlepsze w zespół.",
   "description_en": "Tools that prepare features, try many models and settings, and ensemble the best ones automatically.",
   "examples": "AutoGluon · auto-sklearn · usługi AutoML w chmurze",
   "examples_en": "AutoGluon · auto-sklearn · cloud AutoML services",
   "plain": "To automatyczne próbowanie różnych modeli i sposobów przygotowania danych dla wybranego zadania.",
   "plain_en": "This automatically tries different models and ways of preparing data for a chosen task.",
   "solves": "Ręczne przygotowywanie i porównywanie wielu wariantów modelu zabiera czas i wymaga licznych decyzji technicznych.",
   "solves_en": "Preparing and comparing many model variants by hand takes time and requires numerous technical decisions.",
   "does": "Przygotowuje cechy, testuje modele oraz ustawienia i porównuje je na danych sprawdzających; może też połączyć wybrane modele.",
   "does_en": "It prepares features, tests models and settings, compares them on validation data and may combine selected models.",
   "example": "Podajesz tabelę zamówień i wskazujesz kolumnę ze zwrotami; program porównuje sposoby przewidywania, które kolejne zamówienia zostaną zwrócone.",
   "example_en": "You provide an order table and identify the returns column; software compares ways to predict which future orders will be returned.",
   "for_you": [
    "chcesz porównać wiele wariantów bez ręcznego ustawiania każdego",
    "masz dane i jasno określoną odpowiedź do przewidywania"
   ],
   "for_you_en": [
    "want to compare variants without configuring each one manually",
    "have data and a clearly defined prediction target"
   ],
   "how": "System przeszukuje kombinacje transformacji cech, rodzin modeli i hiperparametrów pod wspólną procedurą walidacji. Harmonogram prób rozdziela budżet, a opcjonalny zespół łączy najlepszych kandydatów.",
   "how_en": "The system searches feature transformations, model families and hyperparameters under a shared validation procedure. Trial scheduling allocates budgets, and optional ensembles combine leading candidates.",
   "limits": "Automatyzacja nie naprawia przecieku ani nieodpowiedniej metryki. Duży budżet zwiększa koszt i ryzyko dopasowania do walidacji; ograniczona przestrzeń nie obejmuje każdego dobrego rozwiązania.",
   "limits_en": "Automation cannot fix leakage or unsuitable metrics. Large budgets increase costs and validation-overfitting risk; restricted spaces exclude some good solutions.",
   "terms": [
    {
     "gloss": "Komplet transformacji i model tworzące jedną próbę automatycznego doboru.",
     "term": "pipeline kandydacki"
    },
    {
     "gloss": "Zasoby czasu lub obliczeń przeznaczone na ocenę kandydatów.",
     "term": "budżet prób"
    }
   ],
   "terms_en": [
    {
     "gloss": "A complete transformation sequence and model forming one selection trial.",
     "term": "candidate pipeline"
    },
    {
     "gloss": "Time or computational resources allocated to candidate evaluation.",
     "term": "trial budget"
    }
   ],
   "prereq": [
    "hptuning",
    "featureeng"
   ],
   "keywords": [
    "AutoGluon",
    "auto-sklearn",
    "automated pipeline search",
    "model ensembling",
    "trial budgets",
    "neural architecture search",
    "TPOT"
   ],
   "source_ids": [
    "google-mlcc",
    "tabarena-github"
   ],
   "url": "https://aiatlasgraph.com/t/automl",
   "markdown_url": "https://aiatlasgraph.com/t/automl.md",
   "updated": "2026-10-30"
  },
  "autopentest": {
   "id": "autopentest",
   "parent_id": "offensiveai",
   "label": "Agenci testów penetracyjnych",
   "canonical_name": "LLM penetration-testing agents",
   "aliases": [
    "AI pentesting agents",
    "autonomous penetration testing",
    "PentestGPT",
    "automatyczne testy penetracyjne",
    "LLM red team agents"
   ],
   "description": "Agenci językowi planujący i wykonujący kroki testu penetracyjnego: rekonesans, skanowanie, eksploatację i raport, pod nadzorem testera.",
   "description_en": "Language agents planning and executing penetration-test steps: reconnaissance, scanning, exploitation and reporting, supervised by a tester.",
   "plain": "Agent AI, który na zlecenie firmy próbuje się do niej włamać, uruchamiając kolejno narzędzia hakerskie, i spisuje znalezione słabości.",
   "plain_en": "An AI agent that, hired by a company, tries to break into it by running hacking tools one after another and writes up the weaknesses found.",
   "solves": "Doświadczonych testerów penetracyjnych jest mało, więc wiele firm sprawdza swoje zabezpieczenia rzadko albo wcale.",
   "solves_en": "Experienced penetration testers are scarce, so many companies check their defences rarely or never.",
   "does": "Jak sparingpartner na treningu bokserskim: atakuje naprawdę, ale w umówionych zasadach, żebyś zobaczył, gdzie masz dziurę w gardzie.",
   "does_en": "Like a sparring partner in boxing training: punches for real but within agreed rules, so you see where your guard is open.",
   "example": "Tester zleca agentowi sprawdzenie sieci testowej; agent znajduje stary serwer z niezałatanym oprogramowaniem i proponuje kolejny krok, a człowiek decyduje, czy go wykonać.",
   "example_en": "A tester asks the agent to probe a test network; it finds an old server with unpatched software and proposes the next step, and the human decides whether to take it.",
   "for_you": [
    "uczysz się testów penetracyjnych lub CTF",
    "zlecasz audyty bezpieczeństwa",
    "budujesz agentów wykonujących polecenia w terminalu"
   ],
   "for_you_en": [
    "are learning penetration testing or CTFs",
    "commission security audits",
    "build agents that run terminal commands"
   ],
   "how": "Agent prowadzi drzewo zadań testu, wybiera narzędzie (skaner portów, enumeracja usług, exploit), uruchamia je w terminalu i interpretuje wynik. Osobne moduły planowania, generowania poleceń i parsowania wyników ograniczają utratę kontekstu. Zdolności mierzy się na zadaniach CTF, często rozbitych na etapy pośrednie.",
   "how_en": "The agent keeps a task tree for the test, picks a tool (port scanner, service enumeration, exploit), runs it in a terminal and interprets the output. Separate planning, command-generation and output-parsing modules limit context loss. Capabilities are measured on CTF tasks, often broken into intermediate steps.",
   "limits": "Modele dobrze radzą sobie z pojedynczymi krokami, ale gubią obraz całego scenariusza. Najtrudniejsze zadania, które zespołom ludzi zajęły wiele godzin, pozostają poza zasięgiem. Działanie na prawdziwej sieci wymaga ścisłego zakresu, zgody właściciela i nadzoru człowieka.",
   "limits_en": "Models handle individual steps well but lose sight of the whole scenario. The hardest tasks, which took human teams many hours, remain out of reach. Working on a real network requires a strict scope, owner consent and human oversight.",
   "terms": [
    {
     "gloss": "Zbieranie informacji o celu przed próbą ataku.",
     "term": "rekonesans"
    },
    {
     "gloss": "Kod lub dane wykorzystujące konkretną podatność.",
     "term": "exploit"
    },
    {
     "gloss": "Uzgodnione systemy i działania, na które tester ma zgodę.",
     "term": "zakres testu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Gathering information about a target before attempting an attack.",
     "term": "reconnaissance"
    },
    {
     "gloss": "Code or input that takes advantage of a specific vulnerability.",
     "term": "exploit"
    },
    {
     "gloss": "The agreed systems and actions the tester is allowed to touch.",
     "term": "rules of engagement"
    }
   ],
   "prereq": [
    "computeruse",
    "dangerouscapevals"
   ],
   "keywords": [
    "PentestGPT",
    "Cybench",
    "CTF",
    "Kali Linux",
    "Nmap",
    "Metasploit",
    "task tree planning",
    "HackTheBox"
   ],
   "source_ids": [
    "deng-pentestgpt-2023",
    "zhang-cybench-2024"
   ],
   "url": "https://aiatlasgraph.com/t/autopentest",
   "markdown_url": "https://aiatlasgraph.com/t/autopentest.md",
   "updated": "2026-10-30"
  },
  "autoscaling": {
   "id": "autoscaling",
   "parent_id": "selfhosting",
   "label": "Autoskalowanie i zimny start wdrożeń",
   "canonical_name": "Autoscaling model deployments and cold starts",
   "aliases": [
    "autoscaling",
    "autoskalowanie",
    "scale to zero",
    "skalowanie do zera",
    "cold start",
    "zimny start"
   ],
   "description": "Dopasowywanie liczby replik modelu do zmiennego ruchu, łącznie ze skalowaniem do zera. Przy wdrożeniach GPU jednym z głównych wyzwań jest zimny start: przydział maszyny, pobranie obrazu i załadowanie wag.",
   "description_en": "Matching the number of model replicas to bursty traffic, including scale-to-zero. For GPU deployments, one major challenge is cold start: provisioning a machine, pulling the image and loading model weights.",
   "examples": "skalowanie wg liczby równoległych zapytań · min/max replik · skalowanie do zera · skracanie zimnego startu",
   "examples_en": "scaling on concurrent requests · min/max replicas · scale-to-zero · reducing cold-start time",
   "plain": "To zmienianie liczby uruchomionych kopii modelu zgodnie z liczbą napływających zapytań.",
   "plain_en": "This adjusts the number of running model copies to match incoming request volume.",
   "solves": "Płacisz za bezczynny sprzęt, a podczas skoku ruchu użytkownicy długo czekają na odpowiedź.",
   "solves_en": "You pay for idle hardware, while traffic spikes make users wait a long time for responses.",
   "does": "System dodaje lub usuwa kopie według obciążenia; uruchomienie nowej może opóźniać obsługę przez przydział sprzętu i ładowanie modelu.",
   "does_en": "A system adds or removes copies according to load; new copies may delay service while hardware is allocated and models load.",
   "example": "Przed porannym wzrostem użycia uruchamiasz dodatkową kopię asystenta, żeby nie czekać na ładowanie jej podczas pierwszych pytań.",
   "example_en": "Before a morning usage spike, you start an extra assistant copy so the first requests need not wait for loading.",
   "for_you": [
    "liczba zapytań zmienia się w ciągu dnia",
    "chcesz równoważyć koszt bezczynności i oczekiwania"
   ],
   "for_you_en": [
    "handle request volumes that vary during the day",
    "balance idle costs against waiting time"
   ],
   "how": "Sygnały kolejki, współbieżności lub wykorzystania sterują docelową liczbą replik. Nowy wykonawca przydziela zasoby, przygotowuje środowisko i ładuje wagi, a polityka gotowości oraz rezerwowe repliki kontrolują dostępność podczas zmiany skali.",
   "how_en": "Queue, concurrency or utilisation signals control target replica counts. New workers acquire resources, prepare environments and load weights, while readiness policies and spare replicas manage availability during scaling.",
   "limits": "Zimny start nie nadąża za każdym skokiem ruchu. Brak akceleratorów, ładowanie wag i niestabilne progi opóźniają reakcję; skalowanie do zera wymaga zaakceptowania oczekiwania po bezczynności.",
   "limits_en": "Cold starts cannot follow every traffic spike. Accelerator shortages, weight loading and unstable thresholds delay responses; scaling to zero requires accepting waits after idle periods.",
   "terms": [
    {
     "gloss": "Przygotowanie wykonawcy, który nie ma jeszcze gotowego modelu.",
     "term": "zimny start"
    },
    {
     "gloss": "Rezerwa przygotowanych zasobów ograniczająca oczekiwanie na nowe repliki.",
     "term": "warm pool"
    }
   ],
   "terms_en": [
    {
     "gloss": "Preparing a worker whose model is not ready yet.",
     "term": "cold start"
    },
    {
     "gloss": "Prepared-resource reserves reducing waits for new replicas.",
     "term": "warm pool"
    }
   ],
   "prereq": [
    "eventdriven",
    "monitoring"
   ],
   "keywords": [
    "KServe",
    "Knative Pod Autoscaler",
    "scale-to-zero",
    "warm pools",
    "concurrency-based scaling",
    "model loading latency",
    "readiness probes"
   ],
   "source_ids": [
    "kserve-kpa-autoscaling",
    "bentoml-fast-scaling"
   ],
   "url": "https://aiatlasgraph.com/t/autoscaling",
   "markdown_url": "https://aiatlasgraph.com/t/autoscaling.md",
   "updated": "2026-10-30"
  },
  "awefeedback": {
   "id": "awefeedback",
   "parent_id": "aes",
   "label": "Automatyczne komentarze do wypracowań",
   "canonical_name": "Automated writing evaluation and feedback (AWE)",
   "aliases": [
    "AWE",
    "automated writing evaluation",
    "automated written feedback",
    "AWF",
    "AI writing feedback",
    "informacja zwrotna do tekstów"
   ],
   "description": "Systemy generujące informację zwrotną o tekstach uczniów (gramatyka, styl, struktura i treść), tradycyjnie regułowe i statystyczne; generatywne modele językowe są badane jako nowsza możliwość.",
   "description_en": "Systems that generate feedback on learner writing (grammar, style, structure, and content), traditionally using rule-based and statistical methods; generative language models are being studied as a newer possibility.",
   "plain": "Narzędzie czyta szkic wypracowania i zostawia komentarze: co poprawić w języku, budowie i argumentacji.",
   "plain_en": "A tool reads an essay draft and leaves comments on what to improve in language, structure and argument.",
   "solves": "Nauczyciel nie zdąży skomentować każdej wersji każdego wypracowania, więc uczniowie poprawiają teksty po omacku.",
   "solves_en": "A teacher cannot comment on every version of every essay, so learners revise their texts blindly.",
   "does": "Zamiast samej oceny na końcu daje uwagi przy konkretnych fragmentach, jak redaktor, który wraca do tekstu przy każdej nowej wersji.",
   "does_en": "Instead of only a final grade it gives notes on specific passages, like an editor who returns to the text with every new draft.",
   "example": "Uczeń wkleja esej po angielsku i dostaje zaznaczone powtórzenia, błędy czasów i uwagę, że w drugim akapicie brakuje przykładu.",
   "example_en": "A learner pastes an English essay and gets repetitions and tense errors highlighted, plus a note that the second paragraph lacks an example.",
   "for_you": [
    "piszesz teksty w obcym języku",
    "sprawdzasz dużo prac pisemnych",
    "zastanawiasz się, czy komentarze od AI pomagają uczniom"
   ],
   "for_you_en": [
    "write texts in a foreign language",
    "mark a lot of written work",
    "wonder whether AI comments help learners"
   ],
   "how": "Klasyczne systemy łączą wykrywanie i poprawę błędów językowych z cechami tekstu i modelami oceny. W wariancie generatywnym model językowy otrzymuje tekst oraz kryteria i tworzy komentarze do rewizji, lecz trafność takich uwag wymaga osobnej walidacji.",
   "how_en": "Classical systems combine language-error detection and correction with text features and scoring models. In a generative variant, a language model receives the text and criteria and produces revision comments, but the accuracy of such feedback requires separate validation.",
   "limits": "Badania potwierdzające trafność samych komentarzy wypadają słabiej niż badania nad ich odbiorem i wpływem, a wyniki są mieszane. Systemy lepiej radzą sobie z poprawnością językową niż z treścią i argumentacją. Uczeń może przyjmować poprawki bez zrozumienia.",
   "limits_en": "Studies validating the comments themselves come out weaker than studies of their reception and impact, and findings are mixed. Systems handle language accuracy better than content and argument. Learners may accept corrections without understanding them.",
   "terms": [
    {
     "gloss": "Automatyczna ocena tekstu i automatyczna informacja zwrotna o nim.",
     "term": "AWE / AWF"
    },
    {
     "gloss": "Automatyczne wykrywanie i poprawianie błędów językowych w zdaniu.",
     "term": "grammatical error correction"
    },
    {
     "gloss": "Lista kryteriów oceny z opisem poziomów.",
     "term": "rubric"
    }
   ],
   "terms_en": [
    {
     "gloss": "Automated writing evaluation and automated written feedback.",
     "term": "AWE / AWF"
    },
    {
     "gloss": "Automatically detecting and fixing language errors in a sentence.",
     "term": "grammatical error correction"
    },
    {
     "gloss": "A list of grading criteria with level descriptions.",
     "term": "rubric"
    }
   ],
   "prereq": [
    "nlp"
   ],
   "keywords": [
    "grammatical error correction",
    "Criterion",
    "Grammarly",
    "Pigai",
    "rubric-based feedback",
    "formative feedback",
    "LLM writing feedback",
    "argument mining"
   ],
   "source_ids": [
    "shi-aryadoust-awf-review-2024"
   ],
   "url": "https://aiatlasgraph.com/t/awefeedback",
   "markdown_url": "https://aiatlasgraph.com/t/awefeedback.md",
   "updated": "2026-10-30"
  },
  "backprop": {
   "id": "backprop",
   "parent_id": "neuralbasics",
   "label": "Propagacja wsteczna (backpropagation)",
   "canonical_name": "Backpropagation",
   "aliases": [
    "backpropagation",
    "backprop",
    "propagacja wsteczna",
    "wsteczna propagacja błędu",
    "autograd",
    "automatic differentiation"
   ],
   "description": "Algorytm liczenia gradientu straty względem parametrów sieci: przejście w przód oblicza wynik, a przejście wstecz propaguje po grafie obliczeń pochodne zgodnie z regułą łańcuchową. Z tych gradientów korzystają optymalizatory gradientowe; biblioteki zwykle wyznaczają je przez automatyczne różniczkowanie.",
   "description_en": "An algorithm for computing the gradient of the loss with respect to network parameters: the forward pass computes the output, while the backward pass propagates derivatives through the computation graph using the chain rule. Gradient-based optimisers use these gradients; libraries usually obtain them through automatic differentiation.",
   "examples": "graf obliczeń · reguła łańcuchowa · autograd (PyTorch) · micrograd",
   "examples_en": "computational graph · chain rule · autograd (PyTorch) · micrograd",
   "plain": "To obliczanie, jak zmiany poszczególnych ustawień sieci wpłynęłyby na jej błąd.",
   "plain_en": "This calculates how changing individual network settings would affect its error.",
   "solves": "Sieć ma wiele ustawień, a sprawdzanie każdej możliwej poprawki osobno byłoby zbyt kosztowne.",
   "solves_en": "A network has many settings, and testing every possible adjustment separately would be too costly.",
   "does": "Po obliczeniu wyniku przenosi informację o zmianie błędu wstecz przez warstwy; algorytm uczenia wykorzystuje ją do aktualizacji ustawień.",
   "does_en": "After calculating a result, it passes error-change information backwards through the layers; the learning algorithm uses it to update settings.",
   "example": "Po błędnym rozpoznaniu kwiatu trening oblicza kierunki zmian połączeń i wykorzystuje je do następnej poprawki modelu.",
   "example_en": "After misidentifying a flower, training calculates adjustment directions for the connections and uses them for the next model update.",
   "for_you": [
    "chcesz zrozumieć uczenie sieci",
    "sprawdzasz, skąd algorytm wie, co poprawiać"
   ],
   "for_you_en": [
    "want to understand network training",
    "wonder how an algorithm knows what to adjust"
   ],
   "how": "Przejście w przód zapisuje wartości pośrednie grafu, a przejście odwrotne propaguje gradient straty przez lokalne pochodne. Reguła łańcuchowa sumuje wpływy wszystkich ścieżek na dany parametr, przekazując optymalizatorowi gradient całego celu.",
   "how_en": "A forward pass records intermediate graph values, and a reverse pass propagates loss gradients through local derivatives. The chain rule sums all paths' contributions to each parameter, supplying the optimiser with the full objective gradient.",
   "limits": "Przechowywanie aktywacji zużywa pamięć, a ich ponowne obliczanie czas. Długie iloczyny pochodnych mogą zanikać lub eksplodować; operacje dyskretne wymagają osobnych estymatorów albo przybliżeń.",
   "limits_en": "Storing activations consumes memory, while recomputation consumes time. Long derivative products can vanish or explode; discrete operations require separate estimators or approximations.",
   "terms": [
    {
     "gloss": "Zasada obliczania pochodnej złożenia z pochodnych jego składników.",
     "term": "reguła łańcuchowa"
    },
    {
     "gloss": "Obliczanie pochodnych wielu wejść przez propagację od wyjściowej wartości skalarnej.",
     "term": "różniczkowanie odwrotne"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule computing a composition's derivative from its component derivatives.",
     "term": "chain rule"
    },
    {
     "gloss": "Computing derivatives for many inputs by propagating from a scalar output.",
     "term": "reverse-mode differentiation"
    }
   ],
   "prereq": [
    "calculus",
    "linearalgebra"
   ],
   "keywords": [
    "chain rule",
    "reverse-mode differentiation",
    "computation graphs",
    "PyTorch autograd",
    "micrograd",
    "gradient accumulation"
   ],
   "source_ids": [
    "d2l-toc",
    "rumelhart-backprop-1986",
    "karpathy-zero-to-hero"
   ],
   "url": "https://aiatlasgraph.com/t/backprop",
   "markdown_url": "https://aiatlasgraph.com/t/backprop.md",
   "updated": "2026-10-30"
  },
  "backtestoverfitting": {
   "id": "backtestoverfitting",
   "parent_id": "quanttrading",
   "label": "Przeuczenie backtestu i walidacja strategii",
   "canonical_name": "Backtest overfitting and strategy validation",
   "aliases": [
    "backtest overfitting",
    "probability of backtest overfitting",
    "PBO",
    "CSCV",
    "przeuczenie backtestu"
   ],
   "description": "Metody wykrywania przeuczenia przy wielokrotnym testowaniu strategii, w tym prawdopodobieństwo przeuczenia backtestu (PBO) szacowane przez CSCV.",
   "description_en": "Methods for detecting overfitting when many strategies are tested, including the probability of backtest overfitting (PBO) estimated with CSCV.",
   "plain": "Sposoby, by odróżnić strategię inwestycyjną, która naprawdę działa, od takiej, która tylko przypadkiem dobrze wypadła na starych danych.",
   "plain_en": "Ways to tell an investment strategy that really works from one that only looked good on old data by chance.",
   "solves": "Po wypróbowaniu setek pomysłów któryś zawsze wygląda świetnie w historii, a potem traci pieniądze na prawdziwym rynku.",
   "solves_en": "Try hundreds of ideas and one always looks great in history, then loses money in the real market.",
   "does": "Jak rzucanie wieloma monetami: przy tysiącu monet któraś wypadnie orłem dziesięć razy z rzędu, choć niczym się nie wyróżnia.",
   "does_en": "Like tossing many coins: with a thousand coins, one will land heads ten times in a row though it is nothing special.",
   "example": "Ktoś pokazuje na forum strategię z pięknym wykresem zysków z dziesięciu lat, ale nie mówi, ile innych wersji sprawdził, zanim ją znalazł.",
   "example_en": "Someone posts a strategy with a beautiful ten-year profit chart on a forum, but doesn't say how many other versions they tried first.",
   "for_you": [
    "testujesz strategie na danych historycznych",
    "oceniasz fundusz po jego wynikach z przeszłości"
   ],
   "for_you_en": [
    "test strategies on historical data",
    "judge a fund by its past performance"
   ],
   "how": "Kombinatorycznie symetryczna walidacja krzyżowa (CSCV) dzieli zsynchronizowane wyniki wszystkich wypróbowanych strategii na pary połówek. W każdej kombinacji wybiera najlepszą strategię w próbie i sprawdza jej rangę poza próbą; odsetek przypadków, w których spada poniżej mediany, szacuje prawdopodobieństwo przeuczenia backtestu (PBO).",
   "how_en": "Combinatorially symmetric cross-validation (CSCV) splits the synchronised performance series of all tried strategies into paired halves. For each combination it selects the best in-sample strategy and checks its out-of-sample rank; the share of cases where it falls below the median estimates the probability of backtest overfitting (PBO).",
   "limits": "Metody wymagają zapisu wszystkich przetestowanych wariantów, czego badacze często nie robią. Szacunki zakładają, że przeszłość jest reprezentatywna dla przyszłości. Zwykły podział na trening i test bywa przy backtestach zawodny.",
   "limits_en": "The methods need a record of every variant tested, which researchers often don't keep. Estimates assume the past represents the future. A plain train–test hold-out is often unreliable for backtests.",
   "terms": [
    {
     "gloss": "Prawdopodobieństwo, że wybrana najlepsza strategia jest przeuczona.",
     "term": "PBO"
    },
    {
     "gloss": "Im więcej prób, tym łatwiej o przypadkowy sukces.",
     "term": "wielokrotne testowanie"
    },
    {
     "gloss": "Kombinatorycznie symetryczny podział wyników strategii na część w próbie i poza próbą.",
     "term": "CSCV"
    }
   ],
   "terms_en": [
    {
     "gloss": "Probability that the chosen best strategy is overfit.",
     "term": "PBO"
    },
    {
     "gloss": "The more trials, the easier a lucky success.",
     "term": "multiple testing"
    },
    {
     "gloss": "A combinatorially symmetric split of strategy results into in-sample and out-of-sample parts.",
     "term": "CSCV"
    }
   ],
   "prereq": [
    "crossval",
    "leakagetypes"
   ],
   "keywords": [
    "backtest overfitting",
    "probability of backtest overfitting",
    "PBO",
    "CSCV",
    "multiple testing"
   ],
   "source_ids": [
    "bailey-pbo-2015"
   ],
   "url": "https://aiatlasgraph.com/t/backtestoverfitting",
   "markdown_url": "https://aiatlasgraph.com/t/backtestoverfitting.md",
   "updated": "2026-10-30"
  },
  "bandits": {
   "id": "bandits",
   "parent_id": "rlbasics",
   "label": "Wielorękie bandyty: eksploracja kontra eksploatacja",
   "canonical_name": "Multi-armed and contextual bandits",
   "description": "Powtarzalny wybór spośród opcji o nieznanej nagrodzie, z równoważeniem eksploracji nowych możliwości i wykorzystywania dotychczas najlepszych. Stosowany m.in. w rekomendacjach i adaptacyjnych eksperymentach online.",
   "description_en": "Repeatedly choosing among options with unknown rewards while balancing exploration of new possibilities against exploitation of the current best. Used in recommendation and adaptive online experimentation.",
   "examples": "ε-greedy · UCB · próbkowanie Thompsona · bandyty kontekstowe",
   "examples_en": "ε-greedy · UCB · Thompson sampling · contextual bandits",
   "plain": "To uczenie się, którą opcję wybierać, przez łączenie próbowania nowych możliwości z korzystaniem z dotychczas najlepszych.",
   "plain_en": "This learns which option to choose by balancing trying new possibilities with using the best ones found so far.",
   "solves": "Nie znasz wyników wszystkich opcji, ale ciągłe próbowanie słabszych możliwości też kosztuje i pogarsza bieżące efekty.",
   "solves_en": "You do not know every option's results, but repeatedly trying weaker possibilities also costs and reduces current outcomes.",
   "does": "Ocenia rezultaty kolejnych wyborów i dobiera, kiedy wykorzystać znaną dobrą opcję, a kiedy zebrać informacje o innej.",
   "does_en": "It evaluates successive choice outcomes and decides when to use a known good option or gather information about another.",
   "example": "Strona próbuje różnych propozycji artykułów i częściej pokazuje skuteczne, nadal sprawdzając mniej znane opcje.",
   "example_en": "A page tries different article suggestions and shows effective ones more often while still testing less familiar options.",
   "for_you": [
    "wielokrotnie wybierasz między opcjami o nieznanych wynikach",
    "chcesz równoważyć dobre bieżące efekty ze zbieraniem informacji"
   ],
   "for_you_en": [
    "repeatedly choose among options with unknown outcomes",
    "want to balance current results with gathering information"
   ],
   "how": "Po wyborze jednej opcji algorytm obserwuje jej nagrodę i aktualizuje ocenę. Premie za niepewność lub próbkowanie z rozkładu przekonań sterują eksploracją zamiast wybierania zawsze najwyższej średniej.",
   "how_en": "After selecting an option, the algorithm observes its reward and updates its estimate. Uncertainty bonuses or sampling from belief distributions guide exploration instead of always choosing the highest mean.",
   "limits": "Nagrody niewybranych opcji pozostają nieznane. Opóźniony feedback i zmienne preferencje naruszają proste założenia; eksploracja kosztuje wyniki uzyskane podczas uczenia.",
   "limits_en": "Rewards for unchosen options remain unknown. Delayed feedback and changing preferences violate simple assumptions; exploration sacrifices outcomes during learning.",
   "terms": [
    {
     "gloss": "Różnica nagród między wybraną strategią a wskazanym punktem odniesienia.",
     "term": "regret"
    },
    {
     "gloss": "Losowanie ocen opcji z rozkładu przekonań i wybór najlepszej w losowaniu.",
     "term": "Thompson sampling"
    }
   ],
   "terms_en": [
    {
     "gloss": "The reward gap between a chosen strategy and a specified comparator.",
     "term": "regret"
    },
    {
     "gloss": "Sampling option estimates from beliefs and choosing the best in that draw.",
     "term": "Thompson sampling"
    }
   ],
   "prereq": [
    "bayesinference"
   ],
   "keywords": [
    "epsilon-greedy",
    "Upper Confidence Bound",
    "Thompson sampling",
    "contextual bandits",
    "cumulative regret"
   ],
   "source_ids": [
    "slivkins-bandits"
   ],
   "url": "https://aiatlasgraph.com/t/bandits",
   "markdown_url": "https://aiatlasgraph.com/t/bandits.md",
   "updated": "2026-10-30"
  },
  "bargein": {
   "id": "bargein",
   "parent_id": "voiceagents",
   "label": "Przerwania i powrót do rozmowy",
   "canonical_name": "Interruption handling and recovery",
   "description": "Rozpoznanie, czy użytkownik przerywa, zatrzymanie odpowiedzi oraz poprawne wznowienie rozmowy i zadania z uwzględnieniem tego, co już usłyszał.",
   "description_en": "Determining whether the user is interrupting, stopping the response and resuming the dialogue and task in line with what was already heard.",
   "examples": "barge-in · potakiwanie · odzyskanie stanu zadania",
   "examples_en": "barge-in · backchannels · task-state recovery",
   "plain": "To obsługa sytuacji, w której przerywasz mówiącemu asystentowi i rozmowa musi zmienić kierunek.",
   "plain_en": "This handles situations where you interrupt a speaking assistant and the conversation needs to change direction.",
   "solves": "Asystent mówi dalej po twojej korekcie albo wraca do zadania, jakby przerwanie nie nastąpiło.",
   "solves_en": "An assistant keeps talking after your correction or resumes a task as though the interruption never happened.",
   "does": "System rozpoznaje zamiar przerwania, zatrzymuje wypowiedź i aktualizuje kontekst oraz etap zadania według tego, co faktycznie usłyszałeś.",
   "does_en": "A system recognises an interruption, stops speaking and updates context and task progress according to what you actually heard.",
   "example": "Przerywasz odczytywanie adresu, żeby poprawić numer mieszkania, a asystent wraca do potwierdzenia poprawionych danych.",
   "example_en": "You interrupt an address readback to correct the flat number, and the assistant returns to confirming the updated details.",
   "for_you": [
    "poprawiasz asystenta w trakcie odpowiedzi",
    "chcesz zachować stan zadania po przerwaniu"
   ],
   "for_you_en": [
    "correct an assistant while it speaks",
    "want to preserve task progress after interruptions"
   ],
   "how": "Wykryta próba przejęcia tury zatrzymuje lub przycisza odtwarzanie odpowiedzi i aktualizuje stan dialogu. Agent interpretuje nową wypowiedź względem odtworzonego fragmentu oraz faktycznie wykonanych działań, a następnie wybiera dalszy krok.",
   "how_en": "A detected attempt to take the turn stops or lowers response playback and updates dialogue state. The agent interprets new speech against the played portion and actions actually completed, then chooses the next step.",
   "limits": "Krótki sygnał słuchania może zostać błędnie uznany za przerwanie. Zatrzymanie audio nie cofa wykonanych narzędzi; niezaktualizowana historia powoduje odpowiedzi o treści, której użytkownik nie usłyszał.",
   "limits_en": "Brief listening acknowledgements can be mistaken for interruptions. Stopping audio does not undo executed tools; stale history causes responses about content users never heard.",
   "terms": [
    {
     "gloss": "Rozpoczęcie wypowiedzi z intencją zmiany aktualnego przebiegu rozmowy.",
     "term": "przejęcie tury"
    },
    {
     "gloss": "Zatrzymanie bufora odpowiedzi przed wypowiedzeniem pozostałej treści.",
     "term": "anulowanie odtwarzania"
    }
   ],
   "terms_en": [
    {
     "gloss": "Starting an utterance intending to change the current conversation flow.",
     "term": "turn takeover"
    },
    {
     "gloss": "Stopping the response buffer before the remaining content is spoken.",
     "term": "playback cancellation"
    }
   ],
   "prereq": [
    "turndetection",
    "eventdriven"
   ],
   "keywords": [
    "playback cancellation",
    "turn takeover",
    "backchannel detection",
    "false interruption recovery",
    "conversation truncation",
    "IHBench",
    "task checkpoints"
   ],
   "source_ids": [
    "voiceprimer",
    "livekit-turns-guide",
    "openai-realtime-conversations",
    "ihbench-voice"
   ],
   "url": "https://aiatlasgraph.com/t/bargein",
   "markdown_url": "https://aiatlasgraph.com/t/bargein.md",
   "updated": "2026-10-30"
  },
  "batchprocessing": {
   "id": "batchprocessing",
   "parent_id": "economics",
   "label": "Przetwarzanie wsadowe (batch) zamiast na żywo",
   "canonical_name": "Batch (asynchronous) inference",
   "description": "Wysyłanie dużych paczek zapytań, na które nie trzeba czekać od razu, w trybie wsadowym — zwykle znacznie taniej, kosztem odpowiedzi w ciągu godzin zamiast sekund.",
   "description_en": "Sending large bundles of requests that don't need an immediate answer in batch mode — usually much cheaper, at the cost of answers within hours instead of seconds.",
   "examples": "API wsadowe · nocne klasyfikowanie danych · uruchamianie ewaluacji · liczenie embeddingów",
   "examples_en": "batch APIs · overnight data classification · running evaluations · computing embeddings",
   "plain": "To wysyłanie zadań do modelu paczkami, kiedy wyniki mogą przyjść później zamiast od razu.",
   "plain_en": "This sends tasks to a model in batches when results can arrive later rather than immediately.",
   "solves": "Masz wiele niezależnych zadań, a płacenie za ich natychmiastową obsługę może być niepotrzebnym kosztem.",
   "solves_en": "You have many independent tasks, and paying for immediate processing may be an unnecessary expense.",
   "does": "Kolejkuje paczkę zapytań i oddaje wyniki po przetworzeniu, pozwalając korzystać z trybu, który może być tańszy kosztem oczekiwania.",
   "does_en": "It queues a bundle of requests and returns processed results, allowing a mode that may cost less in exchange for waiting.",
   "example": "Zlecasz nocne przypisanie kategorii do archiwalnych zgłoszeń klientów i odbierasz gotowe wyniki po zakończeniu paczki zadań.",
   "example_en": "You submit archived customer messages for overnight categorisation and collect the results when the batch finishes.",
   "for_you": [
    "masz wiele zadań niewymagających natychmiastowej odpowiedzi",
    "możesz zamienić dłuższe oczekiwanie na potencjalnie niższy koszt"
   ],
   "for_you_en": [
    "have many tasks that need no immediate answer",
    "can trade a longer wait for potentially lower costs"
   ],
   "how": "Niezależne żądania zapisuje się w paczce z identyfikatorami, a harmonogram wykonuje je poza interaktywną ścieżką. Wyniki odbiera się później i łączy z wejściami, osobno obsługując niepowodzenia oraz bezpieczne ponowienia.",
   "how_en": "Independent requests are stored in a batch with identifiers and scheduled outside the interactive path. Results are collected later and matched to inputs, with failures and safe retries handled separately.",
   "limits": "Brak natychmiastowej odpowiedzi wyklucza część interakcji. Limity paczki, termin wykonania i cena zależą od usługi; częściowe błędy oraz nieuporządkowane wyniki wymagają kontroli.",
   "limits_en": "Delayed responses exclude some interactions. Batch limits, completion deadlines and pricing depend on services; partial failures and unordered results require control.",
   "terms": [
    {
     "gloss": "Klucz wiążący później odebrany wynik z właściwym wejściem.",
     "term": "identyfikator zadania"
    },
    {
     "gloss": "Zestaw rezultatów, w którym nie wszystkie żądania zakończyły się sukcesem.",
     "term": "wynik częściowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A key matching a later result to the correct input.",
     "term": "task identifier"
    },
    {
     "gloss": "A result set where not all requests completed successfully.",
     "term": "partial result"
    }
   ],
   "prereq": [
    "pipelines",
    "eventdriven"
   ],
   "keywords": [
    "Batch API",
    "JSONL",
    "asynchronous inference",
    "custom_id",
    "completion window",
    "partial results"
   ],
   "source_ids": [
    "openai-batch-api"
   ],
   "url": "https://aiatlasgraph.com/t/batchprocessing",
   "markdown_url": "https://aiatlasgraph.com/t/batchprocessing.md",
   "updated": "2026-10-30"
  },
  "batchsize": {
   "id": "batchsize",
   "parent_id": "optimization",
   "label": "Rozmiar partii treningowej i akumulacja gradientu",
   "canonical_name": "Training batch size and gradient accumulation",
   "aliases": [
    "batch size and gradient accumulation",
    "rozmiar batcha i akumulacja gradientu"
   ],
   "description": "Dobór liczby przykładów na krok aktualizacji: akumulacja gradientu przez mikrobatche i krytyczny rozmiar batcha.",
   "description_en": "Choosing how many examples go into each update step: gradient accumulation over micro-batches and the critical batch size.",
   "plain": "Decyzja, ile przykładów model ogląda przed każdą poprawką, i sposób na duży pakiet nawet na małej karcie graficznej.",
   "plain_en": "Deciding how many examples a model sees before each correction, and how to get a large bundle even on a small graphics card.",
   "solves": "Za mały pakiet przykładów daje chaotyczną naukę, za duży marnuje obliczenia, a duży często nie mieści się w pamięci.",
   "solves_en": "Too small a bundle makes learning erratic, too large wastes compute, and a large one often won't fit in memory.",
   "does": "Jak ankieta: zbyt mała daje przypadkowe wnioski, zbyt duża kosztuje bez zysku, a odpowiedzi można zbierać w kilku turach.",
   "does_en": "Like a survey: too small gives random conclusions, too large costs without benefit, and answers can be gathered in several rounds.",
   "example": "Na zwykłej karcie graficznej zamiast 64 przykładów naraz liczysz osiem razy po osiem i dopiero wtedy poprawiasz model.",
   "example_en": "On an ordinary graphics card, instead of 64 examples at once you process eight batches of eight, then update the model.",
   "for_you": [
    "dobierasz ustawienia treningu",
    "chcesz trenować szybciej na wielu kartach"
   ],
   "for_you_en": [
    "choose training settings",
    "want to train faster on many GPUs"
   ],
   "how": "Akumulacja sumuje gradienty z kilku mikrobatchy przed jednym krokiem optymalizatora, symulując większy batch kosztem czasu. Skala szumu gradientu szacuje krytyczny rozmiar batcha, powyżej którego dalsze zwiększanie słabo skraca liczbę kroków; rośnie on w trakcie treningu, gdy maleje strata.",
   "how_en": "Accumulation sums gradients from several micro-batches before one optimiser step, simulating a larger batch at the cost of time. The gradient noise scale estimates the critical batch size, beyond which larger batches barely cut step count; it grows during training as loss falls.",
   "limits": "Akumulacja nie przyspiesza treningu, tylko oszczędza pamięć, a normalizacja batchowa widzi wciąż mikrobatche. Zmiana batcha wymaga dostrojenia learning rate; powyżej rozmiaru krytycznego dodatkowe obliczenia dają malejące korzyści.",
   "limits_en": "Accumulation saves memory but doesn't speed training, and batch normalisation still sees micro-batches. Changing batch size requires retuning the learning rate; beyond the critical size extra compute brings diminishing returns.",
   "terms": [
    {
     "gloss": "Mała porcja przykładów mieszcząca się w pamięci, sumowana do większego batcha.",
     "term": "mikrobatch"
    },
    {
     "gloss": "Miara pozwalająca oszacować, jak duży batch jeszcze się opłaca.",
     "term": "skala szumu gradientu"
    },
    {
     "gloss": "Próg, za którym większy batch prawie nie skraca treningu.",
     "term": "krytyczny rozmiar batcha"
    }
   ],
   "terms_en": [
    {
     "gloss": "A small portion of examples that fits in memory, summed into a bigger batch.",
     "term": "micro-batch"
    },
    {
     "gloss": "A measure estimating how large a batch is still worthwhile.",
     "term": "gradient noise scale"
    },
    {
     "gloss": "The point beyond which a bigger batch barely shortens training.",
     "term": "critical batch size"
    }
   ],
   "prereq": [
    "backprop",
    "mathoptimization"
   ],
   "keywords": [
    "gradient accumulation",
    "critical batch size",
    "gradient noise scale",
    "batch size warmup",
    "linear scaling rule",
    "LAMB",
    "micro-batch"
   ],
   "source_ids": [
    "mccandlish-2018-batch"
   ],
   "url": "https://aiatlasgraph.com/t/batchsize",
   "markdown_url": "https://aiatlasgraph.com/t/batchsize.md",
   "updated": "2026-10-30"
  },
  "bayesinference": {
   "id": "bayesinference",
   "parent_id": "probability",
   "label": "Twierdzenie Bayesa i wnioskowanie bayesowskie",
   "canonical_name": "Bayes' theorem and Bayesian inference",
   "description": "Aktualizowanie przekonań po zobaczeniu danych: rozkład a priori, wiarygodność, rozkład a posteriori.",
   "description_en": "Updating beliefs after seeing data: prior, likelihood, posterior.",
   "examples": "Prior i posterior · reguła Bayesa · niepewność predykcji",
   "examples_en": "Prior and posterior · Bayes' rule · predictive uncertainty",
   "plain": "To aktualizowanie przewidywań, gdy pojawiają się nowe informacje.",
   "plain_en": "This updates predictions when new information arrives.",
   "solves": "Nowa obserwacja może zmienić wcześniejsze przypuszczenie, ale sama nie mówi, jak mocno należy je zmienić.",
   "solves_en": "A new observation may change an earlier belief, but does not itself tell you how much to change it.",
   "does": "Łączy wcześniejsze szanse z tym, jak spodziewana byłaby nowa obserwacja przy każdej rozważanej możliwości.",
   "does_en": "It combines earlier probabilities with how expected the new observation would be under each possibility being considered.",
   "example": "Prognoza szacuje szansę deszczu, a nowe pomiary chmur zmieniają ją, z uwzględnieniem dotychczasowych informacji.",
   "example_en": "A forecast estimates the chance of rain, then new cloud measurements update it while accounting for the information already available.",
   "for_you": [
    "zmieniasz przewidywania po otrzymaniu nowych danych",
    "chcesz łączyć wcześniejszą wiedzę z aktualnymi obserwacjami"
   ],
   "for_you_en": [
    "revise predictions after receiving new data",
    "want to combine earlier knowledge with current observations"
   ],
   "how": "Rozkład a priori mnoży się przez wiarygodność zaobserwowanych danych i normalizuje. Powstały posterior opisuje zaktualizowaną niepewność, a jego uśrednianie umożliwia predykcje uwzględniające różne wartości parametrów.",
   "how_en": "A prior distribution is multiplied by observed-data likelihood and normalised. The posterior describes updated uncertainty, and averaging over it supports predictions accounting for different parameter values.",
   "limits": "Wynik zależy od prioru oraz założeń modelu danych. Normalizacja i całkowanie mogą być kosztowne; posterior nie usuwa błędów wynikających z niepoprawnego modelu.",
   "limits_en": "Results depend on priors and data-model assumptions. Normalisation and integration can be costly; posteriors cannot remove errors from a misspecified model.",
   "terms": [
    {
     "gloss": "Rozkład przekonań przyjęty przed uwzględnieniem analizowanych obserwacji.",
     "term": "prior"
    },
    {
     "gloss": "Rozkład przekonań po warunkowaniu na zaobserwowanych danych.",
     "term": "posterior"
    }
   ],
   "terms_en": [
    {
     "gloss": "A belief distribution specified before incorporating the analysed observations.",
     "term": "prior"
    },
    {
     "gloss": "A belief distribution after conditioning on observed data.",
     "term": "posterior"
    }
   ],
   "prereq": [
    "distributions"
   ],
   "keywords": [
    "prior probability",
    "posterior probability",
    "Bayesian updating",
    "posterior predictive distribution",
    "credible intervals"
   ],
   "source_ids": [
    "aima4",
    "dlbook-part1"
   ],
   "url": "https://aiatlasgraph.com/t/bayesinference",
   "markdown_url": "https://aiatlasgraph.com/t/bayesinference.md",
   "updated": "2026-10-30"
  },
  "bayesnets": {
   "id": "bayesnets",
   "parent_id": "probabilistic",
   "label": "Sieci bayesowskie",
   "canonical_name": "Bayesian networks",
   "description": "Graf skierowany, w którym węzły to zmienne losowe, a krawędzie to zależności; pozwala liczyć prawdopodobieństwa przy częściowej wiedzy.",
   "description_en": "A directed graph whose nodes are random variables and edges are dependencies; lets you compute probabilities from partial knowledge.",
   "examples": "Niezależność warunkowa · eliminacja zmiennych · sieci decyzyjne",
   "examples_en": "Conditional independence · variable elimination · decision networks",
   "plain": "To mapy zależności pokazujące, jak szanse jednych zdarzeń wiążą się z innymi.",
   "plain_en": "These dependency maps show how the chances of some events relate to others.",
   "solves": "Trudno połączyć częściowe informacje o wielu zdarzeniach bez gubienia zależności między nimi.",
   "solves_en": "It is hard to combine partial information about many events without losing their dependencies.",
   "does": "Zapisuje połączenia oraz szanse zależne od innych zdarzeń i przelicza przewidywania po otrzymaniu nowych obserwacji.",
   "does_en": "It records links and probabilities conditioned on other events, then recalculates predictions when new observations arrive.",
   "example": "Prognozujesz opóźnienie paczki, a wiadomość o przestoju magazynu zmienia przewidywanie przy uwzględnieniu zapisanych zależności z transportem.",
   "example_en": "You predict a parcel delay, then news of a warehouse stoppage updates the forecast using its recorded dependencies with transport.",
   "for_you": [
    "masz częściowe dane o powiązanych zdarzeniach",
    "chcesz widzieć zależności stojące za przewidywaniem"
   ],
   "for_you_en": [
    "have partial information about connected events",
    "want to see dependencies behind a prediction"
   ],
   "how": "Acykliczny graf skierowany określa rozkład jako iloczyn rozkładów warunkowych węzłów względem ich rodziców. Wprowadzona obserwacja aktualizuje wnioskowanie o pozostałych zmiennych przez marginalizację i warunkowanie.",
   "how_en": "A directed acyclic graph expresses a distribution as a product of node distributions conditioned on parents. Observed evidence updates inference about other variables through marginalisation and conditioning.",
   "limits": "Krawędź opisuje zależność modelową, bez automatycznej interpretacji przyczynowej. Złożona struktura zwiększa koszt wnioskowania, a błędne założenia niezależności zniekształcają wynik.",
   "limits_en": "Edges describe model dependencies without automatic causal meaning. Complex structures increase inference costs, while incorrect independence assumptions distort results.",
   "terms": [
    {
     "gloss": "Graf skierowany bez cykli, porządkujący zależności między zmiennymi.",
     "term": "DAG"
    },
    {
     "gloss": "Rozkład jednej zmiennej przy ustalonych wartościach innych.",
     "term": "rozkład warunkowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A directed acyclic graph organising variable dependencies.",
     "term": "DAG"
    },
    {
     "gloss": "A variable's distribution given specified values of other variables.",
     "term": "conditional distribution"
    }
   ],
   "prereq": [
    "distributions",
    "bayesinference"
   ],
   "keywords": [
    "directed acyclic graphs",
    "conditional independence",
    "variable elimination",
    "belief propagation",
    "decision networks"
   ],
   "source_ids": [
    "cs188fa25",
    "aima4",
    "neal-causal"
   ],
   "url": "https://aiatlasgraph.com/t/bayesnets",
   "markdown_url": "https://aiatlasgraph.com/t/bayesnets.md",
   "updated": "2026-10-30"
  },
  "beecolony": {
   "id": "beecolony",
   "parent_id": "swarmintel",
   "label": "Sztuczna kolonia pszczół (ABC)",
   "canonical_name": "Artificial bee colony algorithm (ABC)",
   "aliases": [
    "artificial bee colony",
    "ABC algorithm",
    "kolonia pszczół",
    "algorytm sztucznej kolonii pszczół"
   ],
   "description": "Metaheurystyka rojowa z trzema rolami pszczół — robotnic, obserwatorek i zwiadowców — do optymalizacji ciągłej.",
   "description_en": "A swarm metaheuristic with three bee roles — employed, onlooker and scout — for continuous optimisation.",
   "plain": "Wirtualne pszczoły dzielą się pracami: jedne poprawiają znane „kwiaty”, inne wybierają najlepsze, a zwiadowcy szukają nowych miejsc.",
   "plain_en": "Virtual bees split the work: some refine known “flowers”, others pick the best ones, and scouts look for new places.",
   "solves": "Metoda szukania albo za długo dopieszcza jedno miejsce, albo skacze bez końca, nigdy nie trzymając równowagi między tymi trybami.",
   "solves_en": "A search method either polishes one spot for too long or jumps around endlessly, never keeping a balance between the two.",
   "does": "Wyczerpane źródło, które długo się nie poprawia, zostaje porzucone, a zwiadowca zastępuje je losowym nowym miejscem.",
   "does_en": "A worn-out source that has not improved for a while is abandoned, and a scout replaces it with a random new spot.",
   "example": "Elektrownia dobiera nastawy kilku generatorów, by zużyć najmniej paliwa; program wysyła wirtualne pszczoły do różnych zestawów nastaw i zostawia najlepsze.",
   "example_en": "A power plant sets several generators to burn the least fuel; software sends virtual bees to different setting combinations and keeps the best.",
   "for_you": [
    "stroisz liczbowe ustawienia i chcesz prostego algorytmu",
    "porównujesz metody inspirowane zachowaniem zwierząt"
   ],
   "for_you_en": [
    "tune numeric settings and want a simple algorithm",
    "compare methods inspired by animal behaviour"
   ],
   "how": "Źródła pokarmu to rozwiązania, a ilość nektaru to przystosowanie. Robotnica zmienia jeden wymiar swojego źródła o losową część różnicy z sąsiadem i zachowuje lepszą wersję. Obserwatorki wybierają źródła proporcjonalnie do jakości, a źródło bez poprawy przez „limit” cykli zastępuje zwiadowca losowym punktem.",
   "how_en": "Food sources are solutions and nectar is fitness. An employed bee shifts one dimension of its source by a random share of the difference to a neighbour and keeps the better version. Onlookers pick sources in proportion to quality, and a source not improved for “limit” cycles is replaced by a scout's random point.",
   "limits": "Pierwotne porównania obejmowały tylko pięć funkcji testowych, a działanie metody zależy od parametru porzucenia „limit”. Przewagę nad prostszymi metodami trzeba więc sprawdzić na własnym problemie.",
   "limits_en": "The original comparisons covered only five test functions, and the method depends on the abandonment parameter called “limit”. Its advantage over simpler methods therefore needs checking on the target problem.",
   "terms": [
    {
     "gloss": "Agent poprawiający lokalnie jedno przypisane rozwiązanie.",
     "term": "pszczoła-robotnica"
    },
    {
     "gloss": "Agent wybierający obiecujące rozwiązanie z prawdopodobieństwem zależnym od jakości.",
     "term": "obserwatorka"
    },
    {
     "gloss": "Liczba cykli bez poprawy, po której źródło jest wymieniane.",
     "term": "limit porzucenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "An agent locally refining one assigned solution.",
     "term": "employed bee"
    },
    {
     "gloss": "An agent picking a promising solution with quality-based probability.",
     "term": "onlooker bee"
    },
    {
     "gloss": "Cycles without improvement before a source is replaced.",
     "term": "abandonment limit"
    }
   ],
   "prereq": [
    "localsearch"
   ],
   "keywords": [
    "employed bees",
    "onlooker bees",
    "scout bees",
    "abandonment limit",
    "Karaboga",
    "metaphor-based metaheuristics",
    "MEALPY"
   ],
   "source_ids": [
    "abc-karaboga-2007"
   ],
   "url": "https://aiatlasgraph.com/t/beecolony",
   "markdown_url": "https://aiatlasgraph.com/t/beecolony.md",
   "updated": "2026-10-30"
  },
  "behaviorcloning": {
   "id": "behaviorcloning",
   "parent_id": "imitation",
   "label": "Klonowanie zachowań (behavioral cloning)",
   "canonical_name": "Behavioural cloning",
   "description": "Uczenie nadzorowane na parach obserwacja→akcja z demonstracji. To podstawowa metoda uczenia polityk robotów z pokazów; jej słabością jest kumulowanie się błędów poza rozkładem sytuacji widzianych w danych.",
   "description_en": "Supervised learning on observation→action pairs from demonstrations. It is a foundational way to learn robot policies from demonstrations; a weakness is compounding error outside the distribution represented in the data.",
   "examples": "Demonstracje eksperta · przesunięcie rozkładu · kumulacja błędów",
   "examples_en": "Expert demonstrations · distribution shift · compounding errors",
   "plain": "To uczenie robota lub programu wybierania działań podobnych do pokazanych przez człowieka.",
   "plain_en": "This teaches a robot or program to choose actions resembling those demonstrated by a person.",
   "solves": "Umiesz wykonać zadanie, ale trudno rozpisać wszystkie reguły ruchu i rozpoznawania odpowiedniego momentu.",
   "solves_en": "You can perform a task but find every movement rule and timing condition difficult to describe.",
   "does": "Uczy mapowania obserwowanej sytuacji na pokazany ruch; poza poznanymi sytuacjami błędy mogą prowadzić do kolejnych błędów.",
   "does_en": "It learns to map an observed situation to a demonstrated action; in unfamiliar situations, mistakes can lead to further mistakes.",
   "example": "Robot ogląda zapis układania ręcznika i uczy się dobierać ruch ramienia do obrazu materiału w kolejnych chwilach.",
   "example_en": "A robot learns from recorded towel folding to choose arm movements matching the cloth's appearance at each step.",
   "for_you": [
    "masz pokazy z zapisem sytuacji i wykonanych ruchów",
    "chcesz zacząć naukę działania od naśladowania"
   ],
   "for_you_en": [
    "have demonstrations recording situations and actions",
    "want action learning to start from imitation"
   ],
   "how": "Polityka minimalizuje błąd predykcji akcji eksperta z jego obserwacji. Podczas wykonania używa własnych predykcji, więc jej działania wpływają na rozkład kolejnych wejść.",
   "how_en": "A policy minimises prediction error on expert actions given observations. During execution it uses its own predictions, so its actions affect the distribution of subsequent inputs.",
   "limits": "Małe błędy mogą narastać w kolejnych krokach. Wiele poprawnych akcji dla tej samej obserwacji wymaga modelowania rozkładu, a jakość zależy od pokrycia demonstracji.",
   "limits_en": "Small errors can compound across steps. Multiple correct actions for the same observation require distribution modelling, and quality depends on demonstration coverage.",
   "terms": [
    {
     "gloss": "Rozbieżność między działaniem modelu a zarejestrowanym działaniem eksperta.",
     "term": "błąd imitacji"
    },
    {
     "gloss": "Zmiana rozkładu wejść względem przykładów użytych do treningu.",
     "term": "covariate shift"
    }
   ],
   "terms_en": [
    {
     "gloss": "A discrepancy between the model's action and the recorded expert action.",
     "term": "imitation error"
    },
    {
     "gloss": "A change in input distribution relative to training examples.",
     "term": "covariate shift"
    }
   ],
   "prereq": [
    "supervised",
    "mdp"
   ],
   "keywords": [
    "supervised policy learning",
    "expert demonstrations",
    "covariate shift",
    "compounding errors",
    "behavioral cloning loss"
   ],
   "source_ids": [
    "rl",
    "hf-deep-rl-course",
    "dagger-2011",
    "lerobot-docs"
   ],
   "url": "https://aiatlasgraph.com/t/behaviorcloning",
   "markdown_url": "https://aiatlasgraph.com/t/behaviorcloning.md",
   "updated": "2026-10-30"
  },
  "behaviortrees": {
   "id": "behaviortrees",
   "parent_id": "gamecharacters",
   "label": "Drzewa zachowań",
   "canonical_name": "Behaviour trees",
   "aliases": [
    "behavior trees",
    "behaviour trees",
    "BT",
    "drzewa zachowania",
    "drzewo zachowań"
   ],
   "description": "Hierarchiczna, modułowa struktura sterowania, w której węzły sekwencji, wyboru i akcji są cyklicznie odpytywane i zwracają sukces, porażkę lub stan w toku.",
   "description_en": "A hierarchical, modular control structure in which sequence, selector and action nodes are ticked periodically and return success, failure or running.",
   "plain": "Sposób zapisania, co postać ma robić, jako drzewko decyzji, które projektant może narysować, czytać i łatwo zmieniać.",
   "plain_en": "A way to write down what a character should do as a decision tree that designers can draw, read and easily change.",
   "solves": "Gdy postać ma dziesiątki zachowań, ręcznie połączone przejścia między nimi zamieniają się w plątaninę, której nikt nie umie poprawić.",
   "solves_en": "When a character has dozens of behaviours, hand-wired transitions between them become a tangle nobody can fix.",
   "does": "Jak przepis z wariantami: najpierw spróbuj tego, jeśli się nie uda, zrób tamto; każdą gałąź da się wymienić bez ruszania reszty.",
   "does_en": "Like a recipe with fallbacks: try this first, if it fails do that; any branch can be swapped without touching the rest.",
   "example": "Pies w grze najpierw sprawdza, czy widzi gracza; jeśli tak, biegnie do niego, a jeśli nie, węszy po okolicy albo śpi.",
   "example_en": "A dog in a game first checks whether it sees the player; if so it runs over, if not it sniffs around or naps.",
   "for_you": [
    "programujesz zachowanie postaci w silniku gry",
    "sterujesz robotem i chcesz czytelnej logiki"
   ],
   "for_you_en": [
    "script character behaviour in a game engine",
    "control a robot and want readable logic"
   ],
   "how": "Drzewo jest odpytywane od korzenia wiele razy na sekundę. Węzeł sekwencji wykonuje dzieci po kolei, dopóki się udają, a węzeł wyboru próbuje kolejnych, aż któreś zadziała. Liście sprawdzają warunki lub wykonują akcje. Dzięki ciągłemu odpytywaniu postać reaguje na zmiany, a poddrzewa można wielokrotnie używać.",
   "how_en": "The tree is ticked from the root many times per second. A sequence node runs children in order while they succeed, and a selector tries them in turn until one works. Leaves check conditions or perform actions. Constant ticking keeps the character reactive, and subtrees can be reused.",
   "limits": "Samo ręcznie zaprojektowane drzewo wykonuje zapisane zachowania i nie wyznacza nowych planów. Duże drzewa stają się trudne do ogarnięcia, a złożona koordynacja wielu postaci wymaga dodatkowych mechanizmów.",
   "limits_en": "A hand-authored tree executes its specified behaviours and does not derive new plans by itself. Large trees become hard to manage, and complex coordination of many characters needs additional mechanisms.",
   "terms": [
    {
     "gloss": "Jedno odpytanie drzewa, które decyduje o bieżącej akcji.",
     "term": "tick"
    },
    {
     "gloss": "Węzeł próbujący kolejnych dzieci, aż któreś się powiedzie.",
     "term": "selektor"
    },
    {
     "gloss": "Węzeł wykonujący dzieci po kolei, dopóki każde się udaje.",
     "term": "sekwencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "One evaluation pass deciding the current action.",
     "term": "tick"
    },
    {
     "gloss": "A node trying children in turn until one succeeds.",
     "term": "selector"
    },
    {
     "gloss": "A node running children in order while each succeeds.",
     "term": "sequence"
    }
   ],
   "prereq": [
    "classicalplanning"
   ],
   "keywords": [
    "behavior trees",
    "selector node",
    "sequence node",
    "blackboard",
    "Unreal Engine Behavior Tree",
    "BehaviorTree.CPP",
    "py_trees",
    "finite state machines"
   ],
   "source_ids": [
    "colledanchise-ogren-bt-2017"
   ],
   "url": "https://aiatlasgraph.com/t/behaviortrees",
   "markdown_url": "https://aiatlasgraph.com/t/behaviortrees.md",
   "updated": "2026-10-30"
  },
  "behaviouralbiometrics": {
   "id": "behaviouralbiometrics",
   "parent_id": "frauddetection",
   "label": "Biometria behawioralna (sposób pisania i obsługi telefonu)",
   "canonical_name": "Behavioural biometrics for fraud prevention",
   "aliases": [
    "behavioral biometrics",
    "keystroke dynamics",
    "touch dynamics",
    "continuous authentication",
    "biometria behawioralna",
    "dynamika pisania"
   ],
   "description": "Ciągłe uwierzytelnianie i ocena ryzyka sesji na podstawie dynamiki pisania, ruchów myszy, dotyku i czujników urządzenia.",
   "description_en": "Continuous authentication and session risk scoring from typing dynamics, mouse movement, touch and device sensors.",
   "plain": "Rozpoznawanie, czy przy koncie siedzi właściciel, po tym, jak pisze, przewija i trzyma telefon.",
   "plain_en": "Telling whether the account owner is really there from how they type, scroll and hold the phone.",
   "solves": "Złodziej z poprawnym hasłem albo osoba działająca pod presją oszusta wygląda dla banku tak samo jak prawowity klient.",
   "solves_en": "A thief with the right password, or a customer acting under a scammer's pressure, looks to the bank just like the genuine customer.",
   "does": "Jak znajomy, który poznaje cię po kroku na schodach: system zna twój rytm stukania w klawisze i zauważa obcy.",
   "does_en": "Like a friend who knows you by your footsteps on the stairs: the system knows your typing rhythm and notices a stranger's.",
   "example": "Ktoś loguje się do twojej bankowości, wklejając dane zamiast je wpisywać i poruszając się nienaturalnie szybko; przelew zostaje wstrzymany do potwierdzenia.",
   "example_en": "Someone logs into your banking by pasting details instead of typing and moves unnaturally fast; the transfer is held for confirmation.",
   "for_you": [
    "logujesz się do banku na telefonie lub komputerze",
    "projektujesz zabezpieczenia aplikacji finansowej"
   ],
   "for_you_en": [
    "log into your bank on a phone or computer",
    "design security for a financial app"
   ],
   "how": "Z sesji zbiera się cechy czasowe, np. czas przytrzymania klawisza i odstępy między kolejnymi naciśnięciami, oraz wzorce dotyku i ruchu. Model porównuje je z profilem użytkownika albo z wzorcami nietypowej obsługi urządzenia. Wynik zasila ocenę ryzyka transakcji, a nie zastępuje hasła.",
   "how_en": "Timing features are collected from the session, such as key hold time and intervals between keystrokes, plus touch and motion patterns. A model compares them with the user's profile or patterns of unusual device interaction. The score feeds transaction risk scoring rather than replacing the password.",
   "limits": "Rytm pisania zmienia się z czasem, zmęczeniem i wymianą klawiatury, co daje fałszywe alarmy. Dane behawioralne są wrażliwe i podlegają ochronie prywatności. Wymaga długiego zbierania profilu i nie działa dobrze przy rzadkim logowaniu.",
   "limits_en": "Typing rhythm shifts with time, fatigue and a new keyboard, producing false alarms. Behavioural data are sensitive and fall under privacy rules. Profiles take time to build and work poorly for infrequent log-ins.",
   "terms": [
    {
     "gloss": "Jak długo wciśnięty jest pojedynczy klawisz.",
     "term": "dwell time"
    },
    {
     "gloss": "Odstęp między puszczeniem jednego klawisza a naciśnięciem następnego.",
     "term": "flight time"
    },
    {
     "gloss": "Sprawdzanie tożsamości przez całą sesję, nie tylko przy logowaniu.",
     "term": "ciągłe uwierzytelnianie"
    }
   ],
   "terms_en": [
    {
     "gloss": "How long a single key is held down.",
     "term": "dwell time"
    },
    {
     "gloss": "The gap between releasing one key and pressing the next.",
     "term": "flight time"
    },
    {
     "gloss": "Checking identity throughout the session, not only at log-in.",
     "term": "continuous authentication"
    }
   ],
   "prereq": [
    "anomalydetection"
   ],
   "keywords": [
    "keystroke dynamics",
    "touch dynamics",
    "mouse dynamics",
    "continuous authentication",
    "device fingerprinting",
    "bot detection",
    "remote access detection",
    "session risk scoring"
   ],
   "source_ids": [
    "keystroke-dynamics-survey-2023",
    "pwc-psr-app-reimbursement"
   ],
   "url": "https://aiatlasgraph.com/t/behaviouralbiometrics",
   "markdown_url": "https://aiatlasgraph.com/t/behaviouralbiometrics.md",
   "updated": "2026-10-30"
  },
  "bellman": {
   "id": "bellman",
   "parent_id": "rlbasics",
   "label": "Funkcje wartości i równanie Bellmana",
   "canonical_name": "Value functions and the Bellman equation",
   "description": "Ile nagrody można się spodziewać z danego stanu lub akcji; równanie Bellmana wiąże wartość teraz z wartością kolejnego kroku. Podstawa Q-learningu i metod aktor–krytyk.",
   "description_en": "How much reward to expect from a state or action; the Bellman equation links the value now to the value one step later. The basis of Q-learning and actor–critic methods.",
   "examples": "V(s) · Q(s,a) · iteracja wartości · iteracja polityki · uczenie TD",
   "examples_en": "V(s) · Q(s,a) · value iteration · policy iteration · TD learning",
   "plain": "To ocenianie sytuacji i działań według oczekiwanej łącznej korzyści z kolejnych kroków.",
   "plain_en": "This assesses situations and actions by their expected combined benefits over successive steps.",
   "solves": "Natychmiastowa korzyść nie pokazuje, czy wybór poprawi cały dalszy przebieg zadania.",
   "solves_en": "An immediate benefit does not show whether a choice improves the task's later course.",
   "does": "Łączy ocenę najbliższego skutku z oczekiwaną wartością następnej sytuacji, uwzględniając, jak mocno liczą się późniejsze korzyści.",
   "does_en": "It combines the next outcome's score with the expected value of the following situation, accounting for how much later benefits matter.",
   "example": "Postać w grze porównuje krótki objazd i drogę po nagrodę, uwzględniając też możliwości dalszych ruchów z każdego miejsca.",
   "example_en": "A game character compares a short detour with a route towards a reward, also considering future moves available from each location.",
   "for_you": [
    "ważne skutki wyboru pojawiają się dopiero później",
    "chcesz oceniać całe przebiegi zamiast pojedynczego ruchu"
   ],
   "for_you_en": [
    "face important consequences that appear only later",
    "want to assess whole sequences rather than one move"
   ],
   "how": "Wartość stanu rozkłada się na oczekiwaną nagrodę teraz i zdyskontowaną wartość następnego stanu. Iteracyjne aktualizacje tego związku oceniają politykę, a maksymalizacja po działaniach prowadzi do wartości optymalnej.",
   "how_en": "State value decomposes into expected immediate reward and discounted next-state value. Iterative updates of this relationship evaluate a policy, while maximising over actions yields optimal values.",
   "limits": "Dokładne obliczenia wymagają modelu przejść lub odpowiednich doświadczeń. Aproksymacja funkcji i długi horyzont mogą kumulować błędy; stabilność zależy od warunków aktualizacji.",
   "limits_en": "Exact computation requires transition models or suitable experience. Function approximation and long horizons can accumulate errors; stability depends on update conditions.",
   "terms": [
    {
     "gloss": "Oczekiwany przyszły zwrot od danego stanu przy określonej polityce.",
     "term": "funkcja wartości"
    },
    {
     "gloss": "Użycie własnej estymaty przyszłej wartości do aktualizacji bieżącej estymaty.",
     "term": "bootstrapping"
    }
   ],
   "terms_en": [
    {
     "gloss": "Expected future return from a state under a specified policy.",
     "term": "value function"
    },
    {
     "gloss": "Using an estimated future value to update a current estimate.",
     "term": "bootstrapping"
    }
   ],
   "prereq": [
    "mdp"
   ],
   "keywords": [
    "state-value function",
    "action-value function",
    "value iteration",
    "policy iteration",
    "temporal-difference learning",
    "bootstrapping"
   ],
   "source_ids": [
    "rl"
   ],
   "url": "https://aiatlasgraph.com/t/bellman",
   "markdown_url": "https://aiatlasgraph.com/t/bellman.md",
   "updated": "2026-10-30"
  },
  "benchcontamination": {
   "id": "benchcontamination",
   "parent_id": "llmbenchmarks",
   "label": "Przeciek danych i nasycenie benchmarków",
   "canonical_name": "Benchmark contamination and saturation",
   "aliases": [
    "benchmark contamination",
    "data contamination",
    "benchmark saturation",
    "przeciek testów do treningu"
   ],
   "description": "Dlaczego wynik na benchmarku bywa mylący: pytania testowe mogły trafić do danych treningowych, a popularne testy przestają odróżniać najlepsze modele, gdy wszystkie mają blisko 100%.",
   "description_en": "Why a benchmark score can mislead: test questions may have leaked into training data, and popular tests stop separating top models once all score near 100%.",
   "examples": "przeciek pytań testowych do treningu · wykrywanie kontaminacji · nasycenie MMLU · przeuczenie pod ranking",
   "examples_en": "test-question leakage into training · contamination detection · MMLU saturation · overfitting to a leaderboard",
   "plain": "To sprawdzanie, czy test naprawdę mierzy nowe umiejętności, zamiast znajomości pytań lub rozwiązywania zbyt łatwych zadań.",
   "plain_en": "This checks whether a test measures new capabilities rather than familiar questions or tasks that have become too easy.",
   "solves": "Świetny wynik może wynikać z wcześniejszego poznania pytań, a łatwy test przestaje odróżniać mocne modele.",
   "solves_en": "An excellent score may come from previously seen questions, while an easy test stops distinguishing capable models.",
   "does": "Sprawdza możliwy udział pytań w nauce modelu i szuka świeżych lub trudniejszych zadań, które nadal rozróżniają jego możliwości.",
   "does_en": "It checks whether questions may have entered training and seeks fresh or harder tasks that still distinguish model capabilities.",
   "example": "Modele niemal bezbłędnie rozwiązują stary zestaw pytań, więc porównujesz je także na nowych przypadkach z własnej pracy.",
   "example_en": "Models answer an old question set almost flawlessly, so you also compare them on new cases from your work.",
   "for_you": [
    "wyniki są świetne, ale słabo odpowiadają twojej praktyce",
    "chcesz sprawdzać świeżość i trudność zestawu testowego"
   ],
   "for_you_en": [
    "see high test scores that poorly match practical performance",
    "want to check test freshness and difficulty"
   ],
   "how": "Audyt porównuje materiał testowy z dostępnymi danymi treningowymi i szuka powtórzeń lub parafraz. Analiza rozkładu wyników oraz nowych zadań sprawdza, czy benchmark nadal rozróżnia umiejętności modeli.",
   "how_en": "Audits compare test material with available training data, searching for repetitions or paraphrases. Score-distribution analysis and new tasks examine whether the benchmark still distinguishes model capabilities.",
   "limits": "Nieznane dane treningowe ograniczają wykrywanie przecieku. Słaby wynik nowego testu może mieć inne przyczyny, a nasycenie nie dowodzi, że modele opanowały całą dziedzinę.",
   "limits_en": "Unknown training data limits leakage detection. Weak performance on new tests can have other causes, and saturation does not prove mastery of an entire domain.",
   "terms": [
    {
     "gloss": "Obecność zadań testowych lub ich odpowiedników w danych użytych do uczenia.",
     "term": "kontaminacja benchmarku"
    },
    {
     "gloss": "Możliwość testu do ujawniania istotnych różnic między modelami.",
     "term": "zdolność rozróżniania"
    }
   ],
   "terms_en": [
    {
     "gloss": "Test tasks or their equivalents appearing in training data.",
     "term": "benchmark contamination"
    },
    {
     "gloss": "A test's ability to reveal meaningful differences between models.",
     "term": "discriminative power"
    }
   ],
   "prereq": [
    "dedup",
    "splits"
   ],
   "keywords": [
    "training-test overlap",
    "n-gram matching",
    "paraphrase contamination",
    "benchmark saturation",
    "leaderboard overfitting"
   ],
   "source_ids": [
    "hle-2025",
    "bdc-survey-2024",
    "leaderboard-illusion-2025"
   ],
   "url": "https://aiatlasgraph.com/t/benchcontamination",
   "markdown_url": "https://aiatlasgraph.com/t/benchcontamination.md",
   "updated": "2026-10-30"
  },
  "betavae": {
   "id": "betavae",
   "parent_id": "vae",
   "label": "Rozplątane reprezentacje (β-VAE)",
   "canonical_name": "Disentangled representations (β-VAE)",
   "aliases": [
    "beta-VAE",
    "β-VAE",
    "disentanglement",
    "rozplątywanie czynników",
    "disentangled representation learning"
   ],
   "description": "Wariant VAE z wagą β>1 przy członie KL, który wzmacnia niezależność zmiennych ukrytych kosztem jakości rekonstrukcji.",
   "description_en": "A VAE variant with weight β>1 on the KL term, strengthening independence of latent variables at the cost of reconstruction quality.",
   "plain": "Uczenie modelu tak, by każda liczba w jego wewnętrznym opisie odpowiadała jednej zrozumiałej cesze, np. kolorowi, rozmiarowi lub obrotowi.",
   "plain_en": "Training a model so that each number in its internal description matches one understandable feature, like colour, size or rotation.",
   "solves": "Wewnętrzne opisy sieci są zwykle splątane: jedna liczba zmienia naraz kilka cech, więc trudno je zrozumieć i kontrolować.",
   "solves_en": "A network's internal descriptions are usually tangled: one number changes several features at once, making them hard to understand or control.",
   "does": "Jak porządkowanie szuflad: model dostaje karę za upychanie wielu cech w jednej, więc każdą odkłada osobno.",
   "does_en": "Like sorting drawers: the model is penalised for stuffing many features into one, so it puts each away separately.",
   "example": "Przesuwasz jeden suwak i na wygenerowanym krześle zmienia się tylko kąt oparcia, a kolor i nogi zostają takie same.",
   "example_en": "You move one slider and only the backrest angle of a generated chair changes, while its colour and legs stay the same.",
   "for_you": [
    "chcesz sterować pojedynczymi cechami generowanych obrazów",
    "zastanawiasz się, czy wnętrze modelu da się odczytać"
   ],
   "for_you_en": [
    "want to control single features of generated images",
    "wonder whether a model's insides can be read"
   ],
   "how": "Funkcja celu VAE to rekonstrukcja minus dywergencja KL do rozkładu a priori o niezależnych współrzędnych. Zwiększenie wagi β przy KL ogranicza pojemność kanału ukrytego i wymusza, by każda współrzędna kodowała jeden niezależny czynnik zmienności danych. Stopień rozplątania mierzy się specjalnymi metrykami na zbiorach o znanych czynnikach.",
   "how_en": "The VAE objective is reconstruction minus a KL divergence to a prior with independent coordinates. Raising the KL weight β limits latent channel capacity and pushes each coordinate to encode one independent factor of variation. Disentanglement is measured with dedicated metrics on datasets with known factors.",
   "limits": "Większe β daje rozmyte rekonstrukcje. Badania pokazały, że bez dodatkowych założeń lub etykiet rozplątania nie da się zagwarantować, a wynik silnie zależy od ziarna losowego i hiperparametrów. Na złożonych, prawdziwych danych czynniki rzadko są czysto rozdzielne.",
   "limits_en": "Higher β gives blurrier reconstructions. Research showed disentanglement cannot be guaranteed without extra assumptions or labels, and results depend heavily on random seeds and hyperparameters. On complex real data, factors are rarely cleanly separable.",
   "terms": [
    {
     "gloss": "Jedna niezależna cecha danych, np. obrót albo kolor obiektu.",
     "term": "czynnik zmienności"
    },
    {
     "gloss": "Miara, jak bardzo jeden rozkład prawdopodobieństwa różni się od drugiego.",
     "term": "dywergencja KL"
    },
    {
     "gloss": "Stan, w którym każda zmienna ukryta odpowiada jednemu czynnikowi.",
     "term": "rozplątanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "One independent feature of data, such as rotation or colour.",
     "term": "factor of variation"
    },
    {
     "gloss": "A measure of how much one probability distribution differs from another.",
     "term": "KL divergence"
    },
    {
     "gloss": "Each latent variable corresponding to one factor.",
     "term": "disentanglement"
    }
   ],
   "prereq": [
    "distributions"
   ],
   "keywords": [
    "beta-VAE",
    "KL divergence weighting",
    "disentanglement metrics",
    "FactorVAE",
    "dSprites",
    "InfoGAN",
    "latent traversal"
   ],
   "source_ids": [
    "higgins-betavae-2017",
    "locatello-disentanglement-2019"
   ],
   "url": "https://aiatlasgraph.com/t/betavae",
   "markdown_url": "https://aiatlasgraph.com/t/betavae.md",
   "updated": "2026-10-30"
  },
  "bevperception": {
   "id": "bevperception",
   "parent_id": "adperception",
   "label": "Widok z lotu ptaka z wielu kamer (BEV)",
   "canonical_name": "Bird's-eye-view perception from multi-camera images",
   "aliases": [
    "BEV perception",
    "bird's-eye view",
    "multi-camera 3D perception",
    "Lift-Splat-Shoot",
    "BEVFormer",
    "widok z góry"
   ],
   "description": "Przekształcanie cech z obrazów wielu kamer do wspólnej siatki widoku z góry, na której działają detekcja, segmentacja i planowanie.",
   "description_en": "Transforming features from multiple camera images into a shared top-down grid on which detection, segmentation and planning operate.",
   "plain": "Zamiana obrazów z kilku kamer wokół auta w jedną mapę widzianą z góry, na której widać wszystko dookoła.",
   "plain_en": "Turning the images from several cameras around the car into one top-down map that shows everything nearby.",
   "solves": "Sześć kamer daje sześć osobnych, zniekształconych obrazów, a do planowania jazdy potrzebna jest jedna mapa okolicy.",
   "solves_en": "Six cameras give six separate, distorted pictures, while planning a drive needs one map of the surroundings.",
   "does": "Jak parkowanie z podglądem z góry, tylko sprytniej: sieć sama uczy się, gdzie na mapie położyć każdy fragment obrazu.",
   "does_en": "Like a parking camera's overhead view, only smarter: the network learns by itself where on the map each piece of image belongs.",
   "example": "Auto zmieniające pas widzi na jednej mapie samochód w martwym polu i motocykl nadjeżdżający z tyłu.",
   "example_en": "A car changing lanes sees on one map both the vehicle in its blind spot and a motorbike approaching from behind.",
   "for_you": [
    "interesuje cię jazda autonomiczna oparta głównie na kamerach",
    "pracujesz z obrazem z wielu kamer naraz",
    "chcesz wiedzieć, skąd auto wie, co jest obok"
   ],
   "for_you_en": [
    "are interested in camera-first self-driving",
    "work with several camera feeds at once",
    "want to know how a car knows what is beside it"
   ],
   "how": "Jedne metody szacują rozkład głębi każdego piksela, „podnoszą” cechy do 3D i spłaszczają je do siatki BEV (lift–splat). Inne używają siatki zapytań BEV, które przez uwagę przestrzenną pobierają cechy z właściwych kamer, a przez uwagę czasową łączą je z poprzednimi klatkami.",
   "how_en": "Some methods estimate a depth distribution per pixel, lift features into 3D and splat them onto a BEV grid (lift–splat). Others use a grid of BEV queries that pull features from the relevant cameras via spatial cross-attention and fuse earlier frames via temporal self-attention.",
   "limits": "Głębia z samych kamer jest niepewna, zwłaszcza daleko i nocą. Rozdzielczość siatki to kompromis między zasięgiem a kosztem obliczeń, a spłaszczenie do widoku z góry gubi informację o wysokości.",
   "limits_en": "Depth from cameras alone is uncertain, especially far away and at night. Grid resolution trades range against compute, and flattening to a top-down view loses height information.",
   "terms": [
    {
     "gloss": "Wyuczone punkty siatki, które same zbierają cechy z kamer.",
     "term": "zapytania BEV"
    },
    {
     "gloss": "Podniesienie pikseli do 3D z pomocą głębi i rzut na siatkę z góry.",
     "term": "lift–splat"
    },
    {
     "gloss": "Łączenie bieżącej mapy z mapami z wcześniejszych chwil.",
     "term": "uwaga czasowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Learned grid points that gather features from the cameras themselves.",
     "term": "BEV queries"
    },
    {
     "gloss": "Lifting pixels into 3D using depth and projecting them onto a top-down grid.",
     "term": "lift–splat"
    },
    {
     "gloss": "Combining the current map with maps from earlier moments.",
     "term": "temporal attention"
    }
   ],
   "prereq": [
    "selfattention",
    "depthestimation"
   ],
   "keywords": [
    "Lift-Splat-Shoot",
    "BEVFormer",
    "BEVDet",
    "BEVDepth",
    "view transformation",
    "spatial cross-attention",
    "multi-camera 3D detection",
    "nuScenes"
   ],
   "source_ids": [
    "lss-2020",
    "bevformer-2022"
   ],
   "url": "https://aiatlasgraph.com/t/bevperception",
   "markdown_url": "https://aiatlasgraph.com/t/bevperception.md",
   "updated": "2026-10-30"
  },
  "biasmitigation": {
   "id": "biasmitigation",
   "parent_id": "fairness",
   "label": "Metody ograniczania stronniczości",
   "canonical_name": "Bias mitigation techniques",
   "description": "Zmniejszanie nierówności na trzech etapach: przed treningiem (przekształcenie danych), w trakcie (trening z ograniczeniem sprawiedliwości) i po treningu (np. osobne progi decyzyjne dla grup).",
   "description_en": "Reducing disparities at three stages: before training (transforming data), during training (fairness-constrained optimisation) and after training (e.g. group-specific decision thresholds).",
   "examples": "preprocessing · trening z ograniczeniami · optymalizacja progów",
   "examples_en": "preprocessing · constrained training · threshold optimisation",
   "plain": "To zmienianie danych, treningu lub decyzji modelu, żeby ograniczyć nierówne działanie wobec ludzi.",
   "plain_en": "This adjusts data, training or model decisions to reduce unequal treatment of people.",
   "solves": "Model częściej myli się wobec określonej grupy, a samo wykrycie różnicy niczego jeszcze nie poprawia.",
   "solves_en": "A model makes more mistakes for a particular group, and detecting the difference alone does not fix it.",
   "does": "Można poprawić reprezentację danych, dodać ograniczenia do treningu lub zmienić progi decyzji, sprawdzając skutki i kompromisy.",
   "does_en": "You can improve data representation, add training constraints or adjust decision thresholds while checking consequences and trade-offs.",
   "example": "Po wykryciu słabych wyników dla akcentu dodajesz odpowiednie nagrania i ponownie sprawdzasz rozpoznawanie mowy.",
   "example_en": "After finding poor results for an accent, you add relevant recordings and retest speech recognition.",
   "for_you": [
    "znasz grupy z gorszymi wynikami",
    "chcesz sprawdzić skuteczność zmian ograniczających nierówności"
   ],
   "for_you_en": [
    "know which groups receive worse results",
    "want to test changes aimed at reducing disparities"
   ],
   "how": "Przed treningiem zmienia się reprezentację lub wagi przykładów, a podczas uczenia dodaje ograniczenia jakości grupowej. Po treningu można dostosować regułę decyzji; każdy etap ocenia się na kompromisie między wybranym kryterium a jakością zadania.",
   "how_en": "Before training, representations or example weights are changed; during learning, group-performance constraints are added. Decision rules can be adjusted afterwards, with each stage assessed for trade-offs between the chosen criterion and task quality.",
   "limits": "Niewłaściwe kryterium lub błędne etykiety mogą utrwalać nierówność. Progi grupowe wymagają dostępnych cech i odpowiedniego kontekstu stosowania; skuteczność na jednym zbiorze nie gwarantuje trwałego efektu.",
   "limits_en": "Unsuitable criteria or labels can perpetuate inequality. Group thresholds need available attributes and appropriate usage contexts; effectiveness on one dataset does not guarantee lasting gains.",
   "terms": [
    {
     "gloss": "Zmiana udziału przykładów w celu skorygowania rozkładu treningowego.",
     "term": "reweighting"
    },
    {
     "gloss": "Warunek treningu lub decyzji dotyczący wyników porównywanych grup.",
     "term": "ograniczenie fairness"
    }
   ],
   "terms_en": [
    {
     "gloss": "Changing example contributions to adjust the training distribution.",
     "term": "reweighting"
    },
    {
     "gloss": "A training or decision condition concerning compared groups' outcomes.",
     "term": "fairness constraint"
    }
   ],
   "prereq": [
    "supervised",
    "classmetrics"
   ],
   "keywords": [
    "Fairlearn",
    "ExponentiatedGradient",
    "ThresholdOptimizer",
    "reweighing",
    "fairness constraints",
    "adversarial debiasing"
   ],
   "source_ids": [
    "fairlearn-user-guide"
   ],
   "url": "https://aiatlasgraph.com/t/biasmitigation",
   "markdown_url": "https://aiatlasgraph.com/t/biasmitigation.md",
   "updated": "2026-10-30"
  },
  "biasvariance": {
   "id": "biasvariance",
   "parent_id": "modelselection",
   "label": "Przeuczenie, niedouczenie i regularyzacja",
   "canonical_name": "Overfitting, underfitting and regularisation",
   "description": "Kompromis między modelem zbyt prostym (nie łapie wzorca) a zbyt dopasowanym do danych treningowych (uczy się szumu) oraz techniki, które temu przeciwdziałają.",
   "description_en": "The trade-off between a model that is too simple (misses the pattern) and one fitted too closely to training data (learns noise), and techniques that counter it.",
   "examples": "bias–variance · krzywe uczenia · L1/L2 · early stopping",
   "examples_en": "bias–variance · learning curves · L1/L2 · early stopping",
   "plain": "To rozpoznawanie, czy model upraszcza zadanie za mocno, czy zapamiętuje szczegóły zamiast uczyć się wspólnego wzorca.",
   "plain_en": "This checks whether a model oversimplifies a task or memorises details instead of learning a shared pattern.",
   "solves": "Model może mylić się wszędzie albo świetnie wypadać na znanych danych i zawodzić na nowych.",
   "solves_en": "A model may perform poorly everywhere, or excel on familiar data and fail on new cases.",
   "does": "Porównuje błędy na danych do nauki i sprawdzania oraz ogranicza nadmierne dopasowanie przez zmianę złożoności, dodatkowe kary lub wcześniejsze zatrzymanie nauki.",
   "does_en": "It compares learning and validation errors, then limits excessive fitting through complexity changes, additional penalties or stopping learning earlier.",
   "example": "Model zapamiętuje poprzednie zamówienia, ale źle przewiduje nowe; ograniczasz jego złożoność i sprawdzasz, czy poprawia to wynik.",
   "example_en": "A model memorises past orders but predicts new ones poorly; you limit its complexity and check whether that improves performance.",
   "for_you": [
    "model działa dobrze tylko na znanych przykładach",
    "chcesz dopasować złożoność modelu do swoich danych"
   ],
   "for_you_en": [
    "find that a model only works on familiar examples",
    "want model complexity to suit your data"
   ],
   "how": "Złożoność modelu i regularyzacja zmieniają zakres wzorców, które można dopasować, oraz wrażliwość na próbę. Porównanie strat treningowych i niezależnych wyników przy różnych ustawieniach pomaga dobrać kompromis generalizacji.",
   "how_en": "Model complexity and regularisation change which patterns can be fitted and sensitivity to samples. Comparing training losses with independent scores across settings helps choose a generalisation trade-off.",
   "limits": "Sam odstęp trening–test nie wyjaśnia przyczyny błędu. Więcej regularyzacji może pogłębiać niedouczenie, a dobór kompromisu zależy od danych, celu i modelu.",
   "limits_en": "The training–test gap alone cannot explain error causes. More regularisation can worsen underfitting, and trade-off selection depends on data, objectives and models.",
   "terms": [
    {
     "gloss": "Systematyczne odchylenie predykcji wynikające z założeń i ograniczeń modelu.",
     "term": "bias"
    },
    {
     "gloss": "Wrażliwość dopasowanego rozwiązania na zmianę próby treningowej.",
     "term": "wariancja modelu"
    },
    {
     "gloss": "Ograniczanie dopasowania przez kary, strukturę lub procedurę uczenia.",
     "term": "regularyzacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Systematic prediction deviation arising from model assumptions and limitations.",
     "term": "bias"
    },
    {
     "gloss": "A fitted solution's sensitivity to changes in training samples.",
     "term": "model variance"
    },
    {
     "gloss": "Constraining fit through penalties, structure or training procedures.",
     "term": "regularisation"
    }
   ],
   "prereq": [
    "supervised",
    "distributions"
   ],
   "keywords": [
    "bias-variance tradeoff",
    "learning curves",
    "L1 regularization",
    "L2 regularization",
    "early stopping",
    "validation curves"
   ],
   "source_ids": [
    "cs229-summer-2026",
    "google-mlcc"
   ],
   "url": "https://aiatlasgraph.com/t/biasvariance",
   "markdown_url": "https://aiatlasgraph.com/t/biasvariance.md",
   "updated": "2026-10-30"
  },
  "binaryai": {
   "id": "binaryai",
   "parent_id": "cyberai",
   "label": "Analiza programów binarnych i inżynieria wsteczna z AI",
   "canonical_name": "AI for binary analysis and reverse engineering",
   "aliases": [
    "ML for binary analysis",
    "AI-assisted reverse engineering",
    "LLM reverse engineering",
    "binary code analysis",
    "inżynieria wsteczna z AI"
   ],
   "description": "Modele uczone na kodzie maszynowym i wyniku deasemblacji, wspierające dekompilację, odzyskiwanie nazw, wyszukiwanie podobnych funkcji i analizę szkodników bez kodu źródłowego.",
   "description_en": "Models trained on machine code and disassembly output that support decompilation, name recovery, similar-function search and malware analysis without source code.",
   "plain": "Pomoc AI w czytaniu gotowych programów, do których nie ma kodu źródłowego: co robią, skąd pochodzą i czy kryją znane błędy.",
   "plain_en": "AI help for reading finished programs that come without source code: what they do, where they come from and whether they hide known bugs.",
   "solves": "Szkodniki, sterowniki urządzeń i stare systemy istnieją tylko jako nieczytelny kod maszynowy, a jego ręczna analiza trwa tygodniami.",
   "solves_en": "Malware, device firmware and legacy systems exist only as unreadable machine code, and analysing it by hand takes weeks.",
   "does": "Jak tłumacz odczytujący zatarte inskrypcje: odtwarza sens i nazwy, które zginęły, a specjalista sprawdza, czy przekład się zgadza.",
   "does_en": "Like a translator reading worn inscriptions: restores lost meaning and names, while a specialist checks the translation holds up.",
   "example": "Analityk dostaje nieznany plik z zaatakowanego serwera; narzędzie zamienia go na czytelny kod z sensownymi nazwami i wskazuje fragmenty podobne do znanego szkodnika.",
   "example_en": "An analyst gets an unknown file from a breached server; a tool turns it into readable code with sensible names and points out parts resembling known malware.",
   "for_you": [
    "analizujesz złośliwe oprogramowanie",
    "sprawdzasz bezpieczeństwo urządzeń bez dostępu do kodu",
    "utrzymujesz stary system bez dokumentacji"
   ],
   "for_you_en": [
    "analyse malicious software",
    "assess device security without access to source",
    "maintain an old system with no documentation"
   ],
   "how": "Model koduje instrukcje maszynowe wraz z informacją o skokach lub strukturze, aby tworzyć reprezentacje funkcji binarnych. Inne modele tłumaczą zdekompilowany kod na kod źródłowy albo odtwarzają utracone nazwy zmiennych.",
   "how_en": "A model encodes machine instructions together with jump or structural information to represent binary functions. Other models translate decompiled code into source code or recover lost variable names.",
   "limits": "Wyniki z pojedynczych funkcji, języka C albo jednej architektury nie muszą przenosić się na pełne programy i inne środowiska. Rewykonywalność kodu lub zgodność nazw nie gwarantują pełnego odzyskania semantyki programu.",
   "limits_en": "Results on individual functions, C code, or one architecture may not transfer to complete programs and other environments. Re-executability or name matching does not guarantee full recovery of program semantics.",
   "terms": [
    {
     "gloss": "Zamiana bajtów programu na listę instrukcji procesora.",
     "term": "deasemblacja"
    },
    {
     "gloss": "Odtwarzanie kodu w języku wysokiego poziomu z programu binarnego.",
     "term": "dekompilacja"
    },
    {
     "gloss": "Program, z którego usunięto nazwy funkcji i zmiennych.",
     "term": "plik bez symboli"
    }
   ],
   "terms_en": [
    {
     "gloss": "Turning a program's bytes into a list of processor instructions.",
     "term": "disassembly"
    },
    {
     "gloss": "Reconstructing high-level code from a binary program.",
     "term": "decompilation"
    },
    {
     "gloss": "A program with function and variable names removed.",
     "term": "stripped binary"
    }
   ],
   "prereq": [
    "transformers"
   ],
   "keywords": [
    "Ghidra",
    "IDA Pro",
    "Binary Ninja",
    "LLM4Decompile",
    "jTrans",
    "DIRE",
    "control-flow graph",
    "binary code similarity",
    "firmware analysis",
    "BinaryCorp",
    "ExeBench"
   ],
   "source_ids": [
    "tan-llm4decompile-2024",
    "wang-jtrans-2022",
    "lacomis-dire-2019"
   ],
   "url": "https://aiatlasgraph.com/t/binaryai",
   "markdown_url": "https://aiatlasgraph.com/t/binaryai.md",
   "updated": "2026-10-30"
  },
  "binsimilarity": {
   "id": "binsimilarity",
   "parent_id": "binaryai",
   "label": "Wyszukiwanie podobnych funkcji w kodzie binarnym",
   "canonical_name": "Binary code similarity detection",
   "aliases": [
    "BCSD",
    "binary function similarity",
    "binary code search",
    "function embedding",
    "wyszukiwanie podobnego kodu binarnego"
   ],
   "description": "Uczenie osadzeń funkcji binarnych, tak by ten sam kod skompilowany różnymi kompilatorami, opcjami lub na różne architektury leżał blisko siebie.",
   "description_en": "Learning embeddings of binary functions so the same code compiled with different compilers, options or architectures lies close together.",
   "plain": "Rozpoznawanie, że dwa fragmenty gotowych programów pochodzą z tego samego kodu, nawet jeśli po kompilacji wyglądają zupełnie inaczej.",
   "plain_en": "Recognising that two pieces of finished programs come from the same code, even if they look completely different after compiling.",
   "solves": "Gdy w popularnej bibliotece wychodzi dziura, nikt nie wie, w których urządzeniach i programach siedzi jej skompilowana kopia.",
   "solves_en": "When a hole turns up in a popular library, nobody knows which devices and programs carry a compiled copy of it.",
   "does": "Jak rozpoznawanie piosenki granej w innej tonacji i tempie: liczy się melodia, a nie konkretne nuty.",
   "does_en": "Like recognising a song played in another key and tempo: the melody counts, not the exact notes.",
   "example": "Producent routerów sprawdza swoje oprogramowanie i dowiaduje się, że trzy modele zawierają starą wersję biblioteki szyfrującej ze znaną luką.",
   "example_en": "A router maker scans its firmware and learns that three models contain an old version of an encryption library with a known flaw.",
   "for_you": [
    "sprawdzasz oprogramowanie urządzeń pod kątem znanych luk",
    "porównujesz wersje szkodników",
    "interesujesz się wyszukiwaniem przez osadzenia"
   ],
   "for_you_en": [
    "check device firmware for known flaws",
    "compare malware versions",
    "are interested in embedding-based search"
   ],
   "how": "Model koduje zdeasemblowane instrukcje i relacje skoków w reprezentację funkcji. Po pretreningu reprezentacje porównuje się, aby wyszukiwać funkcje podobne do znanego podatnego wzorca; jTrans stosuje w tym celu reprezentację uwzględniającą skoki.",
   "how_en": "A model encodes disassembled instructions and jump relationships into a function representation. After pretraining, representations are compared to retrieve functions similar to a known vulnerable pattern; jTrans uses a jump-aware representation for this purpose.",
   "limits": "Wynik jTrans pochodzi z korpusu BinaryCorp i zadań wyszukiwania znanych podatności. Podobieństwo reprezentacji nie jest dowodem równoważności semantycznej, a skuteczność zależy od kompilatora, architektury i pokrycia danych treningowych.",
   "limits_en": "The jTrans result comes from the BinaryCorp corpus and known-vulnerability search tasks. Representation similarity is not proof of semantic equivalence, and effectiveness depends on compiler, architecture, and training-data coverage.",
   "terms": [
    {
     "gloss": "Wektor liczb streszczający cechy funkcji używane do wyszukiwania podobnego kodu.",
     "term": "osadzenie funkcji"
    },
    {
     "gloss": "Mapa możliwych ścieżek wykonania w funkcji.",
     "term": "graf przepływu sterowania"
    },
    {
     "gloss": "Kodowanie, które łączy instrukcje z informacją o celach i relacjach skoków.",
     "term": "reprezentacja uwzględniająca skoki"
    }
   ],
   "terms_en": [
    {
     "gloss": "A numeric vector summarizing function features used to retrieve similar code.",
     "term": "function embedding"
    },
    {
     "gloss": "A map of possible execution paths through a function.",
     "term": "control-flow graph"
    },
    {
     "gloss": "An encoding that combines instructions with information about jump targets and relationships.",
     "term": "jump-aware representation"
    }
   ],
   "prereq": [
    "textembeddings",
    "transformerfamilies"
   ],
   "keywords": [
    "jTrans",
    "BinaryCorp",
    "jump-aware transformer",
    "binary function embeddings",
    "vulnerability search",
    "cross-architecture",
    "control flow"
   ],
   "source_ids": [
    "wang-jtrans-2022"
   ],
   "url": "https://aiatlasgraph.com/t/binsimilarity",
   "markdown_url": "https://aiatlasgraph.com/t/binsimilarity.md",
   "updated": "2026-10-30"
  },
  "binsymbolrecovery": {
   "id": "binsymbolrecovery",
   "parent_id": "binaryai",
   "label": "Odzyskiwanie nazw zmiennych w zdekompilowanym kodzie",
   "canonical_name": "Neural variable-name recovery in decompiled code",
   "aliases": [
    "neural decompilation",
    "variable-name recovery",
    "identifier recovery"
   ],
   "description": "Modele uczą się przywracać znaczące nazwy zmiennych utracone podczas kompilacji, korzystając z leksykalnego i strukturalnego kontekstu kodu zdekompilowanego.",
   "description_en": "Models learn to restore meaningful variable names lost during compilation by using lexical and structural context from decompiled code.",
   "plain": "Po kompilacji nazwy takie jak „klucz” czy „bufor” znikają. Model próbuje je odtworzyć z tego, jak zmienne są używane.",
   "plain_en": "Compilation removes names such as “key” or “buffer.” A model tries to recover them from how variables are used.",
   "solves": "Zdekompilowany kod pełen nazw w rodzaju „zmienna7” jest jak książka bez imion bohaterów: wszystko jest, ale nic nie wiadomo.",
   "solves_en": "Decompiled code full of names like 'var7' is like a novel with no character names: everything's there, but nothing makes sense.",
   "does": "Jak archiwista podpisujący stare zdjęcia: z tła, ubrań i okazji wnioskuje, kto na nich jest.",
   "does_en": "Like an archivist labelling old photos: from the background, clothes and occasion they infer who is in them.",
   "example": "W zdekompilowanej funkcji model podpowiada nazwy „klucz”, „bufor_wejścia” i „liczba_bajtów” zamiast technicznych identyfikatorów.",
   "example_en": "In a decompiled function, the model suggests names such as “key,” “input_buffer,” and “byte_count” instead of technical identifiers.",
   "for_you": [
    "czytasz kod z dekompilatora",
    "szybko oceniasz, co robi nieznany plik",
    "interesuje cię przewidywanie nazw w kodzie"
   ],
   "for_you_en": [
    "read decompiler output",
    "need to judge quickly what an unknown file does",
    "are interested in predicting names in code"
   ],
   "how": "DIRE uczy się na parach kodu źródłowego i odpowiadających mu plików binarnych. Łączy leksykalny kontekst zdekompilowanego kodu ze strukturą programu, aby przewidywać nazwy zmiennych.",
   "how_en": "DIRE learns from source-code and corresponding binary pairs. It combines lexical context from decompiled code with program structure to predict variable names.",
   "limits": "Przewidziane nazwy nie muszą odpowiadać oryginałom i mogą być niejednoznaczne. Wynik DIRE pochodzi z plików x86-64 skompilowanych z C; agresywne optymalizacje i zaciemnianie mogą usuwać potrzebny kontekst.",
   "limits_en": "Predicted names need not match the originals and may be ambiguous. DIRE's result comes from x86-64 binaries compiled from C; aggressive optimization and obfuscation may remove needed context.",
   "terms": [
    {
     "gloss": "Usunięcie nazw zmiennych i innych informacji debugowania podczas kompilacji lub stripowania pliku.",
     "term": "utrata symboli"
    },
    {
     "gloss": "Informacja o roli i użyciu zmiennej wynikająca ze struktury zdekompilowanego programu.",
     "term": "kontekst strukturalny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Removal of variable names and other debugging information during compilation or binary stripping.",
     "term": "symbol loss"
    },
    {
     "gloss": "Information about a variable's role and use derived from the structure of the decompiled program.",
     "term": "structural context"
    }
   ],
   "prereq": [
    "rnn"
   ],
   "keywords": [
    "DIRE",
    "decompiler",
    "variable-name recovery",
    "identifier recovery",
    "debug symbols",
    "x86-64",
    "Ghidra",
    "IDA Pro"
   ],
   "source_ids": [
    "lacomis-dire-2019"
   ],
   "url": "https://aiatlasgraph.com/t/binsymbolrecovery",
   "markdown_url": "https://aiatlasgraph.com/t/binsymbolrecovery.md",
   "updated": "2026-10-30"
  },
  "biomolecules": {
   "id": "biomolecules",
   "parent_id": "aiscience",
   "label": "Białka i biologia molekularna",
   "canonical_name": "Proteins and molecular biology",
   "aliases": [
    "computational biology",
    "protein AI",
    "biologia obliczeniowa",
    "AI w biologii"
   ],
   "description": "Uczenie maszynowe dla biocząsteczek: przewidywanie struktur i oddziaływań, projektowanie białek oraz modele językowe sekwencji białek i genomów.",
   "description_en": "Machine learning for biomolecules: predicting structures and interactions, designing proteins, and language models of protein and genome sequences.",
   "plain": "Modele, które odczytują i projektują cząsteczki życia: białka, DNA i ich wzajemne połączenia.",
   "plain_en": "Models that read and design the molecules of life: proteins, DNA and how they bind to each other.",
   "solves": "Ustalenie kształtu jednego białka w laboratorium potrafiło trwać latami, a od kształtu zależy, jak działa lek czy enzym.",
   "solves_en": "Working out the shape of a single protein in the lab could take years, and that shape decides how a drug or enzyme works.",
   "does": "Model uczy się na setkach tysięcy poznanych struktur, jak ciąg liter zamienia się w trójwymiarowy kształt.",
   "does_en": "The model learns from hundreds of thousands of known structures how a string of letters turns into a three-dimensional shape.",
   "example": "Badaczka sprawdza w ogólnodostępnej bazie przewidywany kształt białka bakterii, zanim zaplanuje eksperyment z nowym antybiotykiem.",
   "example_en": "A researcher looks up the predicted shape of a bacterial protein in a public database before planning an experiment with a new antibiotic.",
   "for_you": [
    "pracujesz w biotechnologii, farmacji lub medycynie",
    "chcesz zrozumieć, jak powstają nowe leki i szczepionki"
   ],
   "for_you_en": [
    "work in biotech, pharma or medicine",
    "want to understand how new drugs and vaccines are made"
   ],
   "how": "Sekwencje aminokwasów lub nukleotydów traktuje się jak tekst, a struktury jak grafy lub chmury atomów. Modele łączą informację ewolucyjną (dopasowania wielu sekwencji albo osadzenia z modelu językowego) z modułami geometrycznymi; nowsze generują współrzędne atomów dyfuzją.",
   "how_en": "Amino-acid or nucleotide sequences are treated like text, and structures as graphs or atom clouds. Models combine evolutionary information (multiple sequence alignments or language-model embeddings) with geometric modules; newer ones generate atom coordinates with diffusion.",
   "limits": "Przewidziana struktura to statyczna hipoteza: słabo oddaje ruchliwość białek, fragmenty nieuporządkowane i wpływ środowiska. Dane strukturalne są obciążone tym, co łatwo zbadać; projekty wymagają syntezy i testów.",
   "limits_en": "A predicted structure is a static hypothesis: it poorly captures protein motion, disordered regions and environmental effects. Structural data is biased towards what is easy to measure; designs need synthesis and testing.",
   "terms": [
    {
     "gloss": "Kolejność budulców białka zapisana jako ciąg liter.",
     "term": "sekwencja aminokwasów"
    },
    {
     "gloss": "Zestawienie podobnych sekwencji z wielu organizmów, zdradzające, które fragmenty zmieniają się razem.",
     "term": "MSA"
    },
    {
     "gloss": "Publiczne archiwum doświadczalnie zbadanych struktur biocząsteczek.",
     "term": "Protein Data Bank"
    }
   ],
   "terms_en": [
    {
     "gloss": "The order of a protein's building blocks, written as a string of letters.",
     "term": "amino-acid sequence"
    },
    {
     "gloss": "Aligned similar sequences from many organisms, revealing which positions change together.",
     "term": "MSA"
    },
    {
     "gloss": "The public archive of experimentally determined biomolecular structures.",
     "term": "Protein Data Bank"
    }
   ],
   "prereq": [
    "transformerfamilies",
    "diffusion"
   ],
   "keywords": [
    "AlphaFold",
    "RoseTTAFold",
    "ESM",
    "OpenFold",
    "Boltz",
    "Protein Data Bank",
    "ProteinMPNN",
    "RFdiffusion",
    "Evo 2"
   ],
   "source_ids": [
    "nobel-chem-2024-embl",
    "alphafold3-2024",
    "esm-github"
   ],
   "url": "https://aiatlasgraph.com/t/biomolecules",
   "markdown_url": "https://aiatlasgraph.com/t/biomolecules.md",
   "updated": "2026-10-30"
  },
  "bioseqmodels": {
   "id": "bioseqmodels",
   "parent_id": "biomolecules",
   "label": "Modele językowe białek i genomów",
   "canonical_name": "Protein and genomic language models",
   "aliases": [
    "protein language models",
    "PLM",
    "genomic language models",
    "DNA language models",
    "ESM",
    "Evo"
   ],
   "description": "Transformery i modele sekwencyjne trenowane samonadzorowo na sekwencjach białek lub DNA; dają osadzenia, oceniają mutacje i generują nowe sekwencje.",
   "description_en": "Transformers and sequence models trained self-supervised on protein or DNA sequences; they yield embeddings, score mutations and generate new sequences.",
   "plain": "Modele czytające zapis białek i DNA tak, jak modele językowe czytają tekst, i wyłapujące jego reguły.",
   "plain_en": "Models that read the code of proteins and DNA the way language models read text, picking up its rules.",
   "solves": "Znamy miliardy sekwencji genów i białek, ale tylko dla drobnej części wiemy, co robią i co psuje mutacja.",
   "solves_en": "We know billions of gene and protein sequences, but only for a tiny fraction do we know what they do or what a mutation breaks.",
   "does": "Jak uczeń, który przeczytał całą bibliotekę: bez słownika wyczuwa, które zmiany liter brzmią naturalnie, a które są błędem.",
   "does_en": "Like a student who has read the whole library: without a dictionary it senses which letter changes sound natural and which are mistakes.",
   "example": "Genetyk ocenia, czy wykryta w badaniu zmiana w genie jest prawdopodobnie groźna, zanim zleci kolejne testy.",
   "example_en": "A geneticist judges whether a gene change found in a test is likely harmful before ordering further tests.",
   "for_you": [
    "analizujesz dane genetyczne lub sekwencje białek",
    "chcesz ocenić skutki mutacji bez eksperymentu"
   ],
   "for_you_en": [
    "analyse genetic data or protein sequences",
    "want to judge a mutation's effect without an experiment"
   ],
   "how": "Model uczy się przewidywać zamaskowane lub następne reszty w ogromnych zbiorach sekwencji, co koduje ograniczenia ewolucyjne. Osadzenia służą do przewidywania struktury z jednej sekwencji (ESMFold) i oceny wariantów przez porównanie prawdopodobieństw; modele genomowe z długim kontekstem (Evo 2) także generują DNA.",
   "how_en": "The model learns to predict masked or next residues across huge sequence collections, which encodes evolutionary constraints. Embeddings support single-sequence structure prediction (ESMFold) and variant scoring by comparing likelihoods; long-context genomic models (Evo 2) also generate DNA.",
   "limits": "Wysokie prawdopodobieństwo sekwencji nie gwarantuje działania. Modele odtwarzają skrzywienia baz (nadreprezentowane gatunki), ocena wariantów klinicznych wymaga walidacji, a generowanie sekwencji biologicznych podlega ocenie ryzyka.",
   "limits_en": "A high sequence likelihood does not guarantee function. Models reproduce database biases (over-represented species), clinical variant scoring needs validation, and generating biological sequences requires risk review.",
   "terms": [
    {
     "gloss": "Zgadywanie ukrytych liter sekwencji na podstawie reszty.",
     "term": "maskowane modelowanie języka"
    },
    {
     "gloss": "Szacowanie, czy dana mutacja szkodzi działaniu białka lub genu.",
     "term": "ocena wariantów"
    },
    {
     "gloss": "Wektor liczb streszczający sekwencję do dalszych modeli.",
     "term": "osadzenie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Guessing hidden letters of a sequence from the rest.",
     "term": "masked language modelling"
    },
    {
     "gloss": "Estimating whether a mutation harms a protein's or gene's function.",
     "term": "variant effect prediction"
    },
    {
     "gloss": "A vector of numbers summarising a sequence for downstream models.",
     "term": "embedding"
    }
   ],
   "prereq": [
    "transformerfamilies",
    "textembeddings"
   ],
   "keywords": [
    "ESM-2",
    "ESMFold",
    "ESM3",
    "Evo 2",
    "ProtTrans",
    "Nucleotide Transformer",
    "variant effect prediction",
    "masked language modeling"
   ],
   "source_ids": [
    "esm-github",
    "evo2-2025"
   ],
   "url": "https://aiatlasgraph.com/t/bioseqmodels",
   "markdown_url": "https://aiatlasgraph.com/t/bioseqmodels.md",
   "updated": "2026-10-30"
  },
  "biosignals": {
   "id": "biosignals",
   "parent_id": "healthai",
   "label": "Sygnały z ciała i urządzenia noszone",
   "canonical_name": "Physiological signals and wearables",
   "aliases": [
    "biosignal analysis",
    "physiological signal processing",
    "wearable health AI",
    "analiza biosygnałów"
   ],
   "description": "Uczenie maszynowe na fizjologicznych szeregach czasowych (EKG, PPG, EEG, polisomnografia, dane z urządzeń noszonych) do wykrywania i monitorowania chorób.",
   "description_en": "Machine learning on physiological time series (ECG, PPG, EEG, polysomnography, wearable data) for detecting and monitoring disease.",
   "plain": "Analiza zapisów pracy serca, mózgu, snu czy tętna z aparatów medycznych i zegarków, by wcześnie wychwycić niepokojące zmiany.",
   "plain_en": "Analysis of recordings of the heart, brain, sleep or pulse from medical devices and watches to catch worrying changes early.",
   "solves": "Zaburzenia rytmu serca czy przerwy w oddychaniu podczas snu pojawiają się epizodycznie i umykają podczas krótkiej wizyty u lekarza.",
   "solves_en": "Heart-rhythm problems or pauses in breathing during sleep come and go, and slip past a short visit to the doctor.",
   "does": "Jak strażnik czuwający całą dobę: przeszukuje godziny zapisu i wyłuskuje kilka sekund, które warto pokazać lekarzowi.",
   "does_en": "Like a round-the-clock watchman: it combs through hours of recording and picks out the few seconds worth showing a doctor.",
   "example": "Po tygodniu noszenia plastra na klatce piersiowej program wskazuje kardiologowi trzy krótkie epizody nieregularnego rytmu ukryte w zapisie.",
   "example_en": "After a week of wearing a chest patch, software points the cardiologist to three short bouts of irregular rhythm hidden in the recording.",
   "for_you": [
    "nosisz zegarek lub pierścień mierzący tętno i sen",
    "masz zlecone wielodniowe monitorowanie serca"
   ],
   "for_you_en": [
    "wear a watch or ring that tracks pulse and sleep",
    "have been given multi-day heart monitoring"
   ],
   "how": "Sygnały to gęste szeregi czasowe; po filtracji i podziale na okna klasyfikuje je jednowymiarowa sieć konwolucyjna, transformer albo klasyfikator na ręcznie wyliczonych cechach. Coraz częściej modele bazowe uczy się samonadzorowo na wielkich zbiorach zapisów z urządzeń noszonych, a potem dostraja do konkretnych chorób.",
   "how_en": "Signals are dense time series; after filtering and windowing they are classified by a 1D CNN, a transformer or a classifier on hand-crafted features. Increasingly, foundation models are self-supervised on large wearable datasets and then fine-tuned for specific conditions.",
   "limits": "Sygnały z urządzeń noszonych zakłóca ruch i źle przylegający czujnik. Badanie przesiewowe zdrowych ludzi generuje fałszywe alarmy i niepotrzebne wizyty. Funkcje diagnostyczne w urządzeniu muszą przejść dopuszczenie jako wyrób medyczny.",
   "limits_en": "Wearable signals are disrupted by movement and poorly fitting sensors. Screening healthy people produces false alarms and unnecessary visits. Diagnostic features on a device must be cleared as a medical device.",
   "terms": [
    {
     "gloss": "Zapis elektrycznej aktywności serca.",
     "term": "EKG"
    },
    {
     "gloss": "Optyczny pomiar tętna przez skórę, używany w zegarkach.",
     "term": "PPG"
    },
    {
     "gloss": "Zakłócenie sygnału wywołane ruchem ciała.",
     "term": "artefakt ruchowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A recording of the heart's electrical activity.",
     "term": "ECG"
    },
    {
     "gloss": "Optical pulse measurement through the skin, used in watches.",
     "term": "PPG"
    },
    {
     "gloss": "Signal distortion caused by body movement.",
     "term": "motion artefact"
    }
   ],
   "prereq": [
    "timeseries",
    "anomalydetection"
   ],
   "keywords": [
    "ECG",
    "PPG",
    "EEG",
    "atrial fibrillation detection",
    "PhysioNet",
    "1D CNN",
    "sleep staging",
    "PTB-XL",
    "wearable foundation models"
   ],
   "source_ids": [
    "ecg-cardiologist-2017",
    "apple-heart-study-2019"
   ],
   "url": "https://aiatlasgraph.com/t/biosignals",
   "markdown_url": "https://aiatlasgraph.com/t/biosignals.md",
   "updated": "2026-10-30"
  },
  "bitfit": {
   "id": "bitfit",
   "parent_id": "peft",
   "label": "Dostrajanie wyłącznie wektorów biasu",
   "canonical_name": "Bias-only fine-tuning",
   "aliases": [
    "BitFit",
    "bias-only fine-tuning",
    "dostrajanie biasów"
   ],
   "description": "Dostrajanie modelu przez aktualizowanie wyłącznie biasów lub ich podzbioru, bez zmiany pozostałych wag.",
   "description_en": "Fine-tuning a model by updating only its bias terms or a subset of them while leaving all other weights frozen.",
   "plain": "Dostrajanie, w którym zmienia się tylko mały zestaw wartości przesuwających wyniki neuronów.",
   "plain_en": "Fine-tuning that changes only a small set of values shifting neuron outputs.",
   "solves": "Pełne przeuczenie modelu na małym zbiorze danych jest kosztowne i łatwo psuje to, co model już umiał.",
   "solves_en": "Fully retraining a model on a small dataset is costly and easily breaks what the model already knew.",
   "does": "Jak przestrojenie kilku strun w gitarze zamiast budowania nowego instrumentu: większość zostaje, zmieniasz tylko to, co trzeba.",
   "does_en": "Like retuning a few guitar strings instead of building a new instrument: most stays as is, you change only what's needed.",
   "example": "Uczysz gotowy model rozpoznawać kategorie zgłoszeń, aktualizując jedynie jego wektory biasu.",
   "example_en": "You teach a ready model to classify support tickets while updating only its bias vectors.",
   "for_you": [
    "masz mało przykładów do nauki",
    "chcesz taniego punktu odniesienia przed bardziej złożonymi metodami"
   ],
   "for_you_en": [
    "have few training examples",
    "want a cheap baseline before more complex methods"
   ],
   "how": "Gradienty mogą być obliczane przez całą sieć, ale optymalizator aktualizuje wyłącznie wybrane wektory biasu; wszystkie macierze wag pozostają zamrożone. Nie dodaje się nowych modułów, więc architektura inferencji się nie zmienia.",
   "how_en": "Gradients may be computed through the full network, but the optimiser updates only selected bias vectors while all weight matrices stay frozen. No new modules are added, so the inference architecture is unchanged.",
   "limits": "Wyniki źródłowe dotyczą głównie modeli BERT i małych lub średnich zbiorów. Metoda ma niewielką pojemność, a w architekturach bez biasów w warstwach liniowych jej zakres jest ograniczony.",
   "limits_en": "The primary evidence mainly covers BERT models and small-to-medium datasets. The method has limited capacity, and architectures without biases in linear layers provide fewer parameters to adapt.",
   "terms": [
    {
     "gloss": "Stała dodawana w neuronie, przesuwająca jego wynik niezależnie od wejścia.",
     "term": "bias"
    },
    {
     "gloss": "Parametr, którego wartość nie zmienia się podczas dostrajania.",
     "term": "zamrożona waga"
    }
   ],
   "terms_en": [
    {
     "gloss": "A constant added in a neuron, shifting its output independently of the input.",
     "term": "bias"
    },
    {
     "gloss": "A parameter whose value does not change during fine-tuning.",
     "term": "frozen weight"
    }
   ],
   "prereq": [
    "backprop"
   ],
   "keywords": [
    "BitFit",
    "bias-only fine-tuning",
    "sparse fine-tuning",
    "PEFT",
    "BERT"
   ],
   "source_ids": [
    "benzaken-2021-bitfit"
   ],
   "url": "https://aiatlasgraph.com/t/bitfit",
   "markdown_url": "https://aiatlasgraph.com/t/bitfit.md",
   "updated": "2026-10-30"
  },
  "bkt": {
   "id": "bkt",
   "parent_id": "knowledgetracing",
   "label": "Bayesowskie śledzenie wiedzy (BKT)",
   "canonical_name": "Bayesian knowledge tracing (BKT)",
   "aliases": [
    "BKT",
    "Bayesian knowledge tracing",
    "bayesowskie śledzenie wiedzy",
    "Corbett-Anderson model"
   ],
   "description": "Ukryty model Markowa z binarnym stanem opanowania umiejętności i czterema parametrami: wiedza początkowa, nauczenie, zgadnięcie i pomyłka.",
   "description_en": "A hidden Markov model with a binary skill-mastery state and four parameters: prior knowledge, learning, guess and slip.",
   "plain": "Prosty model, który po każdej odpowiedzi przelicza szansę, że uczeń już opanował daną umiejętność.",
   "plain_en": "A simple model that, after every answer, recalculates the chance that a learner has already mastered a given skill.",
   "solves": "Aplikacja nie wie, czy seria dobrych odpowiedzi to już prawdziwa wiedza, czy wciąż szczęście i zgadywanie.",
   "solves_en": "An app cannot tell whether a run of correct answers means real knowledge or still luck and guessing.",
   "does": "Działa jak licznik pewności z czterema pokrętłami: ile uczeń umiał na starcie, jak szybko się uczy, jak często zgaduje i jak często się myli.",
   "does_en": "It works like a confidence meter with four dials: how much the learner knew at the start, how fast they learn, how often they guess and how often they slip.",
   "example": "Program do ćwiczenia ułamków zalicza dział dopiero wtedy, gdy szacowana szansa opanowania przekroczy próg, a nie po stałej liczbie zadań.",
   "example_en": "A fractions practice program signs off a section only when the estimated chance of mastery passes a threshold, not after a fixed number of tasks.",
   "for_you": [
    "chcesz zrozumieć, jak aplikacja decyduje, że coś już umiesz",
    "projektujesz ćwiczenia zaliczane po opanowaniu działu",
    "potrzebujesz modelu, który da się wytłumaczyć nauczycielowi"
   ],
   "for_you_en": [
    "want to understand how an app decides you already know something",
    "design exercises that unlock after mastering a section",
    "need a model you can explain to a teacher"
   ],
   "how": "Każda umiejętność ma osobny model. Po odpowiedzi prawdopodobieństwo opanowania aktualizuje się regułą Bayesa z uwzględnieniem zgadnięcia i pomyłki, a potem przejściem odpowiadającym nauczeniu się. Parametry dopasowuje się do logów odpowiedzi algorytmem EM lub przeszukiwaniem siatki.",
   "how_en": "Each skill has its own model. After an answer, the mastery probability is updated with Bayes' rule, accounting for guess and slip, and then by a transition representing learning. Parameters are fitted to answer logs with EM or grid search.",
   "limits": "Zakłada, że wiedza jest binarna, nie zanika, a umiejętności są od siebie niezależne. W wersji podstawowej wszyscy uczniowie mają te same parametry. Różne zestawy parametrów mogą dawać podobne dopasowanie, co utrudnia ich interpretację.",
   "limits_en": "It assumes knowledge is binary, never decays and skills are independent. In the basic version all learners share the same parameters. Different parameter sets can fit equally well, which makes them hard to interpret.",
   "terms": [
    {
     "gloss": "Szansa, że uczeń znał umiejętność przed pierwszym zadaniem.",
     "term": "p(L0)"
    },
    {
     "gloss": "Szansa nauczenia się umiejętności przy jednej okazji do ćwiczenia.",
     "term": "p(T)"
    },
    {
     "gloss": "Trafienie bez wiedzy i pomyłka mimo wiedzy.",
     "term": "guess / slip"
    }
   ],
   "terms_en": [
    {
     "gloss": "The chance the learner knew the skill before the first task.",
     "term": "p(L0)"
    },
    {
     "gloss": "The chance of learning the skill at one practice opportunity.",
     "term": "p(T)"
    },
    {
     "gloss": "A hit without knowing and a mistake despite knowing.",
     "term": "guess / slip"
    }
   ],
   "prereq": [
    "hmm",
    "bayesinference"
   ],
   "keywords": [
    "pyBKT",
    "Corbett and Anderson 1995",
    "hidden Markov model",
    "expectation maximization",
    "mastery learning",
    "Cognitive Tutor",
    "individualized BKT"
   ],
   "source_ids": [
    "wiki-bkt"
   ],
   "url": "https://aiatlasgraph.com/t/bkt",
   "markdown_url": "https://aiatlasgraph.com/t/bkt.md",
   "updated": "2026-10-30"
  },
  "blackboard": {
   "id": "blackboard",
   "parent_id": "agentsnode",
   "label": "Wspólna przestrzeń agentów",
   "canonical_name": "Shared agent workspace",
   "description": "Miejsce, w którym agenci widzą nawzajem swoją pracę. Klasyczna nazwa: architektura tablicowa (blackboard).",
   "description_en": "A place where agents see each other’s work. Classic name: blackboard architecture.",
   "examples": "kanały · wątki · wspólny transkrypt",
   "examples_en": "channels · threads · shared transcript",
   "plain": "To wspólne miejsce, w którym asystenci zapisują ustalenia i sprawdzają wyniki pracy innych.",
   "plain_en": "This is a shared place where assistants record findings and read each other's work.",
   "solves": "Asystenci powtarzają pracę lub gubią ustalenia, gdy każdy widzi tylko własną rozmowę i notatki.",
   "solves_en": "Assistants repeat work or lose decisions when each can see only its own conversation and notes.",
   "does": "Asystenci dopisują wyniki do jednej tablicy, a inni wybierają z niej informacje potrzebne do własnej części zadania.",
   "does_en": "Assistants add results to one shared board, and others pick up the information needed for their part of the task.",
   "example": "Przygotowując raport, jeden asystent zbiera dane, drugi czyta jego notatki i pisze podsumowanie na tej samej tablicy.",
   "example_en": "For a report, one assistant collects data and another reads those notes before writing a summary on the same shared board.",
   "for_you": [
    "kilku asystentów pracuje nad jednym zadaniem",
    "ręcznie kopiujesz ustalenia między rozmowami"
   ],
   "for_you_en": [
    "have several assistants working on one task",
    "copy decisions between conversations by hand"
   ],
   "how": "Agenci zapisują ustalenia, wyniki i zadania we wspólnej przestrzeni stanu. Koordynator lub reguły subskrypcji kierują pracą na podstawie zmian tej przestrzeni, dzięki czemu wymiana informacji nie wymaga bezpośrednich połączeń każdej pary agentów.",
   "how_en": "Agents write findings, results and tasks to a shared state space. A coordinator or subscription rules direct work from changes in that space, so information exchange does not require direct connections between every pair of agents.",
   "limits": "Równoczesne zapisy mogą powodować konflikty, a nieaktualne ustalenia wprowadzać kolejnych agentów w błąd. Potrzebne są właścicielstwo zadań, wersjonowanie wpisów i rozdzielenie danych od instrukcji.",
   "limits_en": "Concurrent writes can conflict, and stale findings can mislead subsequent agents. Task ownership, entry versioning and separation of data from instructions are needed.",
   "terms": [
    {
     "gloss": "Wspólny magazyn informacji używany przez niezależne komponenty.",
     "term": "blackboard"
    },
    {
     "gloss": "Reguła dostarczania zmian zainteresowanemu odbiorcy.",
     "term": "subskrypcja"
    },
    {
     "gloss": "Niezgodne zmiany tego samego stanu wykonane równocześnie.",
     "term": "konflikt zapisu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A shared information store used by independent components.",
     "term": "blackboard"
    },
    {
     "gloss": "A rule delivering changes to an interested recipient.",
     "term": "subscription"
    },
    {
     "gloss": "Incompatible changes made to the same state concurrently.",
     "term": "write conflict"
    }
   ],
   "prereq": [
    "memory",
    "eventdriven"
   ],
   "keywords": [
    "blackboard architecture",
    "publish-subscribe",
    "shared state",
    "event log"
   ],
   "source_ids": [
    "machina-x-agents"
   ],
   "url": "https://aiatlasgraph.com/t/blackboard",
   "markdown_url": "https://aiatlasgraph.com/t/blackboard.md",
   "updated": "2026-10-30"
  },
  "blockdiffusion": {
   "id": "blockdiffusion",
   "parent_id": "dllm",
   "label": "Dyfuzja blokowa",
   "canonical_name": "Block diffusion language models",
   "aliases": [
    "BD3-LM",
    "block diffusion",
    "semi-autoregressive diffusion",
    "block-causal diffusion"
   ],
   "description": "Rozkład autoregresyjny po blokach, a w bloku dyskretna dyfuzja z uwagą przyczynową między blokami.",
   "description_en": "An autoregressive distribution over blocks, with discrete diffusion inside a block and causal attention across blocks.",
   "plain": "Tekst powstaje blok po bloku. Wewnątrz bloku słowa odkrywają się naraz, a wcześniejsze bloki zostają kontekstem.",
   "plain_en": "Text is written block by block. Inside a block, words appear together, while earlier blocks stay as context.",
   "solves": "Generowanie całej sekwencji z masek trzyma stałą długość i nie umie tanio wykorzystać już napisanego początku.",
   "solves_en": "Generating a whole sequence from masks keeps a fixed length and cannot cheaply reuse the beginning already written.",
   "does": "Model dopisuje kolejne bloki jak zwykły tekst, a w bloku odszumia wiele słów równolegle i pamięta wcześniejsze obliczenia.",
   "does_en": "The model appends blocks like ordinary text, while denoising many words in parallel inside a block and reusing earlier computation.",
   "example": "Piszesz długą notatkę. Model kończy akapit, zostawia go jako kontekst i w następnym bloku uzupełnia kilka zdań naraz.",
   "example_en": "You write a long note. The model finishes a paragraph, keeps it as context, and fills several sentences at once in the next block.",
   "for_you": [
    "potrzebujesz tekstu dłuższego niż jeden blok",
    "chcesz równoległości bez utraty już napisanego",
    "składasz dopisywanie z uzupełnianiem luk"
   ],
   "for_you_en": [
    "need text longer than a single block",
    "want parallelism without losing what is written",
    "combine next-block writing with gap filling"
   ],
   "how": "Prawdopodobieństwo faktoryzuje się po blokach. W bloku tokeny są maskowane i odszumiane, przy czym uwaga widzi poprzednie bloki. Pamięć kluczy i wartości z gotowych bloków da się zachować. Rozmiar bloku ustawia kompromis: jeden token zbliża model do dopisywania słowa, większy blok zwiększa równoległość.",
   "how_en": "Likelihood factorises over blocks. Inside a block, tokens are masked and denoised, while attention sees previous blocks. Keys and values from finished blocks can be cached. Block size sets the trade-off: one token nears word-by-word writing, a larger block raises parallelism.",
   "limits": "Mały blok traci równoległość, duży wraca do problemów stałej długości i niespójnych sąsiadów. Harmonogram szumu w bloku trzeba dobrać, inaczej wariancja gradientu rośnie. To nadal nie jest darmowe dopisywanie słowa.",
   "limits_en": "A small block loses parallelism, a large one returns to fixed-length issues and inconsistent neighbours. The in-block noise schedule must be chosen, or gradient variance grows. This is still not free word-by-word writing.",
   "terms": [
    {
     "gloss": "Paczka sąsiednich tokenów generowana razem, zanim dojdzie następna.",
     "term": "blok"
    },
    {
     "gloss": "Zapis wcześniejszych obliczeń, żeby nie liczyć początku od nowa.",
     "term": "pamięć kluczy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A pack of neighbouring tokens generated together before the next pack.",
     "term": "block"
    },
    {
     "gloss": "A store of earlier computation so the beginning is not recomputed.",
     "term": "key cache"
    }
   ],
   "prereq": [
    "nexttoken",
    "tokenization"
   ],
   "keywords": [
    "BD3-LM",
    "block diffusion",
    "semi-autoregressive",
    "KV cache",
    "block-causal attention",
    "flexible length",
    "noise schedule"
   ],
   "source_ids": [
    "arriola-bd3lm-2025"
   ],
   "url": "https://aiatlasgraph.com/t/blockdiffusion",
   "markdown_url": "https://aiatlasgraph.com/t/blockdiffusion.md",
   "updated": "2026-10-30"
  },
  "boids": {
   "id": "boids",
   "parent_id": "swarmintel",
   "label": "Symulacja stada (boids)",
   "canonical_name": "Boids and flocking simulation",
   "aliases": [
    "boids",
    "flocking",
    "flocking simulation",
    "stado",
    "symulacja stad"
   ],
   "description": "Rozproszony model zachowania stada, w którym każdy agent steruje się trzema regułami względem sąsiadów w lokalnym zasięgu.",
   "description_en": "A distributed flocking model where each agent steers by three rules relative to neighbours within a local range.",
   "plain": "Trzy proste reguły ruchu, dzięki którym animowane ptaki, ryby czy tłumy poruszają się razem jak prawdziwe stado.",
   "plain_en": "Three simple movement rules that make animated birds, fish or crowds move together like a real flock.",
   "solves": "Ręczne animowanie tysięcy ptaków czy ryb byłoby niewykonalne, a losowy ruch wygląda sztucznie.",
   "solves_en": "Hand-animating thousands of birds or fish would be impossible, and random motion looks fake.",
   "does": "Każdy osobnik tylko omija zbyt bliskich sąsiadów, dopasowuje się do ich kierunku i trzyma się grupy; resztę robi wspólny efekt.",
   "does_en": "Each member only avoids neighbours that are too close, matches their heading and stays with the group; the joint effect does the rest.",
   "example": "W filmie lub grze ogromna ławica ryb zgrabnie omija nurka; nikt nie rysował jej klatka po klatce, ruch wynika z reguł.",
   "example_en": "In a film or game a huge school of fish smoothly swerves around a diver; nobody drew it frame by frame, the rules produce it.",
   "for_you": [
    "robisz animacje lub gry z wieloma postaciami",
    "chcesz zobaczyć, jak porządek wyłania się z prostych reguł"
   ],
   "for_you_en": [
    "make animations or games with many characters",
    "want to see order emerge from simple rules"
   ],
   "how": "Agent widzi sąsiadów tylko w określonej odległości i kącie. Separacja odpycha od zbyt bliskich, wyrównanie dopasowuje kierunek do średniej sąsiadów, a spójność przyciąga do ich środka. Żądania przyspieszenia sumuje się według priorytetu do limitu przyspieszenia; dodaje się też omijanie przeszkód i podążanie za celem.",
   "how_en": "An agent sees neighbours only within a set distance and angle. Separation pushes away from those too close, alignment matches the neighbours' average heading, and cohesion pulls toward their centre. Acceleration requests are summed by priority up to a maximum; obstacle avoidance and goal seeking are often added.",
   "limits": "To model wizualny, a nie wierne odwzorowanie biologii ani metoda optymalizacji. Wynik zależy od wag reguł i zasięgu widzenia; przy wielu agentach trzeba szybko wyszukiwać sąsiadów, np. siatką przestrzenną.",
   "limits_en": "It is a visual model, not a faithful biological account nor an optimisation method. Results depend on rule weights and view range; with many agents neighbour search needs speeding up, e.g. with a spatial grid.",
   "terms": [
    {
     "gloss": "Odsuwanie się od sąsiadów, którzy są za blisko.",
     "term": "separacja"
    },
    {
     "gloss": "Dopasowanie kierunku lotu do średniego kierunku sąsiadów.",
     "term": "wyrównanie"
    },
    {
     "gloss": "Kierowanie się ku środkowi pobliskiej grupy.",
     "term": "spójność"
    }
   ],
   "terms_en": [
    {
     "gloss": "Steering away from neighbours that are too close.",
     "term": "separation"
    },
    {
     "gloss": "Matching flight direction to neighbours' average heading.",
     "term": "alignment"
    },
    {
     "gloss": "Steering toward the centre of the nearby group.",
     "term": "cohesion"
    }
   ],
   "keywords": [
    "Craig Reynolds",
    "steering behaviors",
    "separation",
    "alignment",
    "cohesion",
    "crowd simulation",
    "spatial hashing",
    "Vicsek model"
   ],
   "source_ids": [
    "boids-reynolds"
   ],
   "url": "https://aiatlasgraph.com/t/boids",
   "markdown_url": "https://aiatlasgraph.com/t/boids.md",
   "updated": "2026-10-30"
  },
  "budgetcontrol": {
   "id": "budgetcontrol",
   "parent_id": "testtime",
   "label": "Sterowanie budżetem myślenia",
   "canonical_name": "Thinking budget control",
   "description": "Jawne ustalanie, ile tokenów lub czasu model może poświęcić na rozumowanie — przez parametr, limit albo wymuszenie przerwania czy kontynuacji myślenia.",
   "description_en": "Explicitly setting how many tokens or how much time the model may spend reasoning — via a parameter, a cap, or forcing it to stop or continue thinking.",
   "examples": "budget forcing · parametr „reasoning effort” · limit tokenów myślenia",
   "examples_en": "budget forcing · “reasoning effort” parameter · thinking-token limit",
   "plain": "To ustalanie, ile czasu lub miejsca na kroki rozumowania model może poświęcić odpowiedzi.",
   "plain_en": "This sets how much time or reasoning space a model can spend on an answer.",
   "solves": "Model długo rozpisuje rozwiązanie, przekraczając czas oczekiwania lub koszt, na który możesz sobie pozwolić.",
   "solves_en": "A model develops a lengthy solution, exceeding the waiting time or cost you can afford.",
   "does": "Parametr, limit lub instrukcja ogranicza albo wydłuża dostępną pracę; wybrany budżet trzeba porównać z jakością wyników.",
   "does_en": "A parameter, limit or instruction restricts or extends available work; the chosen budget needs comparison against result quality.",
   "example": "Dla prostych pytań ustawiasz krótszy limit, a dla planowania z ograniczeniami dopuszczasz dłuższą pracę.",
   "example_en": "You set a shorter limit for simple questions and allow longer work for planning under constraints.",
   "for_you": [
    "kontrolujesz koszt i czas odpowiedzi",
    "różne pytania potrzebują różnych nakładów pracy"
   ],
   "for_you_en": [
    "control answer costs and response time",
    "handle questions requiring different amounts of work"
   ],
   "how": "Sterownik ogranicza długość śladu, liczbę prób lub czas przez parametry i warunki zatrzymania. W wybranych modelach można wymusić zakończenie albo kontynuację śladu, po czym z pozostałego kontekstu generuje się odpowiedź.",
   "how_en": "A controller limits trace length, trial count or time through parameters and stopping conditions. Some models allow forced trace termination or continuation, followed by answer generation from the remaining context.",
   "limits": "Limit tokenów nie jest dokładnym limitem czasu lub operacji sprzętowych. Zbyt wczesne zatrzymanie usuwa potrzebne kroki; przedłużenie śladu może zwiększać koszt bez poprawy odpowiedzi.",
   "limits_en": "Token limits are not exact limits on time or hardware operations. Early stopping removes needed steps; extending traces can increase costs without improving answers.",
   "terms": [
    {
     "gloss": "Maksymalny rozmiar generowanego fragmentu rozumowania.",
     "term": "limit śladu"
    },
    {
     "gloss": "Wymuszanie zakończenia lub kontynuacji myślenia przez sterowanie generowaniem.",
     "term": "budget forcing"
    }
   ],
   "terms_en": [
    {
     "gloss": "The maximum size of a generated reasoning segment.",
     "term": "trace limit"
    },
    {
     "gloss": "Forcing reasoning termination or continuation through generation control.",
     "term": "budget forcing"
    }
   ],
   "prereq": [
    "decoding",
    "evalsets"
   ],
   "keywords": [
    "budget forcing",
    "reasoning effort",
    "thinking token limits",
    "s1"
   ],
   "source_ids": [
    "s1-budget-forcing-2025",
    "reasoning-on-budget-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/budgetcontrol",
   "markdown_url": "https://aiatlasgraph.com/t/budgetcontrol.md",
   "updated": "2026-10-30"
  },
  "buildingextraction": {
   "id": "buildingextraction",
   "parent_id": "eoanalysis",
   "label": "Wydobywanie obrysów budynków ze zdjęć",
   "canonical_name": "Building footprint extraction from overhead imagery",
   "aliases": [
    "building footprint extraction",
    "building segmentation",
    "wektoryzacja zabudowy"
   ],
   "description": "Segmentacja budynków na zdjęciach bardzo wysokiej rozdzielczości i wektoryzacja masek do obrysów zapisanych jako poligony.",
   "description_en": "Segmenting buildings in very-high-resolution overhead imagery and vectorising the masks into footprint polygons.",
   "plain": "Automatyczne rysowanie na mapie konturów budynków na podstawie zdjęć z góry.",
   "plain_en": "Automatically drawing building outlines on a map from overhead imagery.",
   "solves": "W wielu regionach świata nie ma aktualnych map zabudowy, a ręczne obrysowanie milionów dachów zajęłoby lata.",
   "solves_en": "Many regions of the world lack up-to-date maps of buildings, and tracing millions of roofs by hand would take years.",
   "does": "Jak kreślarz, który kalkuje każdy dach z fotografii, tyle że robi to dla całego kontynentu i podaje, na ile jest pewny.",
   "does_en": "Like a draughtsman tracing every roof from a photo, except it does it for a whole continent and says how sure it is.",
   "example": "Organizacja pomocowa planuje szczepienia w wioskach, których nie ma na żadnej mapie, licząc domy z wygenerowanych obrysów.",
   "example_en": "An aid group plans vaccinations in villages missing from every map by counting houses from generated outlines.",
   "for_you": [
    "tworzysz lub uzupełniasz mapy",
    "planujesz usługi dla ludzi w słabo zmapowanych miejscach"
   ],
   "for_you_en": [
    "create or update maps",
    "plan services for people in poorly mapped places"
   ],
   "how": "Sieć segmentacyjna, np. U-Net z enkoderem ResNet, przewiduje maski budynków; ważenie błędów przy granicach pomaga rozdzielić stykające się dachy. Pretrening, mixup i samouczenie na nieoznaczonych scenach poprawiają uogólnianie, a maski są następnie zamieniane w poligony.",
   "how_en": "A segmentation network such as a U-Net with a ResNet encoder predicts building masks; boundary-weighted losses help separate touching roofs. Pretraining, mixup and self-training on unlabelled scenes improve generalisation, and masks are then converted into polygons.",
   "limits": "Duże budynki bywają dzielone na kilka, a dachy zlewające się z piaskiem lub glebą są pomijane. Jakość zależy od progu pewności dobranego dla regionu.",
   "limits_en": "Large buildings can be split into several, and roofs blending with sand or soil are missed. Quality depends on a confidence threshold tuned per region.",
   "terms": [
    {
     "gloss": "obrys budynku widziany z góry, zapisany jako wielokąt",
     "term": "footprint"
    },
    {
     "gloss": "zamiana pikseli maski na linie i wielokąty mapy",
     "term": "wektoryzacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "a building's outline seen from above, stored as a polygon",
     "term": "footprint"
    },
    {
     "gloss": "turning mask pixels into map lines and polygons",
     "term": "vectorisation"
    }
   ],
   "prereq": [
    "semanticseg",
    "instanceseg"
   ],
   "keywords": [
    "Open Buildings",
    "Microsoft Building Footprints",
    "U-Net",
    "polygonization",
    "OpenStreetMap"
   ],
   "source_ids": [
    "openbuildings-2021"
   ],
   "url": "https://aiatlasgraph.com/t/buildingextraction",
   "markdown_url": "https://aiatlasgraph.com/t/buildingextraction.md",
   "updated": "2026-10-30"
  },
  "buildvsbuy": {
   "id": "buildvsbuy",
   "parent_id": "usecases",
   "label": "Budować czy kupić: API, model otwarty czy gotowe narzędzie",
   "canonical_name": "Build vs buy for AI capabilities",
   "description": "Wybór między gotowym produktem, modelem przez API, własnym hostingiem modelu otwartego a dostrajaniem — według kosztu, kontroli, danych i przewagi, jaką to daje.",
   "description_en": "Choosing between an off-the-shelf product, a model via API, self-hosting an open-weights model and fine-tuning — by cost, control, data and the advantage it gives.",
   "examples": "„nie buduj tego, co możesz kupić” · najpierw prompt, potem dostrajanie · wymagania prywatności danych",
   "examples_en": "\"don't build what you can buy\" · prompting before fine-tuning · data privacy requirements",
   "plain": "To wybór między gotowym narzędziem, usługą modelu i rozwiązaniem utrzymywanym samodzielnie.",
   "plain_en": "This chooses between a ready tool, a model service and a solution you operate yourself.",
   "solves": "Własne rozwiązanie wymaga utrzymania, a gotowe może nie dawać potrzebnej kontroli, funkcji lub zasad przetwarzania danych.",
   "solves_en": "Your own solution needs maintenance, while a ready one may lack the control, features or data handling arrangements you need.",
   "does": "Porównuje całkowity koszt, możliwość dopasowania, dostęp do danych i odpowiedzialność za utrzymanie różnych sposobów dostarczenia funkcji.",
   "does_en": "It compares total cost, customisation, data access and maintenance responsibility across ways of providing the feature.",
   "example": "Dla wyszukiwania w dokumentach porównujesz gotowe narzędzie z własną aplikacją korzystającą z usługi modelu lub modelu na twoim serwerze.",
   "example_en": "For document search, you compare a ready tool with your own application using either a model service or a model on your server.",
   "for_you": [
    "wybierasz sposób dostarczenia nowej funkcji",
    "musisz pogodzić kontrolę, koszt i pracę przy utrzymaniu"
   ],
   "for_you_en": [
    "choose how to provide a new feature",
    "need to balance control, cost and maintenance work"
   ],
   "how": "Warianty porównuje się na wspólnym zestawie zadań oraz pełnym koszcie integracji i eksploatacji. Wymagania dostępu do danych, kontroli wersji i modyfikacji określają, czy gotowa usługa, własny hosting lub dostrajanie są dopasowane do potrzeb.",
   "how_en": "Options are compared on shared tasks and full integration and operating costs. Data-access, version-control and modification requirements determine whether a hosted service, self-hosting or fine-tuning fits the needs.",
   "limits": "Cennik nie obejmuje całego kosztu, a własny hosting wymaga kompetencji operacyjnych. Uzależnienie od dostawcy i zmiany jakości utrudniają planowanie; otwarte wagi nie zapewniają automatycznie dowolnej licencji ani kontroli danych treningowych.",
   "limits_en": "Pricing omits full costs, and self-hosting needs operational expertise. Provider dependence and quality changes complicate planning; open weights alone imply neither unrestricted licensing nor training-data control.",
   "terms": [
    {
     "gloss": "Łączny koszt zakupu, integracji, eksploatacji i utrzymania rozwiązania.",
     "term": "całkowity koszt posiadania"
    },
    {
     "gloss": "Zależność utrudniająca przeniesienie rozwiązania do innego dostawcy.",
     "term": "vendor lock-in"
    }
   ],
   "terms_en": [
    {
     "gloss": "The combined acquisition, integration, operation and maintenance cost of a system.",
     "term": "total cost of ownership"
    },
    {
     "gloss": "Dependence making migration to another provider difficult.",
     "term": "vendor lock-in"
    }
   ],
   "prereq": [
    "costestimation",
    "evalsets"
   ],
   "keywords": [
    "total cost of ownership",
    "vendor lock-in",
    "data residency",
    "service-level agreements",
    "API integration",
    "model customization"
   ],
   "source_ids": [
    "applied-llms-2024"
   ],
   "url": "https://aiatlasgraph.com/t/buildvsbuy",
   "markdown_url": "https://aiatlasgraph.com/t/buildvsbuy.md",
   "updated": "2026-10-30"
  },
  "calculus": {
   "id": "calculus",
   "parent_id": "math",
   "label": "Rachunek różniczkowy i gradienty",
   "canonical_name": "Calculus and gradients",
   "description": "Pochodne, gradienty i reguła łańcuchowa — podstawa obliczania, jak zmienić wagi, żeby zmniejszyć błąd (propagacja wsteczna).",
   "description_en": "Derivatives, gradients and the chain rule — the basis for computing how to change weights to reduce error (backpropagation).",
   "examples": "Pochodna cząstkowa · reguła łańcuchowa · jakobian · automatyczne różniczkowanie",
   "examples_en": "Partial derivative · chain rule · Jacobian · automatic differentiation",
   "plain": "To matematyka opisująca, jak zmiany jednych wartości wpływają na inne.",
   "plain_en": "This mathematics describes how changing some values affects others.",
   "solves": "Model ma wiele ustawień i trudno zgadnąć, które zmienić, żeby zmniejszyć jego pomyłki.",
   "solves_en": "A model has many settings, making it hard to guess which changes would reduce its mistakes.",
   "does": "Oblicza, w którą stronę i jak mocno wynik zmienia się przy małej zmianie poszczególnych ustawień.",
   "does_en": "It calculates the direction and strength of a result's response to small changes in individual settings.",
   "example": "Model przewiduje rachunek za ogrzewanie, a obliczenia wskazują, jak drobne zmiany jego ustawień mogą zmniejszyć błąd przewidywania.",
   "example_en": "A model predicts a heating bill, and calculations show how small changes to its settings could reduce prediction error.",
   "for_you": [
    "chcesz wiedzieć, jak modele poprawiają swoje przewidywania",
    "badasz wpływ małych zmian na wynik obliczeń"
   ],
   "for_you_en": [
    "want to know how models improve predictions",
    "study how small changes affect calculation results"
   ],
   "how": "Pochodna opisuje lokalną zmianę funkcji, a gradient zbiera pochodne względem wszystkich współrzędnych. Reguła łańcuchowa składa wpływy kolejnych przekształceń, umożliwiając obliczanie zmian wyniku względem parametrów.",
   "how_en": "A derivative describes local function changes, while a gradient collects derivatives over all coordinates. The chain rule composes successive transformation effects, allowing output changes to be computed with respect to parameters.",
   "limits": "Lokalna pochodna nie opisuje dużych zmian. Punkty nieróżniczkowalne, zanikające gradienty i błędy numeryczne wymagają właściwych metod obliczeń oraz ostrożności przy interpretacji.",
   "limits_en": "Local derivatives do not describe large changes. Nondifferentiable points, vanishing gradients and numerical errors require suitable computational methods and careful interpretation.",
   "terms": [
    {
     "gloss": "Wektor pochodnych wskazujący kierunek lokalnego najszybszego wzrostu funkcji.",
     "term": "gradient"
    },
    {
     "gloss": "Sposób obliczania pochodnej złożenia z pochodnych jego składników.",
     "term": "reguła łańcuchowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A derivative vector pointing toward the function's steepest local increase.",
     "term": "gradient"
    },
    {
     "gloss": "Computing a composition's derivative from derivatives of its components.",
     "term": "chain rule"
    }
   ],
   "prereq": [
    "linearalgebra"
   ],
   "keywords": [
    "partial derivatives",
    "chain rule",
    "Jacobian",
    "Hessian",
    "automatic differentiation",
    "reverse-mode autodiff"
   ],
   "source_ids": [
    "mmlbook",
    "dlbook-part1"
   ],
   "url": "https://aiatlasgraph.com/t/calculus",
   "markdown_url": "https://aiatlasgraph.com/t/calculus.md",
   "updated": "2026-10-30"
  },
  "calibration": {
   "id": "calibration",
   "parent_id": "robustness",
   "label": "Kalibracja pewności modelu",
   "canonical_name": "Confidence calibration",
   "aliases": [
    "calibration",
    "kalibracja",
    "temperature scaling",
    "ECE",
    "reliability diagram"
   ],
   "description": "Czy przewidywane prawdopodobieństwo lub inna miara pewności odpowiada temu, jak często model ma rację — np. czy predykcje z pewnością 80% są trafne w ok. 80% przypadków — i jak skorygować rozbieżność.",
   "description_en": "Whether a predicted probability or other confidence score matches how often the model is right — e.g. whether 80%-confidence predictions are correct about 80% of the time — and how to correct a mismatch.",
   "examples": "wykres niezawodności · ECE · temperature scaling · Platt scaling · kalibracja LLM-ów",
   "examples_en": "reliability diagram · ECE · temperature scaling · Platt scaling · LLM calibration",
   "plain": "To sprawdzanie i poprawianie zgodności pewności modelu z tym, jak często jego odpowiedzi są trafne.",
   "plain_en": "This checks and improves agreement between model confidence and how often its answers are correct.",
   "solves": "Wysoka pewność może sugerować niezawodność, choć model z takim sygnałem myli się częściej, niż oczekujesz.",
   "solves_en": "High confidence may suggest reliability even when answers carrying that signal are wrong more often than expected.",
   "does": "Grupuje przewidywania według pewności, porównuje ją z rzeczywistą trafnością i dopasowuje sposób przeliczania tych ocen.",
   "does_en": "It groups predictions by confidence, compares that confidence with actual accuracy and adjusts how the scores are converted.",
   "example": "Sprawdzasz poprawność odpowiedzi oznaczonych jako bardzo pewne i odkrywasz, że wskaźnik trzeba skorygować przed pokazaniem użytkownikom.",
   "example_en": "You check answers marked highly confident and find that the confidence display needs correction before users see it.",
   "for_you": [
    "korzystasz ze wskaźników pewności modelu",
    "chcesz dopasować pewność do obserwowanej trafności"
   ],
   "for_you_en": [
    "use model confidence indicators",
    "want confidence matched to observed accuracy"
   ],
   "how": "Predykcje grupuje się według pewności i porównuje z empiryczną częstością poprawnych odpowiedzi. Transformacja prawdopodobieństw, dopasowana na oddzielnym zbiorze, koryguje rozbieżności bez konieczności ponownego uczenia całego modelu.",
   "how_en": "Predictions are grouped by confidence and compared with empirical correctness frequencies. A probability transformation fitted on a separate dataset corrects discrepancies without necessarily retraining the whole model.",
   "limits": "Dobra kalibracja średnia może ukrywać błędy w podgrupach. Zmiana rozkładu osłabia dopasowanie, a poprawa kalibracji nie oznacza wzrostu trafności predykcji.",
   "limits_en": "Good average calibration can hide subgroup errors. Distribution shifts weaken the fit, and improved calibration does not imply higher prediction accuracy.",
   "terms": [
    {
     "gloss": "Dopasowanie skali logitów na zbiorze kontrolnym w celu kalibracji prawdopodobieństw.",
     "term": "temperature scaling"
    },
    {
     "gloss": "Porównanie przewidywanej pewności z częstością poprawnych odpowiedzi.",
     "term": "wykres niezawodności"
    }
   ],
   "terms_en": [
    {
     "gloss": "Fitting logit scale on held-out data to calibrate probabilities.",
     "term": "temperature scaling"
    },
    {
     "gloss": "A comparison of predicted confidence with observed correctness frequencies.",
     "term": "reliability diagram"
    }
   ],
   "prereq": [
    "classmetrics",
    "distributions"
   ],
   "keywords": [
    "ECE",
    "reliability diagrams",
    "temperature scaling",
    "Platt scaling",
    "isotonic regression",
    "Brier score"
   ],
   "source_ids": [
    "guo-calibration-2017"
   ],
   "url": "https://aiatlasgraph.com/t/calibration",
   "markdown_url": "https://aiatlasgraph.com/t/calibration.md",
   "updated": "2026-10-30"
  },
  "calreview": {
   "id": "calreview",
   "parent_id": "ediscovery",
   "label": "Ciągłe aktywne uczenie w przeglądzie dokumentów",
   "canonical_name": "Continuous active learning for document review (CAL)",
   "aliases": [
    "continuous active learning",
    "CAL",
    "TAR 2.0",
    "AutoTAR",
    "relevance feedback review",
    "ciągłe aktywne uczenie"
   ],
   "description": "Protokół TAR, w którym klasyfikator jest stale douczany na ocenach recenzenta i zawsze podsuwa najwyżej oceniane, jeszcze nieprzejrzane dokumenty.",
   "description_en": "A TAR protocol in which the classifier is retrained continuously on reviewer judgements and always offers the top-ranked unreviewed documents.",
   "plain": "Sposób przeglądu, w którym program po każdej decyzji recenzenta od nowa układa kolejkę i pokazuje najpierw dokumenty najpewniej istotne.",
   "plain_en": "A review method in which the software reorders the queue after every reviewer decision and shows the most likely relevant documents first.",
   "solves": "Starsze metody wymagały dużej losowej próbki do treningu i zgadywania, kiedy model jest „gotowy”, co marnowało czas recenzentów.",
   "solves_en": "Older methods needed a large random training sample and guessing when the model was 'ready', which wasted reviewers' time.",
   "does": "Zaczyna od jednego dobrego przykładu lub zapytania i uczy się w trakcie, więc recenzenci od początku czytają głównie to, co ważne.",
   "does_en": "It starts from one good example or a query and learns as it goes, so reviewers read mostly what matters from the outset.",
   "example": "Zespół dochodzeniowy wpisuje krótki opis sprawy, ocenia pierwsze podsunięte maile, a po kilku dniach kolejne paczki prawie nie zawierają już niczego istotnego.",
   "example_en": "An investigation team types a short description, judges the first emails offered, and after a few days new batches contain almost nothing relevant.",
   "for_you": [
    "przeglądasz dużą kolekcję dokumentów pod jedno pytanie",
    "budujesz systematyczny przegląd literatury"
   ],
   "for_you_en": [
    "review a large document collection for one question",
    "build a systematic literature review"
   ],
   "how": "Proces zaczyna się od zapytania lub jednego istotnego dokumentu, trenuje liniowy klasyfikator na cechach tekstowych, przedstawia partię najwyżej ocenianych dokumentów i dołącza oceny do treningu. AutoTAR w opisanym badaniu używał cech TF–IDF i SVM; późniejsze implementacje mogą używać innych klasyfikatorów. W odróżnieniu od uczenia aktywnego opartego na niepewności CAL wybiera dokumenty najpewniej istotne (relevance feedback).",
   "how_en": "The process starts from a query or one relevant document, trains a linear classifier on text features, presents a batch of the highest-scoring documents, and adds the reviewers' judgments to training. In the cited study AutoTAR used TF–IDF features and an SVM; later implementations may use other classifiers. Unlike uncertainty-sampling active learning, CAL selects documents most likely to be relevant (relevance feedback).",
   "limits": "Reguły zatrzymania i szacowanie osiągniętej kompletności nadal są przedmiotem badań i sporów. Metoda zakłada spójne oceny recenzentów, a przy wielu odrębnych wątkach w sprawie może przeoczyć rzadkie rodzaje istotnych dokumentów.",
   "limits_en": "Stopping rules and estimating achieved recall remain subjects of research and dispute. The method assumes consistent reviewer judgements, and with many distinct issues in a case it can miss rare kinds of relevant documents.",
   "terms": [
    {
     "gloss": "Douczanie wyszukiwarki na ocenach, które wyniki są trafne.",
     "term": "relevance feedback"
    },
    {
     "gloss": "Kryterium, kiedy można zakończyć przegląd bez dalszego czytania.",
     "term": "reguła zatrzymania"
    },
    {
     "gloss": "Wybieranie przykładów, co do których model jest najmniej pewny.",
     "term": "uncertainty sampling"
    }
   ],
   "terms_en": [
    {
     "gloss": "Retraining a search system on judgements of which results are relevant.",
     "term": "relevance feedback"
    },
    {
     "gloss": "A criterion for when review can end without further reading.",
     "term": "stopping rule"
    },
    {
     "gloss": "Choosing the examples the model is least sure about.",
     "term": "uncertainty sampling"
    }
   ],
   "prereq": [
    "activelearning",
    "linearmodels"
   ],
   "keywords": [
    "continuous active learning",
    "AutoTAR",
    "BMI",
    "relevance feedback",
    "TREC Total Recall",
    "stopping rules",
    "recall estimation",
    "SAL vs CAL"
   ],
   "source_ids": [
    "cormack-grossman-cal-sigir-2014",
    "cormack-grossman-autotar-2015"
   ],
   "url": "https://aiatlasgraph.com/t/calreview",
   "markdown_url": "https://aiatlasgraph.com/t/calreview.md",
   "updated": "2026-10-30"
  },
  "cardfraudscoring": {
   "id": "cardfraudscoring",
   "parent_id": "frauddetection",
   "label": "Ocena ryzyka transakcji w czasie rzeczywistym",
   "canonical_name": "Real-time transaction risk scoring",
   "aliases": [
    "transaction scoring",
    "real-time fraud scoring",
    "scoring transakcji",
    "fraud scoring"
   ],
   "description": "Model scoringowy na cechach agregowanych w oknach czasowych (klient, terminal, urządzenie), zwracający ryzyko transakcji w milisekundach.",
   "description_en": "A scoring model on time-window aggregated features (customer, terminal, device) that returns a transaction's risk within milliseconds.",
   "plain": "Każda płatność dostaje w locie ocenę ryzyka, która decyduje, czy przejdzie, wymaga potwierdzenia, czy zostanie zatrzymana.",
   "plain_en": "Every payment gets an on-the-fly risk score that decides whether it goes through, needs confirming or is stopped.",
   "solves": "Człowiek nie sprawdzi każdej płatności, a sztywne reguły albo przepuszczają oszustów, albo blokują uczciwych klientów.",
   "solves_en": "No person can check every payment, and rigid rules either let fraudsters through or block honest customers.",
   "does": "Porównuje bieżący zakup z twoimi nawykami: ile zwykle wydajesz, gdzie, o jakiej porze i jak szybko płacisz kolejny raz.",
   "does_en": "Compares the current purchase with your habits: how much you usually spend, where, at what time and how quickly you pay again.",
   "example": "Trzy płatności w minutę w trzech różnych sklepach internetowych dostają wysoką ocenę, więc czwarta wymaga potwierdzenia w aplikacji banku.",
   "example_en": "Three payments in a minute at three different online shops score high, so the fourth must be confirmed in the banking app.",
   "for_you": [
    "dostajesz prośby o potwierdzenie płatności w aplikacji",
    "prowadzisz sklep internetowy i tracisz na obciążeniach zwrotnych"
   ],
   "for_you_en": [
    "get asked to confirm payments in your app",
    "run an online shop and lose money on chargebacks"
   ],
   "how": "Z surowej transakcji liczy się cechy kontekstowe: liczbę i średnią kwotę płatności klienta w ostatnich godzinach i dniach, odsetek oszustw na terminalu, nietypową porę. Model, najczęściej gradient boosting, zwraca prawdopodobieństwo oszustwa, a progi decydują o akceptacji, dodatkowym uwierzytelnieniu lub odrzuceniu.",
   "how_en": "Contextual features are computed from the raw transaction: the customer's payment count and average amount over recent hours and days, the terminal's fraud rate, unusual timing. A model, most often gradient boosting, outputs a fraud probability, and thresholds decide between approval, step-up authentication and decline.",
   "limits": "Cechy agregowane wymagają szybkiego magazynu stanu i zgodności między treningiem a produkcją. Ryzyko terminala liczone z etykiet jest znane dopiero po opóźnieniu. Zbyt niski próg zalewa analityków i klientów fałszywymi alarmami.",
   "limits_en": "Aggregated features need a fast state store and consistency between training and production. Terminal risk computed from labels is only known after a delay. Too low a threshold floods analysts and customers with false alarms.",
   "terms": [
    {
     "gloss": "Statystyki z ostatnich godzin lub dni, np. liczba płatności klienta.",
     "term": "agregacja okienkowa"
    },
    {
     "gloss": "Prośba o potwierdzenie płatności w aplikacji lub kodem.",
     "term": "uwierzytelnienie dodatkowe"
    },
    {
     "gloss": "Poziom ryzyka, od którego płatność jest wstrzymywana.",
     "term": "próg decyzyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Statistics over recent hours or days, e.g. a customer's payment count.",
     "term": "window aggregation"
    },
    {
     "gloss": "Asking to confirm a payment in an app or with a code.",
     "term": "step-up authentication"
    },
    {
     "gloss": "The risk level at which a payment is held.",
     "term": "decision threshold"
    }
   ],
   "prereq": [
    "gradientboosting",
    "classimbalance"
   ],
   "keywords": [
    "feature engineering",
    "RFM features",
    "XGBoost",
    "LightGBM",
    "feature store",
    "3-D Secure",
    "risk-based authentication",
    "streaming features"
   ],
   "source_ids": [
    "fraud-detection-handbook-2022"
   ],
   "url": "https://aiatlasgraph.com/t/cardfraudscoring",
   "markdown_url": "https://aiatlasgraph.com/t/cardfraudscoring.md",
   "updated": "2026-10-30"
  },
  "cartesiangp": {
   "id": "cartesiangp",
   "parent_id": "geneticprogramming",
   "label": "Kartezjańskie programowanie genetyczne (programy jako siatka węzłów)",
   "canonical_name": "Cartesian genetic programming (CGP)",
   "aliases": [
    "Cartesian genetic programming",
    "CGP",
    "kartezjańskie programowanie genetyczne"
   ],
   "description": "Programowanie genetyczne kodowane jako graf skierowany na siatce węzłów, z całkowitoliczbowym genotypem i nieaktywnymi genami umożliwiającymi neutralny dryf.",
   "description_en": "Genetic programming encoded as a directed graph on a grid of nodes, with an integer genotype and inactive genes enabling neutral drift.",
   "plain": "Odmiana programowania genetycznego, w której program jest siatką połączonych prostych działań, a nie drzewem; dobrze nadaje się do układów i filtrów.",
   "plain_en": "A kind of genetic programming where a program is a grid of connected simple operations rather than a tree; well suited to circuits and filters.",
   "solves": "Programy w postaci drzew rozrastają się i nie potrafią wielokrotnie używać tego samego wyniku pośredniego.",
   "solves_en": "Tree-shaped programs bloat and cannot reuse the same intermediate result several times.",
   "does": "Jak tablica rozdzielcza z kablami: zmieniasz, które gniazdo łączy się z którym, a nieużywane kable czekają na lepszą okazję.",
   "does_en": "Like a patch panel with cables: you change which socket connects to which, and unused cables wait for a better chance.",
   "example": "Inżynier elektronik pozwala algorytmowi zaprojektować układ mnożący liczby z mniejszą liczbą bramek niż w jego własnym projekcie.",
   "example_en": "An electronics engineer lets the algorithm design a multiplier circuit with fewer gates than his own design.",
   "for_you": [
    "projektujesz układy logiczne lub filtry obrazu",
    "zwykłe programowanie genetyczne daje rozdęte programy",
    "szukasz zwięzłych wzorów z powtarzającymi się częściami"
   ],
   "for_you_en": [
    "you design logic circuits or image filters",
    "plain genetic programming gives you bloated programs",
    "you seek compact formulas with repeated parts"
   ],
   "how": "Każdy węzeł ma gen funkcji i geny połączeń do wejść lub wcześniejszych węzłów, a geny wyjść wskazują węzły dające wynik. Aktywne są tylko węzły na ścieżce do wyjść; zmiany reszty nie zmieniają programu, ale otwierają nowe drogi. Zwykle używa się strategii (1+4) z mutacją punktową.",
   "how_en": "Each node has a function gene and connection genes to inputs or earlier nodes, and output genes name the nodes giving results. Only nodes on a path to outputs are active; changes elsewhere leave the program unchanged but open new routes. A (1+4) strategy with point mutation is typical.",
   "limits": "Krzyżowanie zwykle niewiele pomaga przy jednym chromosomie. Stały rozmiar siatki ogranicza wielkość programu i trzeba go dobrać; metoda jest mniej popularna, więc narzędzi jest mniej niż dla drzewiastego GP.",
   "limits_en": "Crossover usually adds little with a single chromosome. The fixed grid size bounds program size and must be chosen; the method is less widespread, so there are fewer tools than for tree GP.",
   "terms": [
    {
     "gloss": "Zmiany w nieaktywnych genach, które nie zmieniają działania programu.",
     "term": "neutralny dryf"
    },
    {
     "gloss": "Jak daleko wstecz w siatce węzeł może się podłączyć.",
     "term": "levels-back"
    },
    {
     "gloss": "Jeden rodzic, czterech potomków, wygrywa najlepszy lub równy.",
     "term": "(1+4)-ES"
    }
   ],
   "terms_en": [
    {
     "gloss": "Changes in inactive genes that do not alter program behaviour.",
     "term": "neutral drift"
    },
    {
     "gloss": "How far back in the grid a node may connect.",
     "term": "levels-back"
    },
    {
     "gloss": "One parent, four offspring, the best or equal one wins.",
     "term": "(1+4)-ES"
    }
   ],
   "keywords": [
    "CGP",
    "(1+4)-ES",
    "neutral drift",
    "levels-back",
    "modular CGP",
    "recurrent CGP",
    "evolvable hardware",
    "CGP-ANN"
   ],
   "source_ids": [
    "miller-cgp-tutorial-2014"
   ],
   "url": "https://aiatlasgraph.com/t/cartesiangp",
   "markdown_url": "https://aiatlasgraph.com/t/cartesiangp.md",
   "updated": "2026-10-30"
  },
  "cascadediff": {
   "id": "cascadediff",
   "parent_id": "diffusion",
   "label": "Kaskadowe modele dyfuzyjne",
   "canonical_name": "Cascaded diffusion models",
   "aliases": [
    "cascaded diffusion",
    "diffusion cascade",
    "kaskada dyfuzyjna",
    "super-resolution diffusion cascade"
   ],
   "description": "Łańcuch modeli dyfuzyjnych o rosnącej rozdzielczości, od szkicu do szczegółów.",
   "description_en": "A chain of diffusion models at increasing resolution, from sketch to detail.",
   "plain": "Najpierw powstaje mały obraz, a kolejne modele dokładają coraz drobniejsze szczegóły.",
   "plain_en": "A small image comes first, then later models add finer and finer detail.",
   "solves": "Jeden model od razu na dużej siatce jest drogi, a drobne błędy niskiej rozdzielczości psują potem całe powiększenie.",
   "solves_en": "One model on a large grid is expensive, and small low-resolution errors later spoil the whole enlargement.",
   "does": "Osobny model dopisuje szczegóły do mniejszego obrazu i uczy się poprawiać usterki poprzednika.",
   "does_en": "A separate model adds detail to a smaller image and learns to correct the previous stage's flaws.",
   "example": "Szkic sceny ma 64 punkty na bok, a dwa kolejne modele podnoszą go do ostrej ilustracji, prostując krzywe krawędzie.",
   "example_en": "A scene sketch is 64 points on a side, and two later models raise it to a sharp illustration, straightening bent edges.",
   "for_you": [
    "jeden przebieg na dużej siatce jest za drogi",
    "powiększenie powiela błędy małego szkicu",
    "składasz obraz z kilku etapów rozdzielczości"
   ],
   "for_you_en": [
    "one pass on a large grid is too costly",
    "upscaling copies errors from a small sketch",
    "you build an image across several resolutions"
   ],
   "how": "Pierwszy model generuje niską rozdzielczość. Kolejne są modelami super-rozdzielczości warunkowanymi obrazem z poprzedniego etapu. Augmentacja warunku zniekształca to wejście w treningu, żeby błąd próbkowania nie kumulował się przy generowaniu.",
   "how_en": "The first model generates low resolution. Later models are super-resolution models conditioned on the previous stage. Conditioning augmentation corrupts that input in training so sampling error does not compound at generation time.",
   "limits": "Każdy etap wymaga osobnego modelu i osobnego próbkowania, więc opóźnienie i złożoność potoku się sumują. Rozkład obrazów generowanych przez poprzedni etap różni się od czystych danych treningowych; augmentacja warunku ogranicza, ale nie usuwa całego ryzyka kumulacji błędów.",
   "limits_en": "Each stage requires a separate model and sampling run, so pipeline latency and complexity add up. Images produced by the preceding stage differ from clean training inputs; conditioning augmentation reduces but does not eliminate the risk of compounding errors.",
   "terms": [
    {
     "gloss": "Dopisywanie drobniejszych szczegółów do mniejszego obrazu.",
     "term": "super-rozdzielczość"
    },
    {
     "gloss": "Szereg modeli, z których każdy podnosi rozdzielczość poprzedniego.",
     "term": "kaskada"
    },
    {
     "gloss": "Usterka wczesnego etapu, która rośnie w kolejnych powiększeniach.",
     "term": "kumulacja błędu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Adding finer detail to a smaller image.",
     "term": "super-resolution"
    },
    {
     "gloss": "A series of models, each raising the previous resolution.",
     "term": "cascade"
    },
    {
     "gloss": "An early-stage flaw that grows through later enlargements.",
     "term": "error compounding"
    }
   ],
   "prereq": [
    "imagerestoration",
    "ddpm"
   ],
   "keywords": [
    "cascaded diffusion",
    "conditioning augmentation",
    "super-resolution diffusion",
    "multi-stage generation",
    "ImageNet cascade",
    "low-resolution base model"
   ],
   "source_ids": [
    "cascaded-diffusion-2021"
   ],
   "url": "https://aiatlasgraph.com/t/cascadediff",
   "markdown_url": "https://aiatlasgraph.com/t/cascadediff.md",
   "updated": "2026-10-30"
  },
  "cascadedpipeline": {
   "id": "cascadedpipeline",
   "parent_id": "voicearch",
   "label": "Potok STT → agent tekstowy → TTS",
   "canonical_name": "Cascaded STT–text agent–TTS pipeline",
   "description": "Oddzielne rozpoznawanie mowy, agent tekstowy i synteza głosu. Etapy można wymieniać, sprawdzać oraz łączyć z istniejącym workflow.",
   "description_en": "Separate speech recognition, a text agent and speech synthesis. Stages can be swapped, inspected and connected to an existing workflow.",
   "examples": "orkiestracja w chmurze · ramki i procesory potoku",
   "examples_en": "cloud orchestration · pipeline frames and processors",
   "plain": "To głosowy asystent z osobnymi częściami do zapisywania mowy, przygotowania odpowiedzi i czytania jej na głos.",
   "plain_en": "This voice assistant has separate components for transcribing speech, preparing a response and reading it aloud.",
   "solves": "Chcesz kontrolować każdy etap rozmowy i wymieniać jego części bez przebudowy całego systemu.",
   "solves_en": "You need to control each conversation stage and replace components without rebuilding the whole system.",
   "does": "Nagranie staje się tekstem dla agenta, a jego odpowiedź przechodzi do syntezy mowy; każdy etap można sprawdzić osobno.",
   "does_en": "Audio becomes text for an agent, whose response goes to speech synthesis; each stage can be inspected separately.",
   "example": "W asystencie telefonicznym poprawiasz źle rozpoznane nazwy ulic, sprawdzając zapis rozmowy przed generowaniem głosu.",
   "example_en": "In a telephone assistant, you fix misrecognised street names by inspecting the transcript before speech is generated.",
   "for_you": [
    "łączysz gotowe narzędzia mowy i tekstu",
    "potrzebujesz wglądu w poszczególne etapy rozmowy"
   ],
   "for_you_en": [
    "connect existing speech and text tools",
    "need visibility into individual conversation stages"
   ],
   "how": "Rozpoznawanie zamienia wejściową mowę na tekst dla agenta z jego historią i narzędziami. Tekst odpowiedzi trafia do syntezy, a kolejki i zdarzenia etapów koordynują strumieniowanie oraz zatrzymywanie.",
   "how_en": "Recognition converts incoming speech into text for an agent with history and tools. Response text feeds synthesis, while queues and stage events coordinate streaming and stopping.",
   "limits": "Błąd transkrypcji przenosi się do decyzji, a tekst nie zachowuje całej prozodii. Buforowanie etapów zwiększa czas reakcji; przerwanie wymaga koordynacji kilku modułów.",
   "limits_en": "Transcription errors propagate into decisions, and text loses some prosody. Stage buffering adds latency; interruption requires coordinating multiple modules.",
   "terms": [
    {
     "gloss": "Transkrypcja lub odpowiedź przekazywana między modułami audio i agenta.",
     "term": "tekst pośredni"
    },
    {
     "gloss": "Bufor porządkujący fragmenty danych oczekujące na dalsze przetwarzanie.",
     "term": "kolejka etapu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A transcript or answer passed between audio modules and agents.",
     "term": "intermediate text"
    },
    {
     "gloss": "A buffer ordering data fragments awaiting subsequent processing.",
     "term": "stage queue"
    }
   ],
   "prereq": [
    "asr",
    "tts"
   ],
   "keywords": [
    "STT-LLM-TTS",
    "Pipecat",
    "frame processors",
    "streaming transcription",
    "stage queues",
    "streaming synthesis"
   ],
   "source_ids": [
    "voiceprimer",
    "pipecatrepo",
    "openai-voice-guide"
   ],
   "url": "https://aiatlasgraph.com/t/cascadedpipeline",
   "markdown_url": "https://aiatlasgraph.com/t/cascadedpipeline.md",
   "updated": "2026-10-30"
  },
  "caseretrieval": {
   "id": "caseretrieval",
   "parent_id": "legalsearch",
   "label": "Wyszukiwanie podobnych orzeczeń",
   "canonical_name": "Legal case retrieval (prior case retrieval)",
   "aliases": [
    "legal case retrieval",
    "LCR",
    "prior case retrieval",
    "case law retrieval",
    "precedent retrieval",
    "wyszukiwanie orzeczeń",
    "wyszukiwanie precedensów"
   ],
   "description": "Zadanie znajdowania w dużej bazie orzeczeń spraw istotnych dla zapytania będącego opisem sprawy lub całym dokumentem.",
   "description_en": "The task of finding, in a large database of rulings, cases relevant to a query that is a case description or a whole document.",
   "plain": "Program dostaje opis sprawy albo cały wyrok i znajduje wcześniejsze orzeczenia, które dotyczyły podobnej sytuacji.",
   "plain_en": "Software takes a case description or a whole ruling and finds earlier decisions that dealt with a similar situation.",
   "solves": "Podobne sprawy rzadko używają tych samych słów, więc prawnik godzinami przekopuje bazy, żeby niczego ważnego nie przeoczyć.",
   "solves_en": "Similar cases rarely use the same words, so lawyers dig through databases for hours so as not to miss anything important.",
   "does": "Porównuje sens sporu, a nie tylko słowa: kto, z kim, o co i na jakiej podstawie, tak jak robi to doświadczony sędzia.",
   "does_en": "It compares what the dispute is about, not just its words: who, against whom, over what and on what basis, as an experienced judge would.",
   "example": "Kancelaria wkleja wyrok pierwszej instancji i w kilka sekund widzi dziesięć wcześniejszych spraw, na które warto powołać się w apelacji.",
   "example_en": "A law firm pastes in a first-instance judgment and within seconds sees ten earlier cases worth citing in the appeal.",
   "for_you": [
    "piszesz apelację lub opinię prawną",
    "budujesz wyszukiwarkę dla bazy orzeczeń"
   ],
   "for_you_en": [
    "write an appeal or legal opinion",
    "build a search engine for a database of rulings"
   ],
   "how": "Klasycznie BM25 z rozszerzaniem zapytań; nowsze metody kodują fragmenty orzeczeń modelami osadzeń dostrojonymi na tekstach prawnych, łączą wyniki z wielu akapitów i stosują reranking modelami cross-encoder lub LLM. Konkursy oceniają, czy system znajduje sprawy, które sąd faktycznie przywołał.",
   "how_en": "Classically BM25 with query expansion; newer methods encode passages of rulings with embedding models tuned on legal text, aggregate scores across paragraphs and rerank with cross-encoders or LLMs. Shared tasks check whether a system finds the cases the court actually cited.",
   "limits": "Orzeczenia są bardzo długie, a „podobieństwo” prawne zależy od kwestii prawnej, nie od opisu zdarzeń. Publiczne zbiory pochodzą z nielicznych krajów, a etykiety oparte na cytowaniach pomijają sprawy trafne, lecz nieprzywołane.",
   "limits_en": "Rulings are very long, and legal similarity depends on the legal issue, not on the narrative. Public datasets come from few countries, and citation-based labels miss relevant but uncited cases.",
   "terms": [
    {
     "gloss": "Zapytanie, którym jest cały dokument, a nie kilka słów.",
     "term": "query by document"
    },
    {
     "gloss": "Sprawa, którą sąd przywołał w uzasadnieniu; służy jako etykieta trafności.",
     "term": "noticed case"
    }
   ],
   "terms_en": [
    {
     "gloss": "A query that is a whole document rather than a few words.",
     "term": "query by document"
    },
    {
     "gloss": "A case the court cited in its reasoning; used as a relevance label.",
     "term": "noticed case"
    }
   ],
   "prereq": [
    "textembeddings",
    "reranking"
   ],
   "keywords": [
    "COLIEE Task 1",
    "LeCaRD",
    "LeCaRDv2",
    "BM25",
    "SAILER",
    "cross-encoder reranking",
    "legal embeddings",
    "citation-based relevance"
   ],
   "source_ids": [
    "feng-lcr-survey-2024",
    "locke-zuccon-caselaw-2022",
    "coliee-2023-summary"
   ],
   "url": "https://aiatlasgraph.com/t/caseretrieval",
   "markdown_url": "https://aiatlasgraph.com/t/caseretrieval.md",
   "updated": "2026-10-30"
  },
  "cashflowunderwriting": {
   "id": "cashflowunderwriting",
   "parent_id": "creditscoring",
   "label": "Ocena kredytowa z historii rachunku (dane alternatywne)",
   "canonical_name": "Cash-flow underwriting with alternative data",
   "aliases": [
    "cash-flow underwriting",
    "alternative credit data",
    "open banking credit scoring",
    "transaction data scoring",
    "thin-file lending",
    "dane alternatywne w kredytach"
   ],
   "description": "Scoring kredytowy na cechach z danych transakcyjnych rachunku (wpływy, saldo, zobowiązania) pozyskanych za zgodą klienta, np. przez otwartą bankowość.",
   "description_en": "Credit scoring on features from account transaction data (inflows, balances, obligations) obtained with consent, e.g. via open banking.",
   "plain": "Ocenianie, czy ktoś spłaci pożyczkę, na podstawie wpływów i wydatków na jego koncie, a nie tylko dawnych kredytów.",
   "plain_en": "Judging whether someone will repay from the money flowing in and out of their account, not just past loans.",
   "solves": "Miliony ludzi nie mają historii kredytowej, więc tradycyjny scoring ich odrzuca, choć regularnie zarabiają i płacą rachunki.",
   "solves_en": "Millions of people have no credit history, so traditional scoring rejects them even though they earn and pay bills regularly.",
   "does": "Patrzy na codzienne finanse jak wynajmujący mieszkanie, który zamiast pytać o kredyty, ogląda wyciągi z ostatnich miesięcy.",
   "does_en": "Looks at everyday finances like a landlord who skips asking about loans and reads the last few months of statements instead.",
   "example": "Wnioskujesz o pierwsze raty i zgadzasz się udostępnić historię konta; decyzja uwzględnia regularną pensję i opłacany czynsz.",
   "example_en": "You apply for your first instalment plan and agree to share account history; the decision counts your regular salary and paid rent.",
   "for_you": [
    "nie masz jeszcze historii kredytowej",
    "pracujesz na umowach o zmiennych dochodach",
    "budujesz scoring w fintechu"
   ],
   "for_you_en": [
    "have no credit history yet",
    "earn irregular income",
    "build scoring at a fintech"
   ],
   "how": "Transakcje kategoryzuje się (wynagrodzenie, czynsz, raty, hazard) i agreguje do cech, np. stabilności wpływów, minimalnego salda i nadwyżki po stałych opłatach. Na nich trenuje się model PD, samodzielnie lub obok danych biurowych. Badanie sześciu kredytodawców wykazało, że cechy przepływów pieniężnych były co najmniej tak predykcyjne jak tradycyjne wyniki i poprawiały je łącznie.",
   "how_en": "Transactions are categorised (salary, rent, loan payments, gambling) and aggregated into features such as income stability, minimum balance and surplus after fixed costs. A PD model is trained on them alone or alongside bureau data. A six-lender study found cash-flow metrics at least as predictive as traditional scores and improving them in combination.",
   "limits": "Wymaga zgody klienta i dobrej kategoryzacji transakcji, która bywa zawodna. Cechy z wydatków mogą pośrednio ujawniać cechy chronione i rodzić ryzyko dyskryminacji. Krótka historia rachunku słabo przewiduje zachowanie w kryzysie.",
   "limits_en": "It needs customer consent and good transaction categorisation, which can be unreliable. Spending features can indirectly reveal protected traits and create discrimination risk. A short account history predicts crisis behaviour poorly.",
   "terms": [
    {
     "gloss": "Klient z bardzo krótką lub pustą historią kredytową.",
     "term": "thin file"
    },
    {
     "gloss": "Udostępnianie danych konta innym firmom za zgodą klienta.",
     "term": "otwarta bankowość"
    },
    {
     "gloss": "Przypisanie każdej operacji rodzaju, np. pensja albo czynsz.",
     "term": "kategoryzacja transakcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A customer with a very short or empty credit history.",
     "term": "thin file"
    },
    {
     "gloss": "Sharing account data with other firms at the customer's consent.",
     "term": "open banking"
    },
    {
     "gloss": "Labelling each transaction's type, e.g. salary or rent.",
     "term": "transaction categorisation"
    }
   ],
   "prereq": [
    "featureeng",
    "fairnessmetrics"
   ],
   "keywords": [
    "open banking",
    "PSD2",
    "transaction categorisation",
    "credit invisibles",
    "thin-file",
    "income verification",
    "FinRegLab",
    "alternative data"
   ],
   "source_ids": [
    "finreglab-cashflow-2019"
   ],
   "url": "https://aiatlasgraph.com/t/cashflowunderwriting",
   "markdown_url": "https://aiatlasgraph.com/t/cashflowunderwriting.md",
   "updated": "2026-10-30"
  },
  "cat": {
   "id": "cat",
   "parent_id": "autoassessment",
   "label": "Komputerowe testowanie adaptacyjne (CAT)",
   "canonical_name": "Computerized adaptive testing (CAT)",
   "aliases": [
    "CAT",
    "computerized adaptive testing",
    "computer adaptive test",
    "test adaptacyjny",
    "adaptive testing"
   ],
   "description": "Procedura testowa, w której kolejne pytania dobiera się z kalibrowanego banku tak, by dały najwięcej informacji przy bieżącym oszacowaniu zdolności.",
   "description_en": "A testing procedure that draws each next item from a calibrated bank to give the most information at the current ability estimate.",
   "plain": "Test na komputerze, który po każdej odpowiedzi dobiera następne pytanie do twojego poziomu.",
   "plain_en": "A computer test that picks each next question to match your level, based on your previous answers.",
   "solves": "Stały test marnuje czas: słabszych zasypuje zbyt trudnymi pytaniami, a mocniejszych nudzi zbyt łatwymi.",
   "solves_en": "A fixed test wastes time: it buries weaker people in questions that are too hard and bores stronger ones with easy ones.",
   "does": "Jak egzaminator ustny: po dobrej odpowiedzi pyta trudniej, po złej łatwiej, i kończy, gdy jest już pewien oceny.",
   "does_en": "Like an oral examiner: after a good answer it asks harder, after a bad one easier, and stops once it is sure of the grade.",
   "example": "Test poziomujący z języka dobiera każdej osobie inny zestaw pytań i kończy się, gdy oszacowanie poziomu osiągnie wymaganą precyzję.",
   "example_en": "A language placement test selects a different set of questions for each person and ends when the ability estimate reaches the required precision.",
   "for_you": [
    "zdajesz test, w którym każdy dostaje inne pytania",
    "chcesz skrócić egzamin bez utraty dokładności"
   ],
   "for_you_en": [
    "take a test where everyone gets different questions",
    "want a shorter exam without losing precision"
   ],
   "how": "Bank pytań jest skalibrowany modelem IRT. Po każdej odpowiedzi zdolność szacuje się metodą największej wiarygodności lub bayesowsko, a następne pytanie wybiera według maksymalnej informacji, z ograniczeniami treści i ekspozycji. Test kończy się, gdy błąd standardowy spadnie poniżej progu albo decyzja zdał/nie zdał jest pewna.",
   "how_en": "The item bank is calibrated with an IRT model. After each answer, ability is estimated by maximum likelihood or Bayesian methods, and the next item is chosen by maximum information under content and exposure constraints. The test stops when the standard error drops below a threshold or a pass/fail decision is certain.",
   "limits": "Wymaga dużego banku pytań przetestowanych na licznych próbach, więc jego budowa jest droga. Najczęściej używane pytania szybko się opatrują i wyciekają. Zdający zwykle nie mogą wrócić do wcześniejszych odpowiedzi.",
   "limits_en": "It needs a large item bank pretested on big samples, so building one is expensive. The most used items quickly become familiar and leak. Test-takers usually cannot go back to earlier answers.",
   "terms": [
    {
     "gloss": "Zbiór pytań ze zmierzoną trudnością i innymi parametrami.",
     "term": "item bank"
    },
    {
     "gloss": "Reguła wyboru pytania, które najdokładniej mierzy przy obecnym szacunku.",
     "term": "maximum information"
    },
    {
     "gloss": "Jak często dane pytanie pokazuje się zdającym; zbyt częste grozi wyciekiem.",
     "term": "item exposure"
    },
    {
     "gloss": "Warunek zakończenia testu, np. wystarczająca dokładność.",
     "term": "stopping rule"
    }
   ],
   "terms_en": [
    {
     "gloss": "A pool of questions with measured difficulty and other parameters.",
     "term": "item bank"
    },
    {
     "gloss": "Rule picking the item that measures most precisely at the current estimate.",
     "term": "maximum information"
    },
    {
     "gloss": "How often an item is shown; too often risks leaking.",
     "term": "item exposure"
    },
    {
     "gloss": "The condition for ending the test, e.g. sufficient precision.",
     "term": "stopping rule"
    }
   ],
   "prereq": [
    "irt"
   ],
   "keywords": [
    "item response theory",
    "maximum Fisher information",
    "item exposure control",
    "Sympson-Hetter",
    "stopping rule",
    "catR",
    "multistage testing",
    "digital SAT",
    "GMAT"
   ],
   "source_ids": [
    "wiki-cat"
   ],
   "url": "https://aiatlasgraph.com/t/cat",
   "markdown_url": "https://aiatlasgraph.com/t/cat.md",
   "updated": "2026-10-30"
  },
  "categoricalencoding": {
   "id": "categoricalencoding",
   "parent_id": "featureeng",
   "label": "Kodowanie zmiennych kategorycznych",
   "canonical_name": "Categorical feature encoding",
   "aliases": [
    "kodowanie kategorii",
    "categorical encoding",
    "kodowanie cech kategorycznych"
   ],
   "description": "Przekształcanie cech kategorycznych w reprezentacje liczbowe: one-hot, porządkowe, docelowe (target encoding) lub wyuczone embeddingi.",
   "description_en": "Converting categorical features into numeric representations: one-hot, ordinal, target encoding or learned embeddings.",
   "plain": "Zamiana słownych kategorii, takich jak kolor czy miasto, na liczby, z których model może korzystać.",
   "plain_en": "Turning word categories such as colour or city into numbers a model can work with.",
   "solves": "Modele liczą na liczbach, a w danych są nazwy miast, typy produktów czy kody, których nie da się użyć wprost.",
   "solves_en": "Models compute with numbers, but data holds city names, product types or codes they cannot use directly.",
   "does": "Daje każdej kategorii osobny przełącznik albo zastępuje ją średnim wynikiem, jaki ta kategoria miała w przeszłości.",
   "does_en": "It gives each category its own on/off switch, or replaces it with the average outcome that category had in the past.",
   "example": "Przewidując cenę mieszkania, zamieniasz nazwę dzielnicy na liczby, żeby model mógł porównać dzielnice.",
   "example_en": "When predicting flat prices, you turn district names into numbers so the model can compare districts.",
   "for_you": [
    "masz w tabeli kolumny z nazwami zamiast liczb",
    "jedna kolumna ma setki różnych wartości"
   ],
   "for_you_en": [
    "have columns of names rather than numbers",
    "one column has hundreds of distinct values"
   ],
   "how": "One-hot tworzy osobną kolumnę binarną dla każdej kategorii, a kodowanie porządkowe nadaje liczby całkowite. Target encoding zastępuje kategorię wygładzoną średnią celu w tej kategorii, liczoną z cross-fittingiem, by wiersz nie widział własnej etykiety. Sieci uczą się osobnych embeddingów kategorii.",
   "how_en": "One-hot creates a binary column per category; ordinal encoding assigns integers. Target encoding replaces a category with a smoothed mean of the target for that category, computed with cross-fitting so a row never sees its own label. Neural networks learn category embeddings.",
   "limits": "One-hot rozdmuchuje liczbę kolumn przy wielu kategoriach. Target encoding bez cross-fittingu i wygładzania przecieka etykietą i przeucza rzadkie kategorie. Nowe, niewidziane kategorie wymagają reguły zastępczej.",
   "limits_en": "One-hot inflates column count when categories are many. Target encoding without cross-fitting and smoothing leaks the label and overfits rare categories. Unseen categories need a fallback rule.",
   "terms": [
    {
     "gloss": "Jedna kolumna 0/1 dla każdej możliwej kategorii.",
     "term": "one-hot"
    },
    {
     "gloss": "Zastąpienie kategorii średnim wynikiem obserwowanym dla niej w treningu.",
     "term": "target encoding"
    },
    {
     "gloss": "Liczba różnych wartości, jakie przyjmuje kolumna.",
     "term": "kardynalność"
    }
   ],
   "terms_en": [
    {
     "gloss": "One 0/1 column for each possible category.",
     "term": "one-hot"
    },
    {
     "gloss": "Replacing a category with the average outcome observed for it in training.",
     "term": "target encoding"
    },
    {
     "gloss": "The number of distinct values a column takes.",
     "term": "cardinality"
    }
   ],
   "keywords": [
    "OneHotEncoder",
    "OrdinalEncoder",
    "TargetEncoder",
    "high cardinality",
    "entity embeddings",
    "hashing trick",
    "CatBoost ordered target statistics"
   ],
   "source_ids": [
    "sklearn-targetencoder"
   ],
   "url": "https://aiatlasgraph.com/t/categoricalencoding",
   "markdown_url": "https://aiatlasgraph.com/t/categoricalencoding.md",
   "updated": "2026-10-30"
  },
  "causalinference": {
   "id": "causalinference",
   "parent_id": "probabilistic",
   "label": "Wnioskowanie przyczynowe",
   "canonical_name": "Causal inference",
   "description": "Odróżnianie przyczyny od korelacji: interwencje, kontrfakty, zmienne zakłócające i odkrywanie struktury przyczynowej z danych.",
   "description_en": "Telling causation from correlation: interventions, counterfactuals, confounders and discovering causal structure from data.",
   "examples": "Grafy przyczynowe · do-rachunek · zmienne instrumentalne · odkrywanie przyczynowe",
   "examples_en": "Causal graphs · do-calculus · instrumental variables · causal discovery",
   "plain": "To badanie, czy zmiana jednej rzeczy rzeczywiście wpływa na inną.",
   "plain_en": "This investigates whether changing one thing actually affects another.",
   "solves": "Dwie rzeczy mogą występować razem bez związku przyczynowego, więc samo porównanie danych może prowadzić do błędnej decyzji.",
   "solves_en": "Two things can occur together without a causal link, so comparing data alone may lead to a mistaken decision.",
   "does": "Korzysta z eksperymentów lub jawnych założeń o zależnościach, żeby oddzielić wpływ badanej zmiany od innych czynników.",
   "does_en": "It uses experiments or explicit assumptions about dependencies to separate the effect of a change from other factors.",
   "example": "Sprzedaż rośnie po zmianie strony sklepu; sprawdzasz też sezon i reklamy, zanim przypiszesz wzrost nowemu układowi strony.",
   "example_en": "Sales rise after a shop redesign; you also examine seasonality and advertising before attributing the increase to the new layout.",
   "for_you": [
    "chcesz ocenić skutek konkretnej zmiany",
    "musisz odróżniać przyczynę od współwystępowania"
   ],
   "for_you_en": [
    "want to assess the effect of a particular change",
    "need to distinguish causes from things occurring together"
   ],
   "how": "Model strukturalny opisuje mechanizmy generujące dane i skutki zastąpienia wybranej zmiennej interwencją. Identyfikacja łączy założenia przyczynowe z eksperymentem lub obserwacjami, aby wyznaczyć efekt działania.",
   "how_en": "A structural model describes data-generating mechanisms and effects of replacing a variable through intervention. Identification combines causal assumptions with experiments or observations to determine an action's effect.",
   "limits": "Dane obserwacyjne same nie ustalają struktury przyczynowej. Nieobserwowane wspólne przyczyny i nieweryfikowalne założenia mogą uniemożliwiać identyfikację; dobra predykcja nie potwierdza efektu interwencji.",
   "limits_en": "Observational data alone does not determine causal structure. Unobserved common causes and unverifiable assumptions can prevent identification; good prediction does not establish intervention effects.",
   "terms": [
    {
     "gloss": "Wspólna przyczyna wpływająca na analizowane działanie i jego wynik.",
     "term": "confounder"
    },
    {
     "gloss": "Zmiana mechanizmu ustalającego zmienną, zamiast tylko obserwowania jej wartości.",
     "term": "interwencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A common cause affecting both an examined action and its outcome.",
     "term": "confounder"
    },
    {
     "gloss": "Changing the mechanism determining a variable rather than merely observing its value.",
     "term": "intervention"
    }
   ],
   "prereq": [
    "bayesnets",
    "hypothesistesting"
   ],
   "keywords": [
    "causal DAGs",
    "do-calculus",
    "instrumental variables",
    "confounding",
    "structural causal models",
    "causal discovery"
   ],
   "source_ids": [
    "neal-causal",
    "ma2025causal-llm"
   ],
   "url": "https://aiatlasgraph.com/t/causalinference",
   "markdown_url": "https://aiatlasgraph.com/t/causalinference.md",
   "updated": "2026-10-30"
  },
  "cellularautomata": {
   "id": "cellularautomata",
   "parent_id": "artificiallife",
   "label": "Automaty komórkowe",
   "canonical_name": "Cellular automata",
   "aliases": [
    "cellular automata",
    "cellular automaton",
    "CA",
    "automat komórkowy",
    "automaty komórkowe"
   ],
   "description": "Dyskretne modele z regularną siatką komórek o skończonych stanach, aktualizowanych zwykle synchronicznie lokalną regułą zależną od sąsiedztwa.",
   "description_en": "Discrete models with a regular grid of finite-state cells, usually updated synchronously by a local rule depending on the neighbourhood.",
   "plain": "Siatka komórek, z których każda zmienia stan według prostej reguły zależnej tylko od sąsiadów, a razem tworzą zaskakująco złożone wzory.",
   "plain_en": "A grid of cells, each changing state by a simple rule depending only on its neighbours, together forming surprisingly complex patterns.",
   "solves": "Trudno uwierzyć i zobaczyć, że złożone, żywe zachowania mogą brać się z bardzo prostych, lokalnych reguł.",
   "solves_en": "It is hard to believe and see that complex, lively behaviour can come from very simple local rules.",
   "does": "Jak stadion robiący falę: każdy kibic patrzy tylko na sąsiadów, a po trybunach biegnie wzór widoczny z daleka.",
   "does_en": "Like a stadium doing the wave: each fan only watches neighbours, yet a pattern visible from afar runs around the stands.",
   "example": "Uczniowie na kartce w kratkę zaznaczają kilka pól, stosują proste reguły narodzin i śmierci kratek i widzą kształt, który sam wędruje po kartce.",
   "example_en": "Pupils mark a few squares on graph paper, apply simple birth-and-death rules and see a shape that wanders across the page by itself.",
   "for_you": [
    "chcesz zobaczyć emergencję na własne oczy",
    "programujesz symulacje lub generatywną grafikę",
    "zaczynasz poznawać sztuczne życie"
   ],
   "for_you_en": [
    "want to see emergence with your own eyes",
    "you program simulations or generative graphics",
    "are starting to explore artificial life"
   ],
   "how": "W Grze w życie komórka żywa z dwoma lub trzema żywymi sąsiadami przeżywa, martwa z dokładnie trzema ożywa, a pozostałe umierają. Z takich reguł powstają wzory stabilne, oscylujące i poruszające się. Zarówno Gra w życie, jak i jednowymiarowa Reguła 110 są uniwersalne obliczeniowo.",
   "how_en": "In the Game of Life a live cell with two or three live neighbours survives, a dead cell with exactly three becomes alive, and others die. Such rules produce stable, oscillating and moving patterns. Both the Game of Life and one-dimensional Rule 110 are computationally universal.",
   "limits": "Dyskretne stany i czas dają wzory kruche: pojedyncza zmiana komórki często niszczy strukturę. Zachowania długoterminowego zwykle nie da się przewidzieć bez symulacji, a ręczne projektowanie reguł pod zadany cel jest trudne.",
   "limits_en": "Discrete states and time make patterns fragile: a single cell change often destroys a structure. Long-term behaviour usually cannot be predicted without simulating, and hand-designing rules for a goal is hard.",
   "terms": [
    {
     "gloss": "Osiem komórek otaczających daną komórkę na siatce.",
     "term": "sąsiedztwo Moore'a"
    },
    {
     "gloss": "Mały wzór, który co kilka kroków przesuwa się po skosie.",
     "term": "szybowiec (glider)"
    },
    {
     "gloss": "Zdolność do wykonania dowolnego obliczenia, jak komputer.",
     "term": "uniwersalność obliczeniowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "The eight cells surrounding a given cell on the grid.",
     "term": "Moore neighbourhood"
    },
    {
     "gloss": "A small pattern that shifts diagonally every few steps.",
     "term": "glider"
    },
    {
     "gloss": "Ability to perform any computation, like a computer.",
     "term": "computational universality"
    }
   ],
   "keywords": [
    "Game of Life",
    "Rule 110",
    "elementary cellular automata",
    "Wolfram classes",
    "glider",
    "Golly",
    "Moore neighborhood",
    "totalistic rule"
   ],
   "source_ids": [
    "isal-what-is-alife",
    "think-complexity-gol"
   ],
   "url": "https://aiatlasgraph.com/t/cellularautomata",
   "markdown_url": "https://aiatlasgraph.com/t/cellularautomata.md",
   "updated": "2026-10-30"
  },
  "centralcritic": {
   "id": "centralcritic",
   "parent_id": "marlctde",
   "label": "Scentralizowani krytycy w wieloagentowym aktorze–krytyku",
   "canonical_name": "Centralised critics in multi-agent actor–critic",
   "aliases": [
    "centralized critic",
    "multi-agent actor-critic"
   ],
   "description": "Metody aktor–krytyk dla wielu agentów, w których zdecentralizowani aktorzy uczą się z krytyków mających podczas treningu dostęp do dodatkowych informacji o innych agentach.",
   "description_en": "Multi-agent actor–critic methods where decentralised actors learn from critics that can access additional information about other agents during training.",
   "plain": "Każdy agent działa na podstawie własnych obserwacji, ale podczas treningu ocenia go sędzia widzący szerszy obraz zespołu.",
   "plain_en": "Each agent acts from its own observations, but during training a judge with a broader view of the team scores it.",
   "solves": "Agent oceniany tylko na podstawie własnego widoku myli skutki swoich działań z tym, co zrobili inni.",
   "solves_en": "An agent judged only from its own view confuses the effects of its actions with what the others did.",
   "does": "Jak sędzia z powtórką z kilku kamer: zawodnicy grają po swojemu, a ocena uwzględnia ruchy całej drużyny.",
   "does_en": "Like a referee with multi-camera replay: players act their own way, while scoring accounts for the whole team's moves.",
   "example": "Drony w symulacji uczą się rozdzielać obszary poszukiwań, bo ocena każdego lotu bierze pod uwagę trasy pozostałych.",
   "example_en": "Drones in simulation learn to split search areas because each flight's score accounts for the others' routes.",
   "for_you": [
    "agenci działają osobno i każdy widzi tylko fragment sytuacji",
    "szukasz mocnego punktu odniesienia dla zespołu agentów"
   ],
   "for_you_en": [
    "agents act separately and each sees only part of the situation",
    "you want a strong baseline for a team of agents"
   ],
   "how": "MADDPG rozszerza DDPG o krytyka warunkowanego akcjami wszystkich agentów, działającego także w grach mieszanych. COMA używa kontrfaktycznej linii bazowej do przypisania zasługi. MAPPO stosuje PPO z centralnym krytykiem i współdzieleniem parametrów, okazując się mocnym punktem odniesienia w zadaniach kooperacyjnych.",
   "how_en": "MADDPG extends DDPG with a critic conditioned on all agents' actions, also working in mixed games. COMA uses a counterfactual baseline for credit assignment. MAPPO applies PPO with a central critic and parameter sharing, proving a strong baseline on cooperative tasks.",
   "limits": "Wejście krytyka rośnie z liczbą agentów. Krytyk oparty tylko na stanie bywa obciążony przy częściowej obserwowalności, a wyniki on-policy zależą od szczegółów implementacji i hiperparametrów.",
   "limits_en": "The critic's input grows with agent count. State-only critics can be biased under partial observability, and on-policy results depend on implementation details and hyperparameters.",
   "terms": [
    {
     "gloss": "Funkcja oceniająca, która w treningu widzi dane wszystkich agentów.",
     "term": "centralized critic"
    },
    {
     "gloss": "Porównanie wyniku z tym, co by było, gdyby agent zrobił coś innego.",
     "term": "counterfactual baseline"
    }
   ],
   "terms_en": [
    {
     "gloss": "A value function that sees all agents' data during training.",
     "term": "centralized critic"
    },
    {
     "gloss": "Comparing the outcome with what would happen had the agent acted differently.",
     "term": "counterfactual baseline"
    }
   ],
   "prereq": [
    "actorcritic"
   ],
   "keywords": [
    "MADDPG",
    "MAPPO",
    "IPPO",
    "COMA",
    "HAPPO",
    "FACMAC",
    "multi-agent particle environment",
    "Hanabi"
   ],
   "source_ids": [
    "ctde-intro-amato-2024",
    "mappo-2021",
    "maddpg-2017"
   ],
   "url": "https://aiatlasgraph.com/t/centralcritic",
   "markdown_url": "https://aiatlasgraph.com/t/centralcritic.md",
   "updated": "2026-10-30"
  },
  "cfg": {
   "id": "cfg",
   "parent_id": "diffusion",
   "label": "Sterowanie promptem bez klasyfikatora (classifier-free guidance)",
   "canonical_name": "Classifier-free guidance",
   "aliases": [
    "classifier-free guidance",
    "CFG",
    "guidance scale",
    "negative prompt",
    "sterowanie generacją"
   ],
   "description": "Technika wzmacniania zgodności wyniku z opisem: jeden model uczy się generować z warunkiem i bez niego (warunek losowo pomijany w treningu), a przy generowaniu wynik przesuwa się w stronę wersji warunkowej. Skala guidance to popularny suwak „wierność promptowi kontra różnorodność”.",
   "description_en": "A technique to strengthen adherence to the prompt: one model learns to generate with and without the condition (dropped randomly in training), and at sampling time the output is pushed toward the conditional version. The guidance scale is the familiar “prompt fidelity vs diversity” knob.",
   "examples": "skala guidance · prompt negatywny · classifier guidance (starsza metoda)",
   "examples_en": "guidance scale · negative prompt · classifier guidance (older method)",
   "plain": "To wzmacnianie wpływu twojego opisu na obraz tworzony przez model.",
   "plain_en": "This strengthens the influence of your description on the image a model generates.",
   "solves": "Generator tworzy ładny obraz, ale pomija ważne szczegóły wskazane w opisie.",
   "solves_en": "A generator creates an attractive image but misses important details from your description.",
   "does": "Porównuje przewidywanie z opisem i bez niego, wzmacniając różnicę; zbyt mocne sterowanie może pogorszyć wygląd lub różnorodność.",
   "does_en": "It compares predictions with and without the description, amplifying the difference; excessive guidance can harm appearance or diversity.",
   "example": "Zwiększasz siłę opisu czerwonego parasola, a potem sprawdzasz, czy obraz zachował naturalne kolory i szczegóły.",
   "example_en": "You increase guidance for a red umbrella description, then check whether the image retains natural colours and details.",
   "for_you": [
    "generator ignoruje część twojego opisu",
    "wybierasz między zgodnością z opisem a różnorodnością"
   ],
   "for_you_en": [
    "find a generator ignores parts of your description",
    "balance description fidelity against variety"
   ],
   "how": "Podczas treningu część warunków pomija się, ucząc przewidywań warunkowych i bezwarunkowych wspólną siecią. Przy próbkowaniu ich różnicę wzmacnia się ustaloną skalą, przesuwając aktualizację w kierunku zgodności z warunkiem.",
   "how_en": "Training drops some conditions, teaching conditional and unconditional predictions within one network. Sampling amplifies their difference by a chosen scale, shifting updates towards condition agreement.",
   "limits": "Duża skala może ograniczać różnorodność i powodować nasycenie lub artefakty. Standardowe obliczanie obu przewidywań zwiększa koszt; silniejsze sterowanie nie gwarantuje wykonania wszystkich szczegółów polecenia.",
   "limits_en": "Large scales can reduce diversity and cause saturation or artifacts. Standard evaluation of both predictions increases cost; stronger guidance cannot guarantee every prompt detail.",
   "terms": [
    {
     "gloss": "Przewidywanie modelu bez dodatkowej informacji sterującej.",
     "term": "predykcja bezwarunkowa"
    },
    {
     "gloss": "Współczynnik wzmacniający różnicę między przewidywaniem warunkowym i bezwarunkowym.",
     "term": "skala guidance"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model prediction without additional conditioning information.",
     "term": "unconditional prediction"
    },
    {
     "gloss": "A coefficient amplifying differences between conditional and unconditional predictions.",
     "term": "guidance scale"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "guidance scale",
    "unconditional prediction",
    "negative prompts",
    "classifier guidance",
    "conditioning dropout"
   ],
   "source_ids": [
    "lilianweng-diffusion-2021",
    "classifier-free-guidance-2022",
    "hf-diffusion-course"
   ],
   "url": "https://aiatlasgraph.com/t/cfg",
   "markdown_url": "https://aiatlasgraph.com/t/cfg.md",
   "updated": "2026-10-30"
  },
  "charanimation": {
   "id": "charanimation",
   "parent_id": "gameai",
   "label": "Animacja postaci sterowana danymi",
   "canonical_name": "Data-driven character animation",
   "aliases": [
    "data-driven character animation",
    "data-driven animation",
    "animacja postaci oparta na danych",
    "animacja postaci sterowana danymi"
   ],
   "description": "Techniki generowania ruchu ciała i twarzy postaci z danych motion capture: wyszukiwanie klatek, sieci sterujące ruchem, modele generatywne ruchu i animacja z dźwięku.",
   "description_en": "Techniques generating body and facial motion of characters from motion-capture data: frame search, neural motion controllers, generative motion models and audio-driven animation.",
   "plain": "Ruch postaci w grach i filmach powstaje z nagrań prawdziwych ludzi i modeli, które z nich się uczą, a nie z ręcznego ustawiania każdej klatki.",
   "plain_en": "Character movement in games and films comes from recordings of real people and models that learn from them, not from posing every frame by hand.",
   "solves": "Ręczne animowanie każdego kroku, skrętu i grymasu jest bardzo drogie, a przejścia między gotowymi klipami wyglądają sztucznie.",
   "solves_en": "Hand-animating every step, turn and grimace is very costly, and transitions between ready-made clips look artificial.",
   "does": "Jak tancerz, który obejrzał tysiące nagrań i potrafi płynnie improwizować ruch pasujący do każdej sytuacji.",
   "does_en": "Like a dancer who has watched thousands of recordings and can smoothly improvise a movement for any situation.",
   "example": "Bohater gry biegnie, gwałtownie hamuje i skręca na kamienistym zboczu, a jego nogi naturalnie trafiają na kolejne głazy.",
   "example_en": "A game hero runs, brakes hard and turns on a rocky slope, and his feet land naturally on each boulder.",
   "for_you": [
    "animujesz postacie w grze lub filmie",
    "chcesz ożywić awatara głosem lub opisem",
    "ciekawi cię, czemu ruch w nowych grach wygląda tak płynnie"
   ],
   "for_you_en": [
    "animate characters in a game or film",
    "want to bring an avatar to life with voice or a description",
    "wonder why movement in new games looks so smooth"
   ],
   "how": "Nagrania motion capture zamienia się na sekwencje póz szkieletu z cechami takimi jak prędkości stóp i przyszła trajektoria. Systemy czasu rzeczywistego wyszukują lub przewidują następną pozę na podstawie sterowania gracza i otoczenia. Modele generatywne tworzą całe ruchy z tekstu lub dźwięku, a wynik przenosi się na szkielet postaci (retargeting).",
   "how_en": "Motion-capture recordings become sequences of skeleton poses with features such as foot velocities and future trajectory. Real-time systems search for or predict the next pose from player control and surroundings. Generative models create whole motions from text or audio, and the result is retargeted to the character's skeleton.",
   "limits": "Jakość zależy od pokrycia nagrań: ruch, którego nie było w danych, wychodzi słabo. Kinematyczne metody nie znają fizyki, więc stopy potrafią się ślizgać lub przenikać przez przeszkody. Sesje motion capture i czyszczenie danych są kosztowne.",
   "limits_en": "Quality depends on recording coverage: motion absent from the data comes out poorly. Kinematic methods know no physics, so feet may slide or pass through obstacles. Motion-capture sessions and data clean-up are costly.",
   "terms": [
    {
     "gloss": "Nagrywanie ruchu aktora markerami, czujnikami lub kamerami.",
     "term": "motion capture"
    },
    {
     "gloss": "Przeniesienie ruchu na szkielet o innych proporcjach.",
     "term": "retargeting"
    },
    {
     "gloss": "Położenia i obroty wszystkich stawów szkieletu w jednej klatce.",
     "term": "poza"
    }
   ],
   "terms_en": [
    {
     "gloss": "Recording an actor's movement with markers, sensors or cameras.",
     "term": "motion capture"
    },
    {
     "gloss": "Transferring motion onto a skeleton with different proportions.",
     "term": "retargeting"
    },
    {
     "gloss": "Positions and rotations of all skeleton joints in one frame.",
     "term": "pose"
    }
   ],
   "prereq": [
    "poseestimation",
    "neuralbasics"
   ],
   "keywords": [
    "motion matching",
    "learned motion matching",
    "PFNN",
    "motion diffusion model",
    "text-to-motion",
    "Audio2Face",
    "inertialization",
    "motion capture",
    "AMASS",
    "HumanML3D",
    "SMPL"
   ],
   "source_ids": [
    "holden-learned-motion-matching-2020",
    "holden-pfnn-2017",
    "tevet-mdm-2022"
   ],
   "url": "https://aiatlasgraph.com/t/charanimation",
   "markdown_url": "https://aiatlasgraph.com/t/charanimation.md",
   "updated": "2026-10-30"
  },
  "chatbots": {
   "id": "chatbots",
   "parent_id": "applications",
   "label": "Asystenci i chatboty",
   "canonical_name": "Chatbots and assistants",
   "description": "Interfejs rozmowy jako sposób dostarczenia modelu.",
   "description_en": "Conversation as the way a model is delivered.",
   "plain": "To programy, z którymi załatwiasz sprawy przez rozmowę.",
   "plain_en": "These programs let you get help or complete tasks through conversation.",
   "solves": "Znalezienie odpowiedzi wymaga przeszukiwania stron lub przeklikiwania wielu ekranów.",
   "solves_en": "Finding an answer means searching pages or clicking through many screens.",
   "does": "Odczytują prośbę oraz wcześniejszą rozmowę, a potem odpowiadają lub pytają o brakujące informacje.",
   "does_en": "They use your request and the conversation so far to answer or ask for missing details.",
   "example": "W okienku rozmowy pytasz, jak oddać zakup, i otrzymujesz instrukcję kolejnych kroków.",
   "example_en": "You ask in a chat window how to return a purchase and receive instructions for the next steps.",
   "for_you": [
    "wolisz zapytać niż szukać odpowiedzi w menu",
    "korzystasz z pomocy przez okienko rozmowy"
   ],
   "for_you_en": [
    "prefer asking a question to searching menus",
    "get help through a chat window"
   ],
   "how": "System zapisuje wiadomości rozmowy i wybiera historię, instrukcje oraz dane potrzebne do kolejnej odpowiedzi. Model generuje wypowiedź lub wywołanie narzędzia, a aplikacja zarządza sesją, prezentacją i przekazaniem sprawy człowiekowi.",
   "how_en": "The system stores conversation messages and selects history, instructions and data for the next response. The model generates a reply or tool call, while the application manages the session, presentation and handoff to a human.",
   "limits": "Długa historia przekracza budżet kontekstu, a jej streszczanie może zgubić ustalenia. Interfejs rozmowy sprzyja nadmiernemu zaufaniu; odpowiedzi wymagają sprawdzania i czytelnych możliwości korekty.",
   "limits_en": "Long histories exceed the context budget, and summarization can lose agreements. Conversational interfaces encourage excessive trust; replies need verification and clear correction options.",
   "terms": [
    {
     "gloss": "Grupa wiadomości i stanu należących do jednej rozmowy.",
     "term": "sesja"
    },
    {
     "gloss": "Poprzednie wiadomości wybrane jako kontekst odpowiedzi.",
     "term": "historia rozmowy"
    },
    {
     "gloss": "Przekazanie rozmowy i jej kontekstu innemu wykonawcy.",
     "term": "handoff"
    }
   ],
   "terms_en": [
    {
     "gloss": "Messages and state belonging to a single conversation.",
     "term": "session"
    },
    {
     "gloss": "Previous messages selected as context for a response.",
     "term": "conversation history"
    },
    {
     "gloss": "Transferring a conversation and its context to another worker.",
     "term": "handoff"
    }
   ],
   "prereq": [
    "prompting",
    "memory"
   ],
   "keywords": [
    "dialogue state tracking",
    "conversation history",
    "session management",
    "conversation summarization",
    "intent recognition",
    "human handoff"
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/chatbots",
   "markdown_url": "https://aiatlasgraph.com/t/chatbots.md",
   "updated": "2026-10-30"
  },
  "chattemplates": {
   "id": "chattemplates",
   "parent_id": "posttraining",
   "label": "Szablony czatu i formaty rozmów",
   "canonical_name": "Chat templates and conversation formats",
   "description": "Jak rozmowa jest zapisana w zbiorze i zamieniona na tekst dla modelu. Szablon z treningu musi się zgadzać przy uruchomieniu.",
   "description_en": "How a conversation is stored in a dataset and turned into text for the model. The training template has to match at inference.",
   "examples": "ShareGPT · format OpenAI/HF · ChatML · Alpaca",
   "examples_en": "ShareGPT · OpenAI/HF format · ChatML · Alpaca",
   "plain": "To ustalony sposób zapisywania rozmowy, żeby model rozpoznawał role, wiadomości i początek swojej odpowiedzi.",
   "plain_en": "This formats conversations so a model recognises roles, messages and where its response starts.",
   "solves": "Model odpowiada dziwnie, gdy wiadomości są zapisane inaczej niż rozmowy używane podczas jego uczenia.",
   "solves_en": "A model responds oddly when messages are formatted differently from the conversations used in training.",
   "does": "Szablon dodaje właściwe znaczniki i kolejność wiadomości; aplikacja powinna stosować format zgodny z treningiem danego modelu.",
   "does_en": "A template adds appropriate markers and message order; an application should use the format matching that model's training.",
   "example": "Po zmianie modelu sprawdzasz szablon rozmowy, żeby nie traktował treści użytkownika jak własnej wcześniejszej odpowiedzi.",
   "example_en": "After changing models, you check the conversation template so user content is not interpreted as the model's earlier reply.",
   "for_you": [
    "uruchamiasz model rozmów",
    "zmieniasz model i format przekazywanych wiadomości"
   ],
   "for_you_en": [
    "run a conversational model",
    "change models and message formats"
   ],
   "how": "Szablon zamienia role, treści i granice wiadomości na sekwencję tokenów właściwą dla modelu. Znaczniki rozpoczęcia odpowiedzi i zakończenia tury łączą format danych treningowych z wejściem używanym podczas generowania.",
   "how_en": "A template converts roles, content and message boundaries into a model-specific token sequence. Response-start and turn-end markers connect training-data formats with inputs used during generation.",
   "limits": "Niezgodny szablon zmienia znaczenie ról lub wywołuje nieoczekiwane kontynuacje. Podwójne znaczniki specjalne i błędne maskowanie zaburzają trening; format narzędzi zależy od konkretnej receptury modelu.",
   "limits_en": "Mismatched templates alter role meanings or trigger unexpected continuations. Duplicate special markers and incorrect masking disrupt training; tool formats depend on the model's specific recipe.",
   "terms": [
    {
     "gloss": "Symbol wyznaczający strukturę lub sterowanie zamiast zwykłej treści.",
     "term": "token specjalny"
    },
    {
     "gloss": "Końcowy fragment wejścia wskazujący, gdzie model zaczyna własną wiadomość.",
     "term": "prefiks odpowiedzi"
    }
   ],
   "terms_en": [
    {
     "gloss": "A symbol marking structure or control rather than ordinary content.",
     "term": "special token"
    },
    {
     "gloss": "The final input segment indicating where the model starts its message.",
     "term": "response prefix"
    }
   ],
   "prereq": [
    "tokenization",
    "structured"
   ],
   "keywords": [
    "ChatML",
    "ShareGPT",
    "Alpaca format",
    "Jinja templates",
    "role tokens",
    "generation prompt",
    "turn-end tokens"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/chattemplates",
   "markdown_url": "https://aiatlasgraph.com/t/chattemplates.md",
   "updated": "2026-10-30"
  },
  "cheatdetection": {
   "id": "cheatdetection",
   "parent_id": "playermodeling",
   "label": "Behawioralne wykrywanie oszustw w grach",
   "canonical_name": "Behavioural cheat detection in games",
   "aliases": [
    "behavioural cheat detection",
    "behavioral cheat detection",
    "aimbot detection",
    "triggerbot detection",
    "behawioralne wykrywanie oszustw",
    "wykrywanie aimbotów"
   ],
   "description": "Klasyfikowanie programów oszukujących po wielowymiarowych szeregach czasowych wejścia gracza, bez dostępu do danych z wnętrza gry.",
   "description_en": "Classifying cheating programs from multivariate time series of player input, without access to in-game data.",
   "plain": "Model analizuje rytm ruchów myszy i naciskania klawiszy, by rozpoznać automatyczne celowanie lub strzelanie.",
   "plain_en": "A model analyses the rhythm of mouse movement and key presses to recognise automated aiming or firing.",
   "solves": "Oszuści psują zabawę uczciwym graczom, a klasyczne zabezpieczenia szukające znanych programów łatwo ominąć nową wersją oszustwa.",
   "solves_en": "Cheaters ruin the fun for honest players, and classic protections that look for known programs are easy to dodge with a new version.",
   "does": "Działa jak sędzia, który nie sprawdza kieszeni, tylko patrzy na zachowanie: człowiek nie celuje idealnie w ułamek sekundy przez cały mecz.",
   "does_en": "It acts like a referee who checks behaviour, not pockets: no human aims perfectly within a split second for a whole match.",
   "example": "W strzelance sieciowej konto, które zawsze trafia w głowę natychmiast po pojawieniu się rywala, trafia do kolejki weryfikacji.",
   "example_en": "In an online shooter, an account that always hits the head the instant a rival appears gets queued for review.",
   "for_you": [
    "grasz w gry sieciowe i denerwują cię oszuści",
    "prowadzisz serwer lub grę wieloosobową",
    "interesuje cię wykrywanie nietypowych zachowań"
   ],
   "for_you_en": [
    "play online games and hate cheaters",
    "run a server or a multiplayer game",
    "are interested in spotting unusual behaviour"
   ],
   "how": "Ruchy myszy i użycie klawiatury są zapisywane jako wielowymiarowy szereg czasowy. Sieć splotowa klasyfikuje fragmenty takiego sygnału jako uczciwą rozgrywkę albo użycie aimbota bądź triggerbota.",
   "how_en": "Mouse movement and keyboard use are recorded as a multivariate time series. A convolutional network classifies signal segments as legitimate play or the use of an aimbot or triggerbot.",
   "limits": "Badanie źródłowe obejmuje aimboty i triggerboty na danych autorów; nie dowodzi skuteczności wobec botów grających samodzielnie, nowych klas oszustw ani każdej gry. Metoda potrzebuje oznaczonych przykładów uczciwej i oszukańczej gry.",
   "limits_en": "The cited study covers aimbots and triggerbots on the authors' data; it does not establish effectiveness against autonomous game bots, unseen cheat classes, or every game. The method needs labelled examples of legitimate and cheating play.",
   "terms": [
    {
     "gloss": "Program, który sam naprowadza celownik na przeciwnika.",
     "term": "aimbot"
    },
    {
     "gloss": "Program, który sam strzela, gdy celownik najedzie na wroga.",
     "term": "triggerbot"
    },
    {
     "gloss": "Automatycznie zbierane dane o tym, co gracz robi w grze.",
     "term": "telemetria"
    }
   ],
   "terms_en": [
    {
     "gloss": "A program that steers the crosshair onto opponents by itself.",
     "term": "aimbot"
    },
    {
     "gloss": "A program that fires automatically when the crosshair is on an enemy.",
     "term": "triggerbot"
    },
    {
     "gloss": "Automatically collected data on what a player does in the game.",
     "term": "telemetry"
    }
   ],
   "prereq": [
    "cnn"
   ],
   "keywords": [
    "anti-cheat",
    "aimbot detection",
    "triggerbot",
    "server-side anti-cheat",
    "VACnet",
    "game bot detection",
    "multivariate time series classification",
    "behavioral biometrics"
   ],
   "source_ids": [
    "pinto-cheat-detection-mlj-2021"
   ],
   "url": "https://aiatlasgraph.com/t/cheatdetection",
   "markdown_url": "https://aiatlasgraph.com/t/cheatdetection.md",
   "updated": "2026-10-30"
  },
  "chemistry": {
   "id": "chemistry",
   "parent_id": "aiscience",
   "label": "Chemia i odkrywanie leków",
   "canonical_name": "Chemistry and drug discovery",
   "aliases": [
    "molecular machine learning",
    "AI drug discovery",
    "cheminformatics",
    "chemoinformatyka",
    "projektowanie leków"
   ],
   "description": "Modele dla małych cząsteczek: przewidywanie właściwości, generowanie nowych struktur, dokowanie do białek i planowanie syntezy.",
   "description_en": "Models for small molecules: property prediction, generating new structures, docking to proteins and synthesis planning.",
   "plain": "Uczenie maszynowe pomagające wybierać, projektować i oceniać cząsteczki, zanim chemik je zsyntetyzuje.",
   "plain_en": "Machine learning that helps choose, design and assess molecules before a chemist synthesises them.",
   "solves": "Możliwych cząsteczek przypominających leki jest niewyobrażalnie dużo, a każda synteza i test to tygodnie pracy.",
   "solves_en": "There are unimaginably many possible drug-like molecules, and each synthesis and test takes weeks of work.",
   "does": "Działa jak sito przed laboratorium: odrzuca na komputerze tysiące słabych kandydatów i zostawia garść wartych sprawdzenia.",
   "does_en": "It works like a sieve in front of the lab: it discards thousands of weak candidates on a computer and leaves a handful worth testing.",
   "example": "Firma farmaceutyczna przesiewa na komputerze miliony związków, a do probówek trafia tylko kilkaset najbardziej obiecujących.",
   "example_en": "A drug company screens millions of compounds on a computer, and only a few hundred of the most promising reach the test tubes.",
   "for_you": [
    "pracujesz w farmacji, chemii lub biotechnologii",
    "ciekawi cię, jak skraca się drogę do nowego leku"
   ],
   "for_you_en": [
    "work in pharma, chemistry or biotech",
    "are curious how the road to a new drug gets shorter"
   ],
   "how": "Cząsteczki reprezentuje się jako napisy SMILES, bitowe odciski palców, grafy atomów lub chmury 3D. Na tych reprezentacjach działają modele właściwości, generatory kandydatów i modele wiązania, które razem przyspieszają cykl projektuj–syntetyzuj–testuj–analizuj.",
   "how_en": "Molecules are represented as SMILES strings, bit fingerprints, atom graphs or 3D point clouds. Property models, candidate generators and binding models work on these representations and together speed up the design–make–test–analyse cycle.",
   "limits": "Zbiory danych są małe, niezbalansowane i zaszumione, a losowy podział zawyża wyniki. Wygenerowane cząsteczki bywają trudne do syntezy; obliczenia nie zastąpią testów toksyczności i badań klinicznych.",
   "limits_en": "Datasets are small, imbalanced and noisy, and random splits inflate results. Generated molecules can be hard to synthesise; computation cannot replace toxicity testing and clinical trials.",
   "terms": [
    {
     "gloss": "Zapis budowy cząsteczki jako krótkiego napisu z liter i znaków.",
     "term": "SMILES"
    },
    {
     "gloss": "Właściwości leku w organizmie: wchłanianie, rozkład, metabolizm, wydalanie, toksyczność.",
     "term": "ADMET"
    },
    {
     "gloss": "Test na cząsteczkach o innym szkielecie niż treningowe, by uniknąć zawyżonych wyników.",
     "term": "podział wg rusztowań"
    }
   ],
   "terms_en": [
    {
     "gloss": "A molecule's structure written as a short string of letters and symbols.",
     "term": "SMILES"
    },
    {
     "gloss": "A drug's behaviour in the body: absorption, distribution, metabolism, excretion, toxicity.",
     "term": "ADMET"
    },
    {
     "gloss": "Testing on molecules with different core structures than training ones, avoiding inflated results.",
     "term": "scaffold split"
    }
   ],
   "prereq": [
    "splitstrategies",
    "supervised"
   ],
   "keywords": [
    "RDKit",
    "DeepChem",
    "MoleculeNet",
    "SMILES",
    "molecular fingerprints",
    "QSAR",
    "ADMET prediction",
    "retrosynthesis",
    "virtual screening"
   ],
   "source_ids": [
    "moleculenet-2017",
    "genai-drug-design-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/chemistry",
   "markdown_url": "https://aiatlasgraph.com/t/chemistry.md",
   "updated": "2026-10-30"
  },
  "chunking": {
   "id": "chunking",
   "parent_id": "retrieval",
   "label": "Dzielenie dokumentów",
   "canonical_name": "Document chunking",
   "description": "Cięcie dokumentów na fragmenty do indeksu, najlepiej według struktury i z metadanymi.",
   "description_en": "Cutting documents into indexable pieces, preferably by structure and with metadata.",
   "examples": "po nagłówkach · rekurencyjnie · metadane · ładowanie formatów",
   "examples_en": "by header · recursive · metadata · format loaders",
   "plain": "To dzielenie dokumentów na mniejsze fragmenty, które można osobno odnaleźć i podać modelowi.",
   "plain_en": "This splits documents into smaller passages that can be found individually and given to a model.",
   "solves": "Potrzebna odpowiedź ginie w długim dokumencie, a przekazywanie całego tekstu zajmuje miejsce i zwiększa koszt.",
   "solves_en": "The answer you need is buried in a long document, while sending the whole text takes space and costs more.",
   "does": "Może dzielić tekst według nagłówków i zachowywać informację, z którego dokumentu oraz miejsca pochodzi każdy fragment.",
   "does_en": "It can split text at headings and keep a record of the document and location each passage came from.",
   "example": "Pytasz o konserwację pralki, a asystent otrzymuje rozdział o czyszczeniu filtra z długiej instrukcji obsługi.",
   "example_en": "You ask about washing machine maintenance, and the assistant receives the filter cleaning section from a long manual.",
   "for_you": [
    "pracujesz z długimi instrukcjami lub umowami",
    "chcesz znajdować konkretne fragmenty zamiast całych dokumentów"
   ],
   "for_you_en": [
    "work with long manuals or contracts",
    "want specific passages instead of entire documents"
   ],
   "how": "Dokument dzieli się według długości, nagłówków lub granic znaczeniowych, zachowując identyfikator i położenie fragmentów. Fragmenty otrzymują embeddingi lub wpisy indeksu słów, a opcjonalne nakładanie zakresów pomaga zachować informacje przecinające granicę podziału.",
   "how_en": "Documents are split by length, headings or semantic boundaries while retaining passage identifiers and locations. Passages receive embeddings or lexical index entries, and optional overlap helps preserve information crossing a split boundary.",
   "limits": "Małe fragmenty tracą kontekst, a duże mogą zawierać wiele niepowiązanych treści. Nakładanie zwiększa rozmiar indeksu i powtarzalność wyników; rozmiar podziału należy oceniać na rzeczywistych pytaniach.",
   "limits_en": "Small passages lose context, while large ones can contain unrelated material. Overlap increases index size and result duplication; chunk size should be evaluated on actual questions.",
   "terms": [
    {
     "gloss": "Fragment dokumentu traktowany jako jednostka wyszukiwania.",
     "term": "chunk"
    },
    {
     "gloss": "Wspólny zakres treści sąsiednich fragmentów.",
     "term": "overlap"
    },
    {
     "gloss": "Informacje o pochodzeniu, położeniu i właściwościach fragmentu.",
     "term": "metadane fragmentu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A document passage treated as a retrieval unit.",
     "term": "chunk"
    },
    {
     "gloss": "Content shared between neighboring passages.",
     "term": "overlap"
    },
    {
     "gloss": "Information about a passage's origin, location and properties.",
     "term": "chunk metadata"
    }
   ],
   "prereq": [
    "tokenization",
    "textextraction"
   ],
   "keywords": [
    "header-based splitting",
    "recursive text splitting",
    "semantic chunking",
    "chunk overlap",
    "token-based splitting",
    "document loaders",
    "chunk metadata"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/chunking",
   "markdown_url": "https://aiatlasgraph.com/t/chunking.md",
   "updated": "2026-10-30"
  },
  "churnprediction": {
   "id": "churnprediction",
   "parent_id": "playermodeling",
   "label": "Przewidywanie odejść graczy",
   "canonical_name": "Player churn prediction",
   "aliases": [
    "churn prediction",
    "player churn",
    "player retention modelling",
    "przewidywanie rezygnacji",
    "retencja graczy",
    "odpływ graczy"
   ],
   "description": "Klasyfikacja przewidująca, czy gracz przestanie grać w zadanym oknie, na podstawie telemetrii sesji i zagregowanych cech aktywności.",
   "description_en": "Classification predicting whether a player will stop playing within a defined window, based on session telemetry and aggregated activity features.",
   "plain": "Odgadywanie z zachowania w grze, którzy gracze wkrótce przestaną grać, żeby zdążyć coś zmienić.",
   "plain_en": "Guessing from in-game behaviour which players will soon stop playing, in time to change something.",
   "solves": "Większość osób porzuca darmowe gry po kilku dniach, a twórcy dowiadują się o tym dopiero wtedy, gdy już ich nie ma.",
   "solves_en": "Most people abandon free games within days, and developers only find out once they are already gone.",
   "does": "Jak barman, który widzi, że stały klient zagląda coraz rzadziej i krócej, więc zaprasza go na wieczór z jego ulubioną muzyką.",
   "does_en": "Like a barman noticing a regular coming less often and staying shorter, and inviting them to a night with their favourite music.",
   "example": "Gra logiczna na telefon zauważa, że od tygodnia grasz coraz krócej, i podsuwa ci nowy rodzaj łamigłówek.",
   "example_en": "A puzzle game on your phone notices your sessions shrinking for a week and offers you a new kind of puzzle.",
   "for_you": [
    "prowadzisz grę lub aplikację z subskrypcją",
    "analizujesz dane o zachowaniu użytkowników"
   ],
   "for_you_en": [
    "run a game or subscription app",
    "analyse user behaviour data"
   ],
   "how": "Z telemetrii buduje się sekwencje aktywności oraz podsumowania, np. liczbę i długość sesji, przerwy, postępy i zakupy. Sieć neuronowa łączy oba typy danych i przewiduje odejście w zadanym oknie.",
   "how_en": "Telemetry is turned into activity sequences and summaries such as session count and length, gaps, progress and purchases. A neural network combines both kinds of data and predicts churn within a defined window.",
   "limits": "Definicja odejścia jest umowna, bo gracze wracają po przerwie. Model wskazuje, kto odejdzie, ale nie dlaczego ani co pomoże. Wykorzystanie prognoz do agresywnych zachęt zakupowych budzi zastrzeżenia etyczne.",
   "limits_en": "The definition of churn is arbitrary because players return after breaks. The model shows who will leave, not why or what will help. Using predictions for aggressive purchase nudges raises ethical concerns.",
   "terms": [
    {
     "gloss": "Odejście użytkownika, który przestaje korzystać z gry lub usługi.",
     "term": "churn"
    },
    {
     "gloss": "Odsetek graczy, którzy wracają siódmego dnia po instalacji.",
     "term": "retencja D7"
    }
   ],
   "terms_en": [
    {
     "gloss": "A user leaving, i.e. stopping use of a game or service.",
     "term": "churn"
    },
    {
     "gloss": "Share of players who return on day seven after install.",
     "term": "D7 retention"
    }
   ],
   "prereq": [
    "supervised"
   ],
   "keywords": [
    "churn prediction",
    "player retention modelling",
    "retention",
    "freemium games",
    "sequence models"
   ],
   "source_ids": [
    "kristensen-burelli-churn-2022"
   ],
   "url": "https://aiatlasgraph.com/t/churnprediction",
   "markdown_url": "https://aiatlasgraph.com/t/churnprediction.md",
   "updated": "2026-10-30"
  },
  "circuittracing": {
   "id": "circuittracing",
   "parent_id": "mechinterp",
   "label": "Obwody i grafy atrybucji (circuit tracing)",
   "canonical_name": "Circuits and attribution graphs",
   "aliases": [
    "circuit tracing",
    "attribution graphs",
    "circuits",
    "obwody",
    "cross-layer transcoders"
   ],
   "description": "Budowanie przybliżonego grafu cech i połączeń, które mogą pośredniczyć w obliczeniu prowadzącym do odpowiedzi modelu. Graf wymaga walidacji interwencjami i nie gwarantuje kompletnego, wiernego odtworzenia mechanizmu.",
   "description_en": "Building an approximate graph of features and connections that may mediate the computation behind a model answer. The graph requires intervention-based validation and does not guarantee a complete, faithful reconstruction of the mechanism.",
   "examples": "grafy atrybucji · transkodery międzywarstwowe · model zastępczy · walidacja przez perturbacje",
   "examples_en": "attribution graphs · cross-layer transcoders · replacement model · validation by perturbation",
   "plain": "To tworzenie przybliżonej mapy wewnętrznych sygnałów i połączeń mogących prowadzić do odpowiedzi modelu.",
   "plain_en": "This builds an approximate map of internal signals and connections that may produce a model answer.",
   "solves": "Pojedyncze rozpoznane sygnały nie pokazują, jak łączą się w kolejne kroki obliczenia.",
   "solves_en": "Individual identified signals do not show how they combine into successive calculation steps.",
   "does": "Łączy badane składniki w graf z użyciem modelu pomocniczego i sprawdza przewidywane zależności przez interwencje; mapa może pomijać część mechanizmu.",
   "does_en": "It connects studied components in a graph using a supporting model and tests predicted links through interventions; the map may miss mechanisms.",
   "example": "Dla pytania o znany fakt oglądasz mapę połączeń, a potem zmieniasz wybrane sygnały, żeby sprawdzić przewidywany wpływ.",
   "example_en": "For a factual question, you inspect a connection map and then alter selected signals to test their predicted effects.",
   "for_you": [
    "chcesz badać połączenia między wewnętrznymi składnikami modelu",
    "możesz sprawdzać hipotezy przez kontrolowane interwencje"
   ],
   "for_you_en": [
    "want to examine links between internal model components",
    "can test hypotheses through controlled interventions"
   ],
   "how": "Wyuczony model zastępczy aproksymuje fragmenty sieci czytelniejszymi cechami i połączeniami. Atrybucja dla konkretnego wejścia buduje graf kandydackich zależności, którego hipotezy sprawdza się interwencjami w oryginalnym modelu.",
   "how_en": "A learned replacement model approximates network components with more readable features and connections. Attribution for a particular input builds a graph of candidate dependencies, whose hypotheses are tested through original-model interventions.",
   "limits": "Aproksymacja pomija część obliczeń i może zniekształcać zależności. Przycięty graf nie jest pełnym mechanizmem; zgodność z predykcją wymaga dodatkowej walidacji interwencyjnej.",
   "limits_en": "Approximation omits computations and can distort dependencies. A pruned graph is not a complete mechanism; prediction agreement requires additional intervention-based validation.",
   "terms": [
    {
     "gloss": "Model przybliżający przekształcenia sieci za pomocą wyuczonego słownika cech.",
     "term": "transkoder"
    },
    {
     "gloss": "Przybliżone powiązania wkładów cech w wynik dla konkretnego wejścia.",
     "term": "graf atrybucji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model approximating network transformations using a learned feature dictionary.",
     "term": "transcoder"
    },
    {
     "gloss": "Approximate feature-contribution relationships for a particular input's output.",
     "term": "attribution graph"
    }
   ],
   "prereq": [
    "sae",
    "activationpatching"
   ],
   "keywords": [
    "attribution graphs",
    "cross-layer transcoders",
    "replacement models",
    "feature interactions",
    "perturbation validation"
   ],
   "source_ids": [
    "open-problems-mechinterp-2025",
    "anthropic-circuit-tracing-2025"
   ],
   "url": "https://aiatlasgraph.com/t/circuittracing",
   "markdown_url": "https://aiatlasgraph.com/t/circuittracing.md",
   "updated": "2026-10-30"
  },
  "citationcheck": {
   "id": "citationcheck",
   "parent_id": "legalsearch",
   "label": "Zmyślone orzeczenia i weryfikacja cytowań",
   "canonical_name": "Legal hallucinations and citation verification",
   "aliases": [
    "legal hallucinations",
    "fake case citations",
    "citation verification",
    "hallucinated case law",
    "fabricated citations",
    "zmyślone wyroki",
    "halucynacje prawne"
   ],
   "description": "Badanie i wykrywanie zmyślonych lub błędnie przytoczonych źródeł prawa w odpowiedziach modeli oraz automatyczna weryfikacja cytowań w pismach.",
   "description_en": "Studying and detecting invented or misquoted legal authorities in model outputs, and automated verification of citations in filings.",
   "plain": "Modele potrafią wymyślić nieistniejący wyrok z sygnaturą i cytatem; weryfikacja cytowań sprawdza, czy każde powołane źródło istnieje i mówi to, co twierdzi pismo.",
   "plain_en": "Models can invent a ruling, complete with case number and quotation; citation checking confirms each cited source exists and says what the filing claims.",
   "solves": "Pismo z fałszywym orzeczeniem może skończyć się karą dla prawnika i przegraną sprawą, a fałszywki wyglądają zupełnie wiarygodnie.",
   "solves_en": "A filing with a fake ruling can bring sanctions on the lawyer and a lost case, and the fakes look entirely convincing.",
   "does": "Jak korektor, który przy każdym przypisie idzie do archiwum, wyciąga dokument i porównuje cytat słowo w słowo.",
   "does_en": "Like a proofreader who goes to the archive for every footnote, pulls the document and compares the quotation word for word.",
   "example": "Sąd otrzymuje pismo z kilkoma orzeczeniami, których nikt nie umie znaleźć; okazuje się, że wymyślił je czatbot użyty do napisania pisma.",
   "example_en": "A court receives a filing citing several rulings nobody can find; it turns out a chatbot used to write it made them up.",
   "for_you": [
    "piszesz pismo do sądu z pomocą AI",
    "sprawdzasz pracę prawników lub studentów",
    "prowadzisz sprawę sam, bez adwokata"
   ],
   "for_you_en": [
    "write a court filing with AI help",
    "review the work of lawyers or students",
    "represent yourself without a lawyer"
   ],
   "how": "Ocena rozdziela dwa wymiary: poprawność odpowiedzi oraz ugruntowanie kluczowych tez w przywołanych źródłach. Odpowiedź może być błędna, poprawna lecz źle ugruntowana (źródło nie wspiera tezy) albo poprawna, ale bez cytowania. Weryfikacja sprawdza więc zarówno istnienie i aktualność źródła, jak i to, czy wspiera ono konkretną tezę; RAG zmniejsza, lecz nie usuwa problemu.",
   "how_en": "Evaluation separates two dimensions: answer correctness and whether key claims are grounded in the cited sources. An answer may be incorrect, correct but misgrounded (the source does not support the claim), or correct but uncited. Verification therefore checks both whether a source exists and remains valid, and whether it supports the specific proposition; RAG reduces but does not eliminate the problem.",
   "limits": "Sprawdzenie, że wyrok istnieje, jest łatwe; trudniej ocenić, czy faktycznie wspiera argument i nadal obowiązuje w danej jurysdykcji. Modele często przyjmują błędne założenie z pytania i nie wiedzą, kiedy się mylą. Osoba składająca pismo musi więc samodzielnie zweryfikować przywołane źródła.",
   "limits_en": "Checking that a case exists is relatively easy; determining whether it actually supports an argument and remains good law in the relevant jurisdiction is harder. Models often accept a question's false premise and do not know when they are wrong. The person filing a document must therefore independently verify every cited authority.",
   "terms": [
    {
     "gloss": "Unikalny numer sprawy sądowej, po którym można ją odnaleźć.",
     "term": "sygnatura"
    },
    {
     "gloss": "Oparcie odpowiedzi na konkretnych, sprawdzalnych źródłach.",
     "term": "ugruntowanie"
    },
    {
     "gloss": "Skłonność modelu do zgadzania się z błędnym założeniem pytania.",
     "term": "contra-factual bias"
    }
   ],
   "terms_en": [
    {
     "gloss": "A court case's unique number used to look it up.",
     "term": "docket number"
    },
    {
     "gloss": "Basing an answer on specific, verifiable sources.",
     "term": "grounding"
    },
    {
     "gloss": "A model's tendency to go along with a false premise in the question.",
     "term": "contra-factual bias"
    }
   ],
   "prereq": [
    "hallucinationdetect",
    "retrieval"
   ],
   "keywords": [
    "Mata v. Avianca",
    "citation checking",
    "Shepardizing",
    "KeyCite",
    "RAG faithfulness",
    "hallucination typology",
    "AI hallucination cases database"
   ],
   "source_ids": [
    "magesh-legal-rag-hallucination-2024",
    "dahl-legal-fictions-2024",
    "unc-handling-hallucinations-2026"
   ],
   "url": "https://aiatlasgraph.com/t/citationcheck",
   "markdown_url": "https://aiatlasgraph.com/t/citationcheck.md",
   "updated": "2026-10-30"
  },
  "claimsdamage": {
   "id": "claimsdamage",
   "parent_id": "insuranceai",
   "label": "Ocena szkód ze zdjęć w likwidacji szkód",
   "canonical_name": "Photo-based damage assessment for insurance claims",
   "aliases": [
    "car damage detection",
    "vehicle damage assessment",
    "claims automation",
    "photo claims",
    "ocena szkód ze zdjęć"
   ],
   "description": "Detekcja i segmentacja typów uszkodzeń (wgniecenie, rysa, pęknięcie, stłuczona szyba) na zdjęciach pojazdów w procesie likwidacji szkód.",
   "description_en": "Detection and segmentation of damage types (dent, scratch, crack, shattered glass) in vehicle photos for claims processing.",
   "plain": "Rozpoznawanie na zdjęciach rodzaju i miejsca widocznego uszkodzenia, żeby szybciej obsłużyć zgłoszenie szkody.",
   "plain_en": "Recognising the type and location of visible damage in photos to process a claim faster.",
   "solves": "Czekanie na rzeczoznawcę przy drobnej szkodzie trwa dni i kosztuje, choć wiele przypadków wygląda podobnie.",
   "solves_en": "Waiting days for an adjuster on a minor claim is slow and costly, even though many cases look alike.",
   "does": "Zaznacza na zdjęciu widoczne wgniecenia, rysy, pęknięcia i stłuczone szyby, pomagając rzeczoznawcy szybciej przejrzeć zgłoszenie.",
   "does_en": "Marks visible dents, scratches, cracks and shattered glass in a photo, helping an adjuster review the claim faster.",
   "example": "Po parkingowej stłuczce robisz telefonem kilka zdjęć zderzaka, a aplikacja zaznacza widoczne wgniecenie do dalszej oceny.",
   "example_en": "After a parking scrape you take a few phone photos of the bumper, and the app marks the visible dent for further assessment.",
   "for_you": [
    "zgłaszasz szkodę komunikacyjną przez aplikację",
    "budujesz systemy rozpoznawania obrazów dla firm"
   ],
   "for_you_en": [
    "file a car claim through an app",
    "build image recognition systems for businesses"
   ],
   "how": "Modele detekcji i segmentacji instancji, np. z rodziny Mask R-CNN, uczą się na oznaczonych zdjęciach szkód. Publiczny zbiór CarDD zawiera ok. 4 tys. zdjęć i ponad 9 tys. instancji w sześciu klasach. Model lokalizuje i klasyfikuje widoczne uszkodzenia, a niepewne przypadki trafiają do człowieka; sama segmentacja nie wycenia naprawy ani nie ujawnia szkód ukrytych.",
   "how_en": "Detection and instance-segmentation models, e.g. from the Mask R-CNN family, are trained on labelled damage photos. The public CarDD set has about 4,000 images and over 9,000 instances in six classes. The model locates and classifies visible damage, while uncertain cases go to a person; segmentation alone neither prices repairs nor reveals hidden damage.",
   "limits": "Wgniecenia, rysy i pęknięcia są małe i podobne do siebie, a odblaski lakieru dają fałszywe alarmy. Zdjęcia nie pokazują uszkodzeń ukrytych pod karoserią. Spreparowane lub cudze zdjęcia wymagają osobnej kontroli autentyczności.",
   "limits_en": "Dents, scratches and cracks are small and look alike, and paint reflections cause false alarms. Photos miss damage hidden under the body. Doctored or borrowed photos need separate authenticity checks.",
   "terms": [
    {
     "gloss": "Zaznaczenie dokładnego obrysu każdego osobnego obiektu na zdjęciu.",
     "term": "segmentacja instancji"
    },
    {
     "gloss": "Miara trafności zaznaczonych obrysów obiektów.",
     "term": "mask AP"
    },
    {
     "gloss": "Rozpatrzenie sprawy automatycznie, bez ręcznego kroku.",
     "term": "straight-through processing"
    }
   ],
   "terms_en": [
    {
     "gloss": "Outlining each separate object in an image precisely.",
     "term": "instance segmentation"
    },
    {
     "gloss": "Accuracy measure for predicted object outlines.",
     "term": "mask AP"
    },
    {
     "gloss": "Handling a case automatically, with no manual step.",
     "term": "straight-through processing"
    }
   ],
   "prereq": [
    "instanceseg"
   ],
   "keywords": [
    "CarDD",
    "Mask R-CNN",
    "instance segmentation",
    "vehicle damage detection",
    "claims automation",
    "straight-through processing",
    "image forensics"
   ],
   "source_ids": [
    "cardd-2022"
   ],
   "url": "https://aiatlasgraph.com/t/claimsdamage",
   "markdown_url": "https://aiatlasgraph.com/t/claimsdamage.md",
   "updated": "2026-10-30"
  },
  "classicalplanning": {
   "id": "classicalplanning",
   "parent_id": "search",
   "label": "Planowanie automatyczne (PDDL)",
   "canonical_name": "Automated planning (PDDL)",
   "description": "Wyznaczanie sekwencji akcji prowadzącej do celu z formalnego opisu świata; dziś także jako weryfikowalne wsparcie planowania agentów LLM.",
   "description_en": "Finding a sequence of actions that reaches a goal from a formal world description; today also as verifiable support for LLM agent planning.",
   "examples": "PDDL · STRIPS · planery klasyczne · LLM + planer",
   "examples_en": "PDDL · STRIPS · classical planners · LLM + planner",
   "plain": "To układanie kolejności działań, które mają doprowadzić opisaną sytuację do wybranego celu.",
   "plain_en": "This arranges actions to take a described situation towards a chosen goal.",
   "solves": "Wiesz, co chcesz osiągnąć, ale niektóre czynności są możliwe dopiero po wykonaniu innych.",
   "solves_en": "You know what you want to achieve, but some actions become possible only after others are completed.",
   "does": "Opisuje wymagania i skutki każdego działania, a potem szuka sekwencji, w której spełnione warunki pozwalają przejść do celu.",
   "does_en": "It describes each action's requirements and effects, then searches for a sequence whose conditions allow progress towards the goal.",
   "example": "Program planuje załadunek paczki: najpierw otwarcie magazynu, potem pobranie paczki i dopiero przeniesienie jej do samochodu.",
   "example_en": "Software plans loading a parcel: first open the warehouse, then retrieve the parcel, then carry it to the vehicle.",
   "for_you": [
    "twoje działania mają warunki i zmieniają sytuację",
    "potrzebujesz wykonalnej kolejności czynności"
   ],
   "for_you_en": [
    "perform actions with prerequisites that change the situation",
    "need a feasible sequence of tasks"
   ],
   "how": "Model opisuje stan faktami, a działania warunkami wstępnymi i efektami. Planner szuka sekwencji prowadzącej do celu, którą walidator sprawdza względem tego samego modelu świata.",
   "how_en": "A model describes states as facts and actions through preconditions and effects. A planner searches for a goal-reaching sequence, which a validator checks against the same world model.",
   "limits": "Klasyczny opis często zakłada znane, deterministyczne działania. Błędny model świata unieważnia plan w praktyce; czas, zasoby i niepewność wymagają bogatszych formalizacji.",
   "limits_en": "Classical descriptions often assume known, deterministic actions. Incorrect world models invalidate plans in practice; time, resources and uncertainty need richer formalisations.",
   "terms": [
    {
     "gloss": "Fakt wymagany, aby działanie było dopuszczalne w danym stanie.",
     "term": "warunek wstępny"
    },
    {
     "gloss": "Język opisu dziedzin planowania, działań i celów.",
     "term": "PDDL"
    }
   ],
   "terms_en": [
    {
     "gloss": "A fact required for an action to be allowed in a state.",
     "term": "precondition"
    },
    {
     "gloss": "A language describing planning domains, actions and goals.",
     "term": "PDDL"
    }
   ],
   "prereq": [
    "fol",
    "uninformedsearch"
   ],
   "keywords": [
    "PDDL",
    "STRIPS",
    "state-space planning",
    "preconditions and effects",
    "Fast Downward",
    "LLM+P"
   ],
   "source_ids": [
    "aima4",
    "llmp2023",
    "kambhampati2024llmmodulo"
   ],
   "url": "https://aiatlasgraph.com/t/classicalplanning",
   "markdown_url": "https://aiatlasgraph.com/t/classicalplanning.md",
   "updated": "2026-10-30"
  },
  "classicaugmentation": {
   "id": "classicaugmentation",
   "parent_id": "synthetic",
   "label": "Augmentacja danych (obraz i tekst)",
   "canonical_name": "Data augmentation for images and text",
   "aliases": [
    "data augmentation",
    "back-translation",
    "mixup"
   ],
   "description": "Tworzenie nowych przykładów przez przekształcanie istniejących — obracanie i kadrowanie zdjęć, parafrazy i tłumaczenie zwrotne tekstu.",
   "description_en": "Creating new examples by transforming existing ones — rotating and cropping images, paraphrasing and back-translating text.",
   "examples": "Kadrowanie, odbicie, zmiana kolorów · mixup · tłumaczenie zwrotne · zamiana synonimów",
   "examples_en": "Cropping, flipping, colour jitter · mixup · back-translation · synonym replacement",
   "plain": "To tworzenie wariantów istniejących zdjęć lub tekstów, które nadal przedstawiają tę samą ważną treść.",
   "plain_en": "This creates variations of existing images or text that preserve the meaning important to the task.",
   "solves": "Model przyzwyczaja się do jednego wyglądu lub sformułowania i gorzej radzi sobie z niewielką zmianą.",
   "solves_en": "A model gets used to one appearance or wording and struggles when it changes slightly.",
   "does": "Zmienia kadr, kolor lub słowa, pilnując, żeby przekształcenie nie zmieniło poprawnej odpowiedzi na zadanie.",
   "does_en": "It changes the crop, colour or wording while checking that the transformation preserves the task's correct answer.",
   "example": "Do zdjęcia produktu dodajesz ciemniejszy i inaczej wykadrowany wariant, żeby model ćwiczył rozpoznawanie także przy innym oświetleniu.",
   "example_en": "You add darker and differently cropped versions of a product photo so a model can practise recognising it under varied lighting.",
   "for_you": [
    "masz mało zdjęć lub tekstów do nauki",
    "model zawodzi po drobnej zmianie wyglądu lub słów"
   ],
   "for_you_en": [
    "have few images or texts for learning",
    "see failures after small changes in appearance or wording"
   ],
   "how": "Transformacje obrazu lub tekstu tworzą warianty próbek zgodne z przyjętymi niezmienniczościami zadania. Etykietę zachowuje się albo przelicza razem ze zmianą geometrii lub znaczenia wejścia.",
   "how_en": "Image or text transformations create sample variants consistent with the task's assumed invariances. Labels are preserved or recomputed when input geometry or meaning changes.",
   "limits": "Obrót może zmienić kategorię, a parafraza znaczenie wypowiedzi. Transformacje wymagają kontroli etykiet i realistycznego zakresu, zamiast stosowania identycznych reguł do każdego zadania.",
   "limits_en": "Rotation can change a category, and paraphrasing can change meaning. Transformations need label checks and realistic ranges rather than identical rules for every task.",
   "terms": [
    {
     "gloss": "Własność zadania pozwalająca zmienić wejście bez zmiany właściwej odpowiedzi.",
     "term": "niezmienniczość"
    },
    {
     "gloss": "Tłumaczenie tekstu na inny język i z powrotem w celu parafrazowania.",
     "term": "back-translation"
    }
   ],
   "terms_en": [
    {
     "gloss": "A task property allowing input changes without changing the correct answer.",
     "term": "invariance"
    },
    {
     "gloss": "Translating text into another language and back to produce a paraphrase.",
     "term": "back-translation"
    }
   ],
   "prereq": [
    "supervised"
   ],
   "keywords": [
    "random cropping",
    "horizontal flipping",
    "color jitter",
    "mixup",
    "back-translation",
    "synonym replacement"
   ],
   "source_ids": [
    "dcai-mit",
    "nlp-augmentation-survey-2021"
   ],
   "url": "https://aiatlasgraph.com/t/classicaugmentation",
   "markdown_url": "https://aiatlasgraph.com/t/classicaugmentation.md",
   "updated": "2026-10-30"
  },
  "classicforecasting": {
   "id": "classicforecasting",
   "parent_id": "timeseries",
   "label": "Klasyczne prognozowanie szeregów czasowych",
   "canonical_name": "Classical time-series forecasting",
   "description": "Modele statystyczne opisujące trend, sezonowość i zależność od przeszłych wartości; nadal mocny punkt odniesienia dla prognoz biznesowych.",
   "description_en": "Statistical models of trend, seasonality and dependence on past values; still a strong baseline for business forecasting.",
   "examples": "dekompozycja · wygładzanie wykładnicze (ETS) · ARIMA · Prophet",
   "examples_en": "decomposition · exponential smoothing (ETS) · ARIMA · Prophet",
   "plain": "To przewidywanie kolejnych wartości z dotychczasowych zmian, powtarzalnych cykli i zależności w czasie.",
   "plain_en": "This predicts future values from past changes, recurring cycles and dependencies over time.",
   "solves": "Potrzebujesz zaplanować zapasy lub obsadę, ale ostatni odczyt nie pokazuje sezonowości ani długofalowych zmian.",
   "solves_en": "You need to plan stock or staffing, but the latest reading does not reveal seasonal patterns or longer term changes.",
   "does": "Opisuje trend, powtarzalne wahania lub zależność od poprzednich wartości i wykorzystuje je do prognoz wraz z niepewnością.",
   "does_en": "It models trends, recurring fluctuations or dependence on previous values and uses them to forecast with uncertainty.",
   "example": "Sklep planuje dostawy, uwzględniając regularny wzrost zakupów przed weekendem i dłuższą zmianę popytu widoczną w historii.",
   "example_en": "A shop plans deliveries using recurring increases in purchases before weekends and longer term demand changes visible in its records.",
   "for_you": [
    "masz regularne pomiary zapisane w kolejności czasowej",
    "chcesz uwzględniać trend i powtarzalne cykle"
   ],
   "for_you_en": [
    "have regular measurements recorded in time order",
    "want to account for trends and recurring cycles"
   ],
   "how": "Modele autoregresyjne wiążą przyszłość z poprzednimi wartościami i błędami, często po różnicowaniu. Modele wygładzania aktualizują poziom, trend i sezonowość, wyprowadzając prognozy oraz niepewność z przyjętej struktury.",
   "how_en": "Autoregressive models relate future values to previous values and errors, often after differencing. Smoothing models update level, trend and seasonality, deriving forecasts and uncertainty from assumed structure.",
   "limits": "Zmiana reżimu może unieważnić historyczne zależności. Dobór sezonowości i transformacji wpływa na wynik; przedziały prognoz nie uwzględniają automatycznie nieprzewidzianych zdarzeń.",
   "limits_en": "Regime changes can invalidate historical relationships. Seasonality and transformation choices affect results; forecast intervals do not automatically account for unforeseen events.",
   "terms": [
    {
     "gloss": "Zależność wartości szeregu od jego wartości przy innych opóźnieniach.",
     "term": "autokorelacja"
    },
    {
     "gloss": "Zastąpienie wartości zmianami względem wcześniejszych obserwacji.",
     "term": "różnicowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Dependence between a series' values at different lags.",
     "term": "autocorrelation"
    },
    {
     "gloss": "Replacing values with changes relative to earlier observations.",
     "term": "differencing"
    }
   ],
   "prereq": [
    "distributions",
    "mle"
   ],
   "keywords": [
    "STL decomposition",
    "ETS",
    "ARIMA",
    "SARIMA",
    "Prophet",
    "differencing"
   ],
   "source_ids": [
    "hyndman-fpp3"
   ],
   "url": "https://aiatlasgraph.com/t/classicforecasting",
   "markdown_url": "https://aiatlasgraph.com/t/classicforecasting.md",
   "updated": "2026-10-30"
  },
  "classimbalance": {
   "id": "classimbalance",
   "parent_id": "cleaning",
   "label": "Niezbalansowane klasy i wartości odstające",
   "canonical_name": "Class imbalance and outliers",
   "aliases": [
    "class imbalance",
    "outliers",
    "resampling"
   ],
   "description": "Rozpoznawanie i obsługa danych, w których jedna klasa dominuje albo trafiają się nietypowe przykłady, zanim zepsują trening i ocenę.",
   "description_en": "Spotting and handling data where one class dominates or unusual examples appear, before they distort training and evaluation.",
   "examples": "Nadpróbkowanie i podpróbkowanie · wagi klas · wykrywanie outlierów",
   "examples_en": "Oversampling and undersampling · class weights · outlier detection",
   "plain": "To rozpoznawanie sytuacji, w których jedne przykłady dominują, a inne są rzadkie lub nietypowe.",
   "plain_en": "This identifies collections where some kinds of examples dominate and others are rare or unusual.",
   "solves": "Model może ignorować ważne rzadkie przypadki lub dopasowywać się do pojedynczych dziwnych wpisów.",
   "solves_en": "A model may ignore important rare cases or fit itself to a few unusual entries.",
   "does": "Sprawdza proporcje i odstające wpisy, a potem może zmienić częstość przykładów lub ich znaczenie podczas nauki.",
   "does_en": "It checks proportions and unusual entries, then can adjust how often examples appear or how much they matter during learning.",
   "example": "System ma wykrywać uszkodzone paczki, lecz zdjęcia całych paczek dominują; sprawdzasz, czy model nadal zauważa rzadkie uszkodzenia.",
   "example_en": "A parcel damage detector mostly learns from intact parcels, so you check whether it still notices the rare damaged ones.",
   "for_you": [
    "ważne przypadki zdarzają się rzadko",
    "masz nietypowe wpisy, które mogą wypaczać wyniki"
   ],
   "for_you_en": [
    "need a model to handle rare but important cases",
    "have unusual entries that could distort results"
   ],
   "how": "Częstości klas i rozkłady cech ujawniają dominujące grupy oraz nietypowe obserwacje. Resampling, wagi funkcji straty i odporne transformacje zmieniają wpływ próbek na uczenie, a metryki liczy się osobno dla klas.",
   "how_en": "Class frequencies and feature distributions reveal dominant groups and unusual observations. Resampling, loss weights and robust transformations change sample influence during training, while metrics are computed separately by class.",
   "limits": "Nadpróbkowanie może powielać szum, a odrzucanie odstających obserwacji usuwać prawdziwe zdarzenia. Zmiana proporcji treningowych wpływa na kalibrację i wymaga oceny przy rzeczywistych częstościach.",
   "limits_en": "Oversampling can repeat noise, while discarding outliers can remove real events. Changing training proportions affects calibration and requires evaluation at actual deployment frequencies.",
   "terms": [
    {
     "gloss": "Zmiana częstości wybierania próbek podczas treningu.",
     "term": "resampling"
    },
    {
     "gloss": "Mnożnik kosztu błędu dla przykładów danej kategorii.",
     "term": "waga klasy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Changing how frequently samples are selected during training.",
     "term": "resampling"
    },
    {
     "gloss": "A multiplier on error costs for examples in a category.",
     "term": "class weight"
    }
   ],
   "prereq": [
    "classmetrics",
    "supervised"
   ],
   "keywords": [
    "SMOTE",
    "random oversampling",
    "random undersampling",
    "class weights",
    "Isolation Forest",
    "robust scaling"
   ],
   "source_ids": [
    "dcai-mit"
   ],
   "url": "https://aiatlasgraph.com/t/classimbalance",
   "markdown_url": "https://aiatlasgraph.com/t/classimbalance.md",
   "updated": "2026-10-30"
  },
  "classmetrics": {
   "id": "classmetrics",
   "parent_id": "metrics",
   "label": "Metryki klasyfikacji i regresji",
   "canonical_name": "Classification and regression metrics",
   "aliases": [
    "precision",
    "recall",
    "F1",
    "ROC AUC",
    "confusion matrix",
    "macierz pomyłek",
    "MAE",
    "RMSE"
   ],
   "description": "Klasyczne mierniki dla modeli, które przewidują klasę albo liczbę. Wybór zależy od kosztu błędów i od tego, czy klasy są zrównoważone.",
   "description_en": "Classic measures for models that predict a class or a number. The choice depends on the cost of errors and whether classes are balanced.",
   "examples": "macierz pomyłek · precision/recall/F1 · ROC AUC · log loss · Brier · MAE/RMSE · R²",
   "examples_en": "confusion matrix · precision/recall/F1 · ROC AUC · log loss · Brier · MAE/RMSE · R²",
   "plain": "To liczby opisujące pomyłki modeli przewidujących kategorię albo wartość liczbową.",
   "plain_en": "These numbers describe errors made by models predicting a category or numerical value.",
   "solves": "Sama liczba trafień może ukrywać kosztowne pomyłki, zwłaszcza gdy jedna kategoria występuje znacznie rzadziej.",
   "solves_en": "Counting correct answers can hide costly errors, especially when one category occurs much less often.",
   "does": "Rozdziela rodzaje pomyłek kategorii albo mierzy wielkość błędu liczbowego, dobierając ocenę do kosztu i częstości różnych przypadków.",
   "does_en": "It separates category error types or measures numerical error sizes, matching evaluation to the costs and frequencies of different cases.",
   "example": "Dla filtra poczty osobno liczysz przepuszczone reklamy i ważne wiadomości błędnie odrzucone, bo mają inne skutki.",
   "example_en": "For an email filter, you separately count missed advertisements and wrongly rejected important messages because their consequences differ.",
   "for_you": [
    "model wybiera kategorię lub przewiduje liczbę",
    "różne pomyłki mają dla ciebie różny koszt"
   ],
   "for_you_en": [
    "have a model predicting categories or numbers",
    "face different costs for different errors"
   ],
   "how": "Macierz pomyłek zlicza trafienia i rodzaje błędów klasyfikacji dla wybranego progu. Przy regresji porównuje się predykcje z wartościami referencyjnymi, agregując błędy bezwzględne, kwadratowe lub zadaniowo ważone.",
   "how_en": "A confusion matrix counts correct predictions and classification error types at a chosen threshold. Regression compares predictions with reference values, aggregating absolute, squared or task-weighted errors.",
   "limits": "Accuracy maskuje błędy rzadkich klas, a błąd średni ukrywa ogony. Wyniki zależą od progu, skali i rozkładu danych; porównania wymagają tych samych warunków.",
   "limits_en": "Accuracy hides rare-class errors, while mean error hides tails. Results depend on thresholds, scale and data distribution; comparisons require matching conditions.",
   "terms": [
    {
     "gloss": "Odsetek poprawnych trafień wśród przykładów uznanych za pozytywne.",
     "term": "precision"
    },
    {
     "gloss": "Odsetek wykrytych przypadków spośród wszystkich rzeczywiście pozytywnych.",
     "term": "recall"
    },
    {
     "gloss": "Wielkość różnicy predykcji i wartości referencyjnej, bez znaku.",
     "term": "błąd bezwzględny"
    }
   ],
   "terms_en": [
    {
     "gloss": "The fraction of correct cases among predictions classified as positive.",
     "term": "precision"
    },
    {
     "gloss": "The fraction of actual positive cases successfully detected.",
     "term": "recall"
    },
    {
     "gloss": "The magnitude of prediction–reference differences, ignoring the sign.",
     "term": "absolute error"
    }
   ],
   "prereq": [
    "supervised"
   ],
   "keywords": [
    "confusion matrix",
    "precision-recall-F1",
    "ROC AUC",
    "log loss",
    "Brier score",
    "MAE",
    "RMSE",
    "R-squared"
   ],
   "source_ids": [
    "sklearn-model-evaluation"
   ],
   "url": "https://aiatlasgraph.com/t/classmetrics",
   "markdown_url": "https://aiatlasgraph.com/t/classmetrics.md",
   "updated": "2026-10-30"
  },
  "clauseextraction": {
   "id": "clauseextraction",
   "parent_id": "contractai",
   "label": "Wyszukiwanie klauzul w umowach",
   "canonical_name": "Contract clause extraction",
   "aliases": [
    "clause extraction",
    "contract clause identification",
    "clause classification",
    "provision extraction",
    "CUAD task",
    "wyciąganie klauzul",
    "ekstrakcja postanowień umownych"
   ],
   "description": "Lokalizowanie w umowie fragmentów odpowiadających zdefiniowanym kategoriom postanowień, zwykle jako ekstrakcja fragmentów tekstu na wzór pytań i odpowiedzi.",
   "description_en": "Locating contract passages matching defined provision categories, usually framed as question-answering-style span extraction.",
   "plain": "Program wskazuje w umowie konkretne fragmenty, np. czas trwania, prawo właściwe czy limit odpowiedzialności, które człowiek musi przeczytać.",
   "plain_en": "Software points to specific passages in a contract, such as duration, governing law or liability cap, that a person needs to read.",
   "solves": "Ważne zapisy są rozrzucone po kilkudziesięciu stronach i nazwane różnie w każdej umowie, więc ręczne szukanie jest wolne i zawodne.",
   "solves_en": "Key provisions are scattered over dozens of pages and named differently in each contract, so manual search is slow and unreliable.",
   "does": "Dla każdego pytania z listy, np. „czy jest zakaz konkurencji?”, zwraca dokładny fragment tekstu albo informację, że takiego zapisu nie ma.",
   "does_en": "For each checklist question, such as 'is there a non-compete?', it returns the exact text span or reports that no such provision exists.",
   "example": "Księgowa sprawdza, kiedy wygasają umowy licencyjne; program wyciąga z każdej datę końca i warunki automatycznego przedłużenia.",
   "example_en": "An accountant checks when licence agreements expire; the software pulls each one's end date and auto-renewal terms.",
   "for_you": [
    "porządkujesz archiwum umów w firmie",
    "budujesz narzędzie do przeglądu dokumentów"
   ],
   "for_you_en": [
    "are organising a company's contract archive",
    "build a document review tool"
   ],
   "how": "Każda kategoria klauzuli staje się pytaniem, a model wskazuje początek i koniec fragmentu albo zwraca brak odpowiedzi. Długie umowy dzieli się na okna. W systemach generatywnych odpowiedź trzeba porównać z tekstem źródłowym, ponieważ model może wskazać podobną, lecz niewłaściwą klauzulę.",
   "how_en": "Each clause category is turned into a question, and the model marks the start and end of a span or returns no answer. Long contracts are split into windows. In generative systems, the answer must be checked against the source text because the model may point to a similar but incorrect clause.",
   "limits": "Rzadkie kategorie mają mało przykładów, a wyniki silnie zależą od rozmiaru danych treningowych. Model może zwrócić podobny, ale niewłaściwy zapis. Kwantyzacja i małe modele obniżają trafność.",
   "limits_en": "Rare categories have few examples, and results depend heavily on training data size. A model may return a similar but wrong provision. Quantisation and small models lower accuracy.",
   "terms": [
    {
     "gloss": "Wskazanie dokładnego fragmentu tekstu jako odpowiedzi.",
     "term": "span extraction"
    },
    {
     "gloss": "Prawo, według którego rozstrzyga się spory z umowy.",
     "term": "prawo właściwe"
    }
   ],
   "terms_en": [
    {
     "gloss": "Marking an exact passage of text as the answer.",
     "term": "span extraction"
    },
    {
     "gloss": "The law under which disputes under the contract are decided.",
     "term": "governing law"
    }
   ],
   "prereq": [
    "questionanswering",
    "layoutanalysis"
   ],
   "keywords": [
    "CUAD",
    "Atticus Project",
    "ContractEval",
    "span extraction",
    "extractive QA",
    "LEDGAR",
    "clause classification"
   ],
   "source_ids": [
    "hendrycks-cuad-2021",
    "liu-contracteval-2025"
   ],
   "url": "https://aiatlasgraph.com/t/clauseextraction",
   "markdown_url": "https://aiatlasgraph.com/t/clauseextraction.md",
   "updated": "2026-10-30"
  },
  "cleaning": {
   "id": "cleaning",
   "parent_id": "data",
   "label": "Czyszczenie i jakość",
   "canonical_name": "Data cleaning and quality",
   "description": "Usuwanie błędów, duplikatów i niepożądanych przykładów.",
   "description_en": "Removing errors, duplicates and unwanted examples.",
   "examples": "Filtrowanie · deduplikacja",
   "examples_en": "Filtering · deduplication",
   "plain": "To poprawianie materiałów używanych przez model i usuwanie przykładów, które przeszkadzają w nauce.",
   "plain_en": "This fixes material used by a model and removes examples that get in the way of learning.",
   "solves": "Błędy, kopie i przypadkowe treści w danych mogą prowadzić do mylących odpowiedzi modelu.",
   "solves_en": "Mistakes, duplicates and irrelevant material in the data can lead to misleading model answers.",
   "does": "Sprawdza zawartość zbioru, wykrywa podejrzane przypadki i stosuje ustalone reguły poprawiania albo odrzucania materiałów.",
   "does_en": "It checks the collection, flags suspicious examples and applies chosen rules for correcting or rejecting material.",
   "example": "Przed uczeniem asystenta porządkujesz archiwum zgłoszeń: usuwasz kopie, puste wiadomości i wpisy z błędnymi oznaczeniami.",
   "example_en": "Before training an assistant, you clean a request archive by removing copies, empty messages and incorrectly labelled entries.",
   "for_you": [
    "korzystasz z danych z wielu niesprawdzonych źródeł",
    "model uczy się na błędnych lub powtarzających się przykładach"
   ],
   "for_you_en": [
    "use data from several unchecked sources",
    "have a model learning from faulty or repetitive examples"
   ],
   "how": "Kontrole schematu, rozkładów i podobieństwa wykrywają błędy oraz niepożądane powtórzenia. Reguły naprawy lub odrzucania próbek zapisuje się jako powtarzalne transformacje i sprawdza ich wpływ na reprezentację grup.",
   "how_en": "Schema, distribution and similarity checks detect errors and unwanted repetition. Repair or rejection rules are recorded as repeatable transformations, and their effects on group representation are checked.",
   "limits": "Agresywne filtry mogą usunąć rzadkie, lecz ważne przypadki. Reguły muszą rozróżniać rzeczywisty błąd od nietypowych danych i być dopasowane do celu modelu.",
   "limits_en": "Aggressive filters may remove rare but important cases. Rules must distinguish genuine errors from unusual data and fit the model's objective.",
   "terms": [
    {
     "gloss": "Obserwacja znacznie różniąca się od większości próbek.",
     "term": "wartość odstająca"
    },
    {
     "gloss": "Warunek decydujący o zaakceptowaniu, naprawie lub odrzuceniu próbki.",
     "term": "reguła jakości"
    }
   ],
   "terms_en": [
    {
     "gloss": "An observation that differs substantially from most samples.",
     "term": "outlier"
    },
    {
     "gloss": "A condition determining whether to accept, repair or reject a sample.",
     "term": "quality rule"
    }
   ],
   "prereq": [
    "datavalidation"
   ],
   "keywords": [
    "schema validation",
    "quality rules",
    "duplicate removal",
    "outlier detection",
    "label noise detection",
    "language identification",
    "boilerplate removal",
    "data profiling"
   ],
   "source_ids": [
    "fsdl",
    "cs336",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/cleaning",
   "markdown_url": "https://aiatlasgraph.com/t/cleaning.md",
   "updated": "2026-10-30"
  },
  "climatedownscaling": {
   "id": "climatedownscaling",
   "parent_id": "earthsystems",
   "label": "Zwiększanie szczegółowości prognoz i projekcji klimatu (downscaling)",
   "canonical_name": "Machine-learning downscaling of weather and climate data",
   "aliases": [
    "downscaling",
    "statistical downscaling",
    "generative downscaling",
    "regionalizacja"
   ],
   "description": "Mapowanie zgrubnych pól z modeli globalnych lub reanalizy na wysoką rozdzielczość siecią regresyjną i generatywną (np. dyfuzja korygująca reszty).",
   "description_en": "Mapping coarse fields from global models or reanalysis to high resolution with regression and generative networks (e.g. residual-correcting diffusion).",
   "plain": "Zamiana zgrubnej prognozy obejmującej cały kraj w szczegółową mapę pokazującą różnice między dolinami, miastami i wybrzeżem.",
   "plain_en": "Turning a coarse forecast covering a whole country into a detailed map showing differences between valleys, cities and coast.",
   "solves": "Modele globalne widzą świat w kratkach po kilkadziesiąt kilometrów, a rolnik czy gmina potrzebują informacji dla swojej okolicy.",
   "solves_en": "Global models see the world in squares tens of kilometres wide, while a farmer or a town needs information for their own area.",
   "does": "Jak malarz, który dostaje szkic z grubych plam i dorysowuje szczegóły, wiedząc, jak zwykle wygląda teren w tym miejscu.",
   "does_en": "Like a painter given a sketch of broad patches who adds detail, knowing how the terrain there usually looks.",
   "example": "Gmina górska sprawdza, jak częste będą ulewy w jej dolinach za trzydzieści lat, zamiast patrzeć na średnią dla całego regionu.",
   "example_en": "A mountain town checks how often downpours will hit its valleys in thirty years, instead of a whole-region average.",
   "for_you": [
    "potrzebujesz danych pogodowych dla konkretnej miejscowości",
    "planujesz inwestycje zależne od lokalnego klimatu"
   ],
   "for_you_en": [
    "need weather data for a specific place",
    "plan investments that depend on local climate"
   ],
   "how": "Model uczy się na parach: zgrubne wejście (np. 25 km) i wysokorozdzielczy cel z modelu regionalnego lub obserwacji (np. 2 km). W podejściu dwuetapowym U-Net przewiduje średnią, a model dyfuzyjny generuje resztę z drobnymi strukturami; może też dopowiadać zmienne nieobecne na wejściu, np. odbiciowość radaru.",
   "how_en": "The model learns from pairs: a coarse input (e.g. 25 km) and a high-resolution target from a regional model or observations (e.g. 2 km). In a two-step approach a U-Net predicts the mean and a diffusion model generates the fine-scale residual; it can also predict variables absent from the input, such as radar reflectivity.",
   "limits": "Działa w regionie, na którym go wytrenowano, i dziedziczy błędy celu. Kalibracja niepewności bywa słaba, a przy projekcjach klimatu trudno sprawdzić, czy zależności z przeszłości przetrwają w cieplejszym świecie.",
   "limits_en": "It works in the region it was trained on and inherits the target's errors. Uncertainty calibration can be weak, and for climate projections it is hard to verify that past relationships hold in a warmer world.",
   "terms": [
    {
     "gloss": "Wielkość najmniejszej kratki, którą model rozróżnia.",
     "term": "rozdzielczość przestrzenna"
    },
    {
     "gloss": "Różnica między przewidzianą średnią a prawdziwym szczegółowym polem.",
     "term": "reszta"
    },
    {
     "gloss": "Klasyczna metoda: uruchomienie drogiego modelu regionalnego zamiast sieci.",
     "term": "downscaling dynamiczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "The size of the smallest grid square the model distinguishes.",
     "term": "spatial resolution"
    },
    {
     "gloss": "The difference between a predicted mean and the true detailed field.",
     "term": "residual"
    },
    {
     "gloss": "The classical method: running a costly regional model instead of a network.",
     "term": "dynamical downscaling"
    }
   ],
   "prereq": [
    "diffusion",
    "imagerestoration"
   ],
   "keywords": [
    "CorrDiff",
    "statistical downscaling",
    "super-resolution",
    "U-Net",
    "diffusion models",
    "CMIP6",
    "regional climate model",
    "NVIDIA Earth-2"
   ],
   "source_ids": [
    "corrdiff-2023"
   ],
   "url": "https://aiatlasgraph.com/t/climatedownscaling",
   "markdown_url": "https://aiatlasgraph.com/t/climatedownscaling.md",
   "updated": "2026-10-30"
  },
  "clinicalbias": {
   "id": "clinicalbias",
   "parent_id": "clinicalvalidation",
   "label": "Sprawdzanie stronniczości modeli wobec grup pacjentów",
   "canonical_name": "Bias and equity audits of clinical algorithms",
   "aliases": [
    "algorithmic bias in healthcare",
    "health equity AI",
    "clinical algorithm fairness",
    "stronniczość algorytmów medycznych",
    "label bias healthcare"
   ],
   "description": "Ocena różnic w skuteczności i skutkach klinicznych modeli między grupami pacjentów oraz wykrywanie źródeł stronniczości, m.in. etykiet zastępczych.",
   "description_en": "Assessing differences in clinical models' performance and consequences across patient groups and finding bias sources, including proxy labels.",
   "plain": "Sprawdzanie, czy medyczny algorytm nie traktuje gorzej niektórych grup pacjentów, np. kobiet, osób starszych albo biedniejszych.",
   "plain_en": "Checking that a medical algorithm does not treat some patient groups worse, such as women, older or poorer people.",
   "solves": "Algorytm może świetnie działać średnio, a przy tym systematycznie odmawiać dodatkowej opieki tym, którzy potrzebują jej najbardziej.",
   "solves_en": "An algorithm can do well on average while systematically denying extra care to those who need it most.",
   "does": "Rozkłada wyniki na grupy i porównuje je obok siebie, jak audytor sprawdzający, czy ta sama ocena znaczy to samo dla każdego.",
   "does_en": "Breaks results down by group and compares them side by side, like an auditor checking that a score means the same for everyone.",
   "example": "Szpital odkrywa, że program wybierający pacjentów do opieki koordynowanej pomijał osoby, na które dotąd mniej wydawano, mimo że były bardziej chore.",
   "example_en": "A hospital finds that software choosing patients for extra care skipped people who had cost less so far, even though they were sicker.",
   "for_you": [
    "budujesz model na danych medycznych",
    "kupujesz algorytm, który decyduje o dostępie do opieki"
   ],
   "for_you_en": [
    "build a model on medical data",
    "buy an algorithm that decides access to care"
   ],
   "how": "Metryki (czułość, kalibrację, odsetek skierowań) liczy się osobno dla podgrup i porównuje przy tym samym progu ryzyka. Szczególnie sprawdza się etykietę: model przewidujący koszty zamiast potrzeb zdrowotnych dziedziczy nierówności w dostępie; zmiana etykiety może usunąć stronniczość.",
   "how_en": "Metrics (sensitivity, calibration, referral rate) are computed per subgroup and compared at the same risk threshold. The label is checked especially: a model predicting cost instead of health need inherits unequal access; relabelling can remove the bias.",
   "limits": "Dane o przynależności do grup bywają niepełne lub wrażliwe. Różne definicje sprawiedliwości wzajemnie się wykluczają, więc trzeba wybrać, co jest priorytetem. Małe podgrupy dają niepewne szacunki, a audyt nie naprawia nierówności zapisanych w danych.",
   "limits_en": "Group membership data are often incomplete or sensitive. Fairness definitions conflict, so priorities must be chosen. Small subgroups give uncertain estimates, and an audit does not fix inequities recorded in the data.",
   "terms": [
    {
     "gloss": "Łatwo mierzalna wielkość użyta zamiast tej, o którą naprawdę chodzi.",
     "term": "etykieta zastępcza"
    },
    {
     "gloss": "Liczenie wyników modelu osobno dla różnych grup pacjentów.",
     "term": "analiza podgrup"
    },
    {
     "gloss": "Czy dane ryzyko znaczy to samo w każdej grupie.",
     "term": "kalibracja w grupach"
    }
   ],
   "terms_en": [
    {
     "gloss": "Easily measured quantity used instead of the real target.",
     "term": "proxy label"
    },
    {
     "gloss": "Computing model results separately for patient groups.",
     "term": "subgroup analysis"
    },
    {
     "gloss": "Whether a given risk means the same in every group.",
     "term": "group calibration"
    }
   ],
   "prereq": [
    "fairnessmetrics",
    "calibration"
   ],
   "keywords": [
    "label bias",
    "proxy labels",
    "subgroup performance",
    "equalized odds",
    "calibration by group",
    "STANDING Together",
    "health equity",
    "fairness audit"
   ],
   "source_ids": [
    "ddi-dermatology-2021",
    "obermeyer-bias-2019"
   ],
   "url": "https://aiatlasgraph.com/t/clinicalbias",
   "markdown_url": "https://aiatlasgraph.com/t/clinicalbias.md",
   "updated": "2026-10-30"
  },
  "clinicalcoding": {
   "id": "clinicalcoding",
   "parent_id": "clinicaldocs",
   "label": "Kodowanie rozpoznań i wyciąganie danych z dokumentacji",
   "canonical_name": "Automated clinical coding and information extraction",
   "aliases": [
    "ICD coding",
    "medical coding",
    "automatic ICD coding",
    "kodowanie ICD",
    "clinical information extraction"
   ],
   "description": "Wieloetykietowa klasyfikacja notatek klinicznych do kodów ICD oraz ekstrakcja encji klinicznych (choroby, leki, dawki) i ich mapowanie na terminologie.",
   "description_en": "Multi-label classification of clinical notes into ICD codes, plus extraction of clinical entities (diseases, drugs, doses) and mapping to terminologies.",
   "plain": "Program czyta notatki lekarzy i proponuje urzędowe kody chorób i zabiegów albo wyciąga z nich leki, dawki i rozpoznania.",
   "plain_en": "Software that reads doctors' notes and suggests official disease and procedure codes, or pulls out drugs, doses and diagnoses.",
   "solves": "Ręczne nadawanie kodów każdemu pobytowi w szpitalu jest żmudne i pełne pomyłek, a od kodów zależą rozliczenia i statystyki zdrowia.",
   "solves_en": "Coding every hospital stay by hand is tedious and error-prone, yet payments and health statistics depend on those codes.",
   "does": "Jak bibliotekarz, który po przeczytaniu książki od razu nadaje jej sygnaturę i wskazuje akapit, który o tym przesądził.",
   "does_en": "Like a librarian who reads a book, assigns its shelf mark at once and points to the paragraph that decided it.",
   "example": "Po wypisie pacjenta szpitalny koder dostaje listę proponowanych kodów z zaznaczonymi zdaniami z karty i tylko je zatwierdza lub poprawia.",
   "example_en": "After a patient is discharged, the hospital coder gets a list of suggested codes with the supporting sentences highlighted, and just approves or fixes them.",
   "for_you": [
    "rozliczasz świadczenia medyczne",
    "analizujesz dane szpitalne do badań lub statystyk"
   ],
   "for_you_en": [
    "handle billing for medical services",
    "analyse hospital data for research or statistics"
   ],
   "how": "Kodowanie to klasyfikacja wieloetykietowa z tysiącami rzadkich klas. Klasyczny model CAML łączy splot z osobną uwagą dla każdego kodu, która wskazuje fragmenty tekstu uzasadniające kod; nowsze podejścia używają dostrojonych transformerów albo LLM z wyszukiwaniem kandydatów. Ocenia się micro- i macro-F1 oraz precision@k.",
   "how_en": "Coding is multi-label classification over thousands of rare classes. The classic CAML model combines convolution with per-code attention that points to the text supporting each code; newer approaches use fine-tuned transformers or LLMs with candidate retrieval. Micro/macro-F1 and precision@k are reported.",
   "limits": "Rozkład kodów ma długi ogon, więc rzadkie kody są słabo przewidywane. Zasady kodowania różnią się między krajami i wersjami klasyfikacji. Duże modele bez wsparcia wyszukiwania często podają nieistniejące lub nieprecyzyjne kody.",
   "limits_en": "Codes follow a long tail, so rare codes are poorly predicted. Coding rules differ across countries and classification versions. LLMs without retrieval support often produce non-existent or imprecise codes.",
   "terms": [
    {
     "gloss": "Międzynarodowa klasyfikacja chorób używana w statystyce i rozliczeniach.",
     "term": "ICD-10"
    },
    {
     "gloss": "Przypisanie jednemu dokumentowi wielu kodów naraz.",
     "term": "klasyfikacja wieloetykietowa"
    },
    {
     "gloss": "Wiele kodów pojawia się w danych bardzo rzadko.",
     "term": "długi ogon"
    }
   ],
   "terms_en": [
    {
     "gloss": "The international classification of diseases used in statistics and billing.",
     "term": "ICD-10"
    },
    {
     "gloss": "Assigning many codes to one document at once.",
     "term": "multi-label classification"
    },
    {
     "gloss": "Many codes appear very rarely in the data.",
     "term": "long tail"
    }
   ],
   "prereq": [
    "textclassification",
    "infoextraction"
   ],
   "keywords": [
    "ICD-10",
    "CAML",
    "MIMIC-III",
    "label-wise attention",
    "medical entity linking",
    "UMLS",
    "PLM-ICD",
    "precision@k"
   ],
   "source_ids": [
    "caml-2018"
   ],
   "url": "https://aiatlasgraph.com/t/clinicalcoding",
   "markdown_url": "https://aiatlasgraph.com/t/clinicalcoding.md",
   "updated": "2026-10-30"
  },
  "clinicaldeid": {
   "id": "clinicaldeid",
   "parent_id": "clinicaldocs",
   "label": "Usuwanie danych osobowych z dokumentacji medycznej",
   "canonical_name": "Clinical text de-identification",
   "aliases": [
    "clinical de-identification",
    "de-identification",
    "PHI removal",
    "deidentyfikacja dokumentacji klinicznej"
   ],
   "description": "Wykrywanie i usuwanie lub zastępowanie chronionych informacji zdrowotnych (PHI) w tekście klinicznym jako zadanie rozpoznawania encji nazwanych.",
   "description_en": "Detecting and removing or replacing protected health information (PHI) in clinical text, framed as named-entity recognition.",
   "plain": "Program przeszukuje notatki lekarskie i wymazuje z nich nazwiska, adresy, daty i inne dane, które zdradziłyby pacjenta.",
   "plain_en": "Software scans doctors' notes and removes names, addresses, dates and other details that would reveal the patient.",
   "solves": "Badacze potrzebują notatek medycznych, ale nie wolno ich udostępnić z danymi pacjentów, a ręczne zaczernianie trwałoby latami.",
   "solves_en": "Researchers need medical notes, but they cannot be shared with patient details, and blacking them out by hand would take years.",
   "does": "Jak korektor z czarnym flamastrem, który zna wszystkie miejsca, gdzie chowają się dane osobowe, i podmienia je na fikcyjne.",
   "does_en": "Like a proofreader with a black marker who knows every place personal details hide, swapping them for fictional ones.",
   "example": "Szpital przekazuje uczelni tysiące wypisów do badań, w których zamiast nazwisk i dat są zastępcze imiona i przesunięte terminy.",
   "example_en": "A hospital gives a university thousands of discharge letters for research, with stand-in names and shifted dates instead of real ones.",
   "for_you": [
    "chcesz uczyć model na prawdziwych notatkach medycznych",
    "twoje dane trafiają do badań naukowych"
   ],
   "for_you_en": [
    "want to train a model on real medical notes",
    "your records are used for research"
   ],
   "how": "Model sekwencyjny, dziś najczęściej dostrojony transformer, oznacza tokeny kategoriami PHI (imię, data, lokalizacja, identyfikator, wiek). Wykryte fragmenty usuwa się albo zastępuje wiarygodnymi zamiennikami, a daty przesuwa spójnie dla pacjenta; reguły i słowniki uzupełniają model dla wysokiej czułości.",
   "how_en": "A sequence model, now usually a fine-tuned transformer, tags tokens with PHI categories (name, date, location, ID, age). Found spans are removed or replaced with plausible surrogates, with dates shifted consistently per patient; rules and dictionaries back up the model for high recall.",
   "limits": "Czułość rzadko sięga 100%, a zawody, organizacje, wiek i niektóre lokalizacje wykrywa się trudniej. Modele z jednego szpitala gorzej działają na innych formatach notatek. Usunięcie identyfikatorów nie wyklucza ponownej identyfikacji z rzadkich szczegółów klinicznych.",
   "limits_en": "Recall rarely reaches 100%, and professions, organisations, ages and some locations are harder to catch. Models from one hospital work worse on other note formats. Removing identifiers does not rule out re-identification from rare clinical details.",
   "terms": [
    {
     "gloss": "Chronione informacje zdrowotne pozwalające rozpoznać pacjenta.",
     "term": "PHI"
    },
    {
     "gloss": "Fikcyjna wartość wstawiona w miejsce prawdziwej danej.",
     "term": "zamiennik (surrogate)"
    },
    {
     "gloss": "Rozpoznanie osoby mimo usunięcia jej danych.",
     "term": "ponowna identyfikacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Protected health information that can identify a patient.",
     "term": "PHI"
    },
    {
     "gloss": "Fictional value inserted in place of a real detail.",
     "term": "surrogate"
    },
    {
     "gloss": "Recognising a person despite their details being removed.",
     "term": "re-identification"
    }
   ],
   "prereq": [
    "infoextraction",
    "piiredaction"
   ],
   "keywords": [
    "i2b2 2014 de-identification",
    "HIPAA Safe Harbor",
    "Philter",
    "Presidio",
    "NER",
    "RoBERTa",
    "surrogate generation",
    "date shifting"
   ],
   "source_ids": [
    "transformer-deid-2022"
   ],
   "url": "https://aiatlasgraph.com/t/clinicaldeid",
   "markdown_url": "https://aiatlasgraph.com/t/clinicaldeid.md",
   "updated": "2026-10-30"
  },
  "clinicaldocs": {
   "id": "clinicaldocs",
   "parent_id": "healthai",
   "label": "Język kliniczny i dokumentacja medyczna",
   "canonical_name": "Clinical language processing and documentation",
   "aliases": [
    "clinical NLP",
    "medical NLP",
    "przetwarzanie notatek klinicznych",
    "dokumentacja kliniczna"
   ],
   "description": "NLP na tekstach klinicznych: generowanie notatek, ekstrakcja informacji, kodowanie rozpoznań, deidentyfikacja i streszczanie dokumentacji pacjenta.",
   "description_en": "NLP on clinical text: note generation, information extraction, diagnosis coding, de-identification and summarisation of patient records.",
   "plain": "Programy, które czytają i piszą teksty medyczne: notatki z wizyt, wypisy ze szpitala, skierowania i kody rozpoznań.",
   "plain_en": "Software that reads and writes medical text: visit notes, discharge letters, referrals and diagnosis codes.",
   "solves": "Lekarze spędzają dużą część dnia na pisaniu dokumentacji, a ważne informacje giną w długich, nieuporządkowanych notatkach.",
   "solves_en": "Doctors spend much of the day on paperwork, and key facts get lost in long, messy notes.",
   "does": "Jak sekretarz medyczny, który słucha, porządkuje i streszcza, a potem odszukuje w stosach kart to, czego lekarz potrzebuje.",
   "does_en": "Like a medical secretary who listens, tidies and summarises, then digs through piles of records for what the doctor needs.",
   "example": "Szpital chce sprawdzić, którzy pacjenci mieli objawy uboczne po leku; program przeszukuje tysiące notatek zamiast zespołu czytającego je ręcznie.",
   "example_en": "A hospital wants to know which patients had side effects from a drug; software searches thousands of notes instead of a team reading them by hand.",
   "for_you": [
    "lekarz przy tobie więcej pisze, niż patrzy",
    "pracujesz z dokumentacją medyczną lub rozliczeniami świadczeń"
   ],
   "for_you_en": [
    "your doctor types more than they look at you",
    "work with medical records or healthcare billing"
   ],
   "how": "Tekst kliniczny jest pełen skrótów, negacji i żargonu, więc stosuje się modele dostrojone do domeny albo duże modele językowe z instrukcjami. Typowe potoki łączą rozpoznawanie mowy, ekstrakcję encji (choroby, leki, dawki), mapowanie na terminologie (ICD, SNOMED CT) i generowanie ustrukturyzowanych sekcji notatki.",
   "how_en": "Clinical text is full of abbreviations, negations and jargon, so domain-tuned models or instruction-following LLMs are used. Typical pipelines combine speech recognition, entity extraction (diseases, drugs, doses), mapping to terminologies (ICD, SNOMED CT) and generation of structured note sections.",
   "limits": "Dostęp do notatek ogranicza ochrona danych, więc publicznych zbiorów jest mało i pochodzą z kilku ośrodków. Modele mylą negacje i kontekst czasowy, a generatywne potrafią pomijać lub dopisywać fakty, co w dokumentacji jest groźne.",
   "limits_en": "Privacy limits access to notes, so public datasets are few and come from a handful of centres. Models confuse negation and timing, and generative ones can omit or invent facts, which is dangerous in records.",
   "terms": [
    {
     "gloss": "Usuwanie z tekstu danych pozwalających rozpoznać pacjenta.",
     "term": "deidentyfikacja"
    },
    {
     "gloss": "Rozbudowana międzynarodowa terminologia pojęć klinicznych.",
     "term": "SNOMED CT"
    },
    {
     "gloss": "Rozpoznanie, że objaw wykluczono, np. „bez gorączki”.",
     "term": "wykrywanie negacji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Removing details that could identify the patient from text.",
     "term": "de-identification"
    },
    {
     "gloss": "A large international terminology of clinical concepts.",
     "term": "SNOMED CT"
    },
    {
     "gloss": "Recognising that a symptom was ruled out, e.g. “no fever”.",
     "term": "negation detection"
    }
   ],
   "prereq": [
    "infoextraction",
    "asr"
   ],
   "keywords": [
    "MIMIC-IV notes",
    "SNOMED CT",
    "ICD-10",
    "UMLS",
    "de-identification",
    "ClinicalBERT",
    "medical NER",
    "negation detection",
    "discharge summary generation"
   ],
   "source_ids": [
    "aci-bench-2023",
    "caml-2018"
   ],
   "url": "https://aiatlasgraph.com/t/clinicaldocs",
   "markdown_url": "https://aiatlasgraph.com/t/clinicaldocs.md",
   "updated": "2026-10-30"
  },
  "clinicalprediction": {
   "id": "clinicalprediction",
   "parent_id": "healthai",
   "label": "Prognozowanie ryzyka z dokumentacji pacjenta",
   "canonical_name": "Clinical risk prediction from health records",
   "aliases": [
    "clinical prediction models",
    "EHR prediction",
    "risk scores",
    "modele predykcyjne w medycynie",
    "predictive analytics in healthcare"
   ],
   "description": "Modele diagnostyczne i prognostyczne na danych z elektronicznej dokumentacji (EHR): wczesne ostrzeganie, ryzyko powikłań, przeżycie i ponowne przyjęcia.",
   "description_en": "Diagnostic and prognostic models on electronic health record (EHR) data: early warning, complication risk, survival and readmissions.",
   "plain": "Modele, które na podstawie danych z karty pacjenta szacują ryzyko, np. pogorszenia, powikłań czy ponownego trafienia do szpitala.",
   "plain_en": "Models that use data from a patient's record to estimate risks such as deterioration, complications or coming back to hospital.",
   "solves": "Groźne pogorszenia zapowiadają często drobne zmiany w wynikach, które w natłoku pracy łatwo przeoczyć aż do kryzysu.",
   "solves_en": "Dangerous declines are often foreshadowed by small changes in results that are easy to miss on a busy shift until a crisis.",
   "does": "Jak czujnik dymu dla oddziału: stale przegląda wyniki, ciśnienie i leki, i podnosi alarm, gdy ryzyko przekroczy próg.",
   "does_en": "Like a smoke detector for a ward: it keeps scanning results, blood pressure and drugs, and sounds an alarm when risk crosses a threshold.",
   "example": "Pielęgniarka dostaje powiadomienie, że u pacjenta po operacji rośnie ryzyko zakażenia, i wzywa lekarza kilka godzin wcześniej niż zwykle.",
   "example_en": "A nurse gets an alert that a post-surgery patient's infection risk is rising and calls the doctor hours earlier than usual.",
   "for_you": [
    "leżysz w szpitalu lub opiekujesz się kimś w szpitalu",
    "budujesz modele na danych medycznych"
   ],
   "for_you_en": [
    "are in hospital or caring for someone who is",
    "build models on medical data"
   ],
   "how": "Dane z EHR (wyniki laboratoryjne, parametry życiowe, rozpoznania, leki) zamienia się w cechy w oknach czasowych lub w sekwencje zdarzeń; modelem bywa regresja logistyczna, gradient boosting albo sieć sekwencyjna. Kluczowe są kalibracja, wybór progu alarmu i walidacja zewnętrzna, a raportowanie porządkuje TRIPOD+AI.",
   "how_en": "EHR data (labs, vital signs, diagnoses, drugs) become features over time windows or event sequences; the model may be logistic regression, gradient boosting or a sequence network. Calibration, alert-threshold choice and external validation are key, and TRIPOD+AI structures reporting.",
   "limits": "Dokumentacja jest niekompletna i odzwierciedla praktykę szpitala (np. komu zlecono badanie), co tworzy wycieki i fałszywe zależności. Zbyt wiele alarmów prowadzi do zmęczenia alarmami. Modele tracą jakość, gdy zmieniają się populacja lub procedury.",
   "limits_en": "Records are incomplete and reflect hospital practice (e.g. who was tested), creating leakage and spurious associations. Too many alerts lead to alert fatigue. Models degrade when the population or procedures change.",
   "terms": [
    {
     "gloss": "Zgodność podawanego ryzyka z faktyczną częstością zdarzeń.",
     "term": "kalibracja"
    },
    {
     "gloss": "Personel ignoruje powiadomienia, bo jest ich za dużo.",
     "term": "zmęczenie alarmami"
    },
    {
     "gloss": "Przewiduje przyszłe zdarzenie, np. powikłanie, a nie obecny stan.",
     "term": "model prognostyczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Agreement between predicted risk and how often events actually occur.",
     "term": "calibration"
    },
    {
     "gloss": "Staff ignore alerts because there are too many.",
     "term": "alert fatigue"
    },
    {
     "gloss": "Predicts a future event, such as a complication, not the current state.",
     "term": "prognostic model"
    }
   ],
   "prereq": [
    "linearmodels",
    "calibration"
   ],
   "keywords": [
    "EHR",
    "MIMIC-IV",
    "eICU",
    "TRIPOD+AI",
    "calibration curve",
    "decision curve analysis",
    "early warning score",
    "readmission prediction",
    "FHIR"
   ],
   "source_ids": [
    "trews-2022",
    "sksurv-intro",
    "tripod-ai-2024"
   ],
   "url": "https://aiatlasgraph.com/t/clinicalprediction",
   "markdown_url": "https://aiatlasgraph.com/t/clinicalprediction.md",
   "updated": "2026-10-30"
  },
  "clinicalvalidation": {
   "id": "clinicalvalidation",
   "parent_id": "healthai",
   "label": "Walidacja kliniczna i dopuszczenie do użytku",
   "canonical_name": "Clinical validation and regulatory approval",
   "aliases": [
    "clinical AI validation",
    "medical AI regulation",
    "clinical evaluation of AI",
    "wdrażanie AI w szpitalu"
   ],
   "description": "Ocena modeli medycznych: walidacja zewnętrzna i badania prospektywne, standardy raportowania, dopuszczenie jako wyrób medyczny i nadzór po wdrożeniu.",
   "description_en": "Evaluating medical models: external validation and prospective studies, reporting standards, medical-device approval and post-deployment monitoring.",
   "plain": "Wszystko, co trzeba sprawdzić i opisać, zanim program medyczny trafi do lekarzy i pacjentów, oraz później, gdy już działa.",
   "plain_en": "Everything that must be checked and documented before medical software reaches doctors and patients, and later, once it is in use.",
   "solves": "Model błyszczący w artykule często zawodzi w innym szpitalu, a błąd w medycynie może kosztować zdrowie albo życie.",
   "solves_en": "A model that shines in a paper often fails in another hospital, and a mistake in medicine can cost health or life.",
   "does": "Jak seria bramek bezpieczeństwa: najpierw test techniczny, potem ocena na nowych danych i w rzeczywistym sposobie pracy, następnie odpowiednia procedura regulacyjna oraz monitoring po wdrożeniu.",
   "does_en": "Like a series of safety gates: technical testing first, then evaluation on new data and in the real workflow, the appropriate regulatory procedure, and monitoring after deployment.",
   "example": "Szpital chce kupić program do czytania zdjęć płuc; przed włączeniem sprawdza go na własnych pacjentach i wyznacza osobę, która co miesiąc przegląda błędy.",
   "example_en": "A hospital wants to buy software that reads lung images; before switching it on, it tests it on its own patients and names someone to review errors monthly.",
   "for_you": [
    "kupujesz lub wdrażasz oprogramowanie medyczne",
    "publikujesz badanie o modelu medycznym"
   ],
   "for_you_en": [
    "buy or roll out medical software",
    "publish a study on a medical model"
   ],
   "how": "Ścieżka obejmuje walidację wewnętrzną i zewnętrzną, ocenę prospektywną w rzeczywistym sposobie pracy oraz, gdy trzeba, badanie randomizowane. TRIPOD+AI, DECIDE-AI, SPIRIT-AI i CONSORT-AI wspierają przejrzyste raportowanie różnych etapów. Oprogramowanie o celu medycznym przechodzi właściwą procedurę dla wyrobu medycznego, a PCCP może określać późniejsze zmiany.",
   "how_en": "The path covers internal and external validation, prospective evaluation in the real workflow and, when needed, a randomised trial. TRIPOD+AI, DECIDE-AI, SPIRIT-AI and CONSORT-AI support transparent reporting at different stages. Software with a medical purpose follows the appropriate medical-device procedure, and a PCCP may specify later changes.",
   "limits": "Walidacja techniczna, badanie wpływu klinicznego i dopuszczenie regulacyjne odpowiadają na różne pytania; pozytywny wynik jednego etapu nie zastępuje pozostałych. Procedury różnią się między krajami, a aktualizacje modelu wymagają kontroli w całym cyklu życia.",
   "limits_en": "Technical validation, clinical-impact evaluation and regulatory authorisation answer different questions; success at one stage does not replace the others. Procedures differ across countries, and model updates require lifecycle controls.",
   "terms": [
    {
     "gloss": "Test na danych z innych ośrodków niż dane treningowe.",
     "term": "walidacja zewnętrzna"
    },
    {
     "gloss": "Śledzenie działania i błędów produktu po dopuszczeniu do rynku.",
     "term": "nadzór po wprowadzeniu"
    },
    {
     "gloss": "Uzgodniony z regulatorem plan, jak wolno zmieniać model po dopuszczeniu.",
     "term": "PCCP"
    }
   ],
   "terms_en": [
    {
     "gloss": "Testing on data from centres other than the training ones.",
     "term": "external validation"
    },
    {
     "gloss": "Tracking a product's performance and errors after it reaches the market.",
     "term": "post-market surveillance"
    },
    {
     "gloss": "A plan agreed with the regulator on how the model may change after approval.",
     "term": "PCCP"
    }
   ],
   "prereq": [
    "classmetrics",
    "driftdetection"
   ],
   "keywords": [
    "external validation",
    "TRIPOD+AI",
    "CONSORT-AI",
    "SaMD",
    "FDA 510(k)",
    "EU MDR",
    "PCCP",
    "post-market surveillance",
    "DECIDE-AI"
   ],
   "source_ids": [
    "fda-pccp-2025",
    "tripod-ai-2024",
    "zech-2018",
    "consort-spirit-ai-2020",
    "decide-ai-2022",
    "eu-ai-act-2024"
   ],
   "url": "https://aiatlasgraph.com/t/clinicalvalidation",
   "markdown_url": "https://aiatlasgraph.com/t/clinicalvalidation.md",
   "updated": "2026-10-30"
  },
  "clipcontrastive": {
   "id": "clipcontrastive",
   "parent_id": "visionbackbones",
   "label": "Wspólna przestrzeń obraz–tekst (CLIP)",
   "canonical_name": "Contrastive image–text pretraining (CLIP)",
   "description": "Uczenie wspólnych embeddingów obrazów i podpisów na parach obraz–tekst; pozwala klasyfikować i wyszukiwać obrazy opisem słownym bez dodatkowego treningu (zero-shot).",
   "description_en": "Learning joint embeddings of images and captions from image–text pairs; enables zero-shot classification and image search by text description.",
   "examples": "CLIP · SigLIP · klasyfikacja zero-shot",
   "examples_en": "CLIP · SigLIP · zero-shot classification",
   "plain": "To uczenie modelu, żeby pasujące zdjęcie i opis miały podobny zapis liczbowy.",
   "plain_en": "This trains a model to give matching images and descriptions similar numerical representations.",
   "solves": "Chcesz wyszukać zdjęcia opisem, choć nikt wcześniej nie nadał im takich podpisów.",
   "solves_en": "You want to search photos with a description even though nobody has given them those captions.",
   "does": "Model ćwiczy zbliżanie zapisów pasujących par i oddalanie niepasujących, tworząc wspólną mapę obrazów i słów.",
   "does_en": "A model learns to bring matching pairs closer and separate mismatches, creating a shared map of images and words.",
   "example": "W archiwum zdjęć wpisujesz „pies biegnący po śniegu” i otrzymujesz podobne sceny.",
   "example_en": "You search a photo archive for “dog running through snow” and receive matching scenes.",
   "for_you": [
    "przeszukujesz obrazy za pomocą opisów",
    "chcesz porównywać zdjęcia z tekstem"
   ],
   "for_you_en": [
    "search images using descriptions",
    "want to compare photos with text"
   ],
   "how": "Dwa enkodery mapują obrazy i podpisy do wspólnej przestrzeni wektorowej. Strata kontrastowa zwiększa podobieństwo poprawnych par względem innych par, pozwalając później porównywać obraz z opisami kandydackich klas.",
   "how_en": "Two encoders map images and captions into a shared vector space. Contrastive loss increases matching-pair similarity relative to other pairs, enabling image comparison with candidate-class descriptions later.",
   "limits": "Podobieństwo zależy od sformułowania opisu i danych parowanych. Relacje, liczebność i szczegółowe atrybuty mogą być odwzorowane słabo; wynik podobieństwa nie jest gotową kalibracją.",
   "limits_en": "Similarity depends on description wording and paired data. Relationships, counts and detailed attributes may be weakly represented; similarity scores are not ready-made calibration.",
   "terms": [
    {
     "gloss": "Cel przybliżający zgodne pary i odróżniający je od niedopasowanych.",
     "term": "strata kontrastowa"
    },
    {
     "gloss": "Reprezentacja umożliwiająca porównanie sygnałów różnych modalności.",
     "term": "wspólny embedding"
    }
   ],
   "terms_en": [
    {
     "gloss": "An objective bringing matching pairs closer and distinguishing mismatches.",
     "term": "contrastive loss"
    },
    {
     "gloss": "A representation enabling comparison across signal modalities.",
     "term": "shared embedding"
    }
   ],
   "prereq": [
    "representations",
    "infotheory"
   ],
   "keywords": [
    "CLIP",
    "SigLIP",
    "InfoNCE",
    "image-text alignment",
    "zero-shot image classification",
    "cosine similarity"
   ],
   "source_ids": [
    "hf-cv-course",
    "radford-clip-2021"
   ],
   "url": "https://aiatlasgraph.com/t/clipcontrastive",
   "markdown_url": "https://aiatlasgraph.com/t/clipcontrastive.md",
   "updated": "2026-10-30"
  },
  "closedloopsim": {
   "id": "closedloopsim",
   "parent_id": "adsimulation",
   "label": "Symulacja i benchmarki planowania jazdy",
   "canonical_name": "Driving simulation and planning benchmarks",
   "aliases": [
    "driving simulator",
    "closed-loop simulation",
    "CARLA",
    "nuPlan",
    "reactive agents",
    "symulator jazdy"
   ],
   "description": "Środowiska i benchmarki oceniające planery w symulacji reaktywnej albo na nagraniach z uproszczonym modelem skutków ich decyzji.",
   "description_en": "Environments and benchmarks that evaluate planners either in reactive simulation or on logs with a simplified model of decision outcomes.",
   "plain": "Wirtualne miasta i benchmarki z nagranych sytuacji, w których mierzy się skutki decyzji programu prowadzącego auto.",
   "plain_en": "Virtual cities and recorded-scenario benchmarks that measure the consequences of a driving program's decisions.",
   "solves": "Porównanie z nagraniem nie pokazuje, co by się stało, gdyby auto zachowało się inaczej niż człowiek za kierownicą.",
   "solves_en": "Comparing with a recording cannot show what would happen if the car behaved differently from the human driver.",
   "does": "Jak egzamin jazdy w wirtualnym mieście albo na zestawie nagranych sytuacji, z punktami za postęp, bezpieczeństwo i komfort.",
   "does_en": "Like a driving exam in a virtual city or a set of recorded situations, with scores for progress, safety and comfort.",
   "example": "Badacze sprawdzają nowy program jazdy w wirtualnym mieście z deszczem, nocą i ciężarówką wymuszającą pierwszeństwo.",
   "example_en": "Researchers try a new driving program in a virtual city with rain, darkness and a lorry forcing its way through.",
   "for_you": [
    "chcesz sprawdzić własny model jazdy bez prawdziwego auta",
    "uczysz agentów w symulacji",
    "interesuje cię, jak porównuje się systemy jazdy"
   ],
   "for_you_en": [
    "want to test your own driving model without a real car",
    "train agents in simulation",
    "want to know how driving systems are compared"
   ],
   "how": "CARLA odtwarza miasto, fizykę, czujniki i uczestników ruchu w pętli zamkniętej. nuPlan ocenia planowanie na logach i w symulacji, a NAVSIM używa niereaktywnego symulatora na nagraniach, by skalowalnie liczyć metryki związane z postępem i ryzykiem kolizji.",
   "how_en": "CARLA models a city, physics, sensors and road users in a closed loop. nuPlan evaluates planning on logs and in simulation, while NAVSIM uses a non-reactive simulator on recordings to scale metrics related to progress and collision risk.",
   "limits": "Grafika i fizyka symulatora różnią się od rzeczywistości, więc wyniki nie przenoszą się wprost. Agenci reaktywni bywają zbyt prości, pełna symulacja jest kosztowna, a metryki otwartej pętli, jak błąd L2, słabo z nią korelują.",
   "limits_en": "Simulator graphics and physics differ from reality, so results do not transfer directly. Reactive agents can be too simple, full simulation is costly, and open-loop metrics such as L2 error correlate poorly with it.",
   "terms": [
    {
     "gloss": "Kolejne stany sceny zależą od działań testowanego pojazdu.",
     "term": "pętla zamknięta"
    },
    {
     "gloss": "Ocena planu na nagraniu bez pełnego modelowania reakcji innych uczestników.",
     "term": "symulacja niereaktywna"
    },
    {
     "gloss": "Złożona miara postępu, bezpieczeństwa i komfortu.",
     "term": "wynik jazdy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Later scene states depend on the tested vehicle's actions.",
     "term": "closed loop"
    },
    {
     "gloss": "Scoring a plan on a log without fully modelling other road users' reactions.",
     "term": "non-reactive simulation"
    },
    {
     "gloss": "A combined measure of progress, safety and comfort.",
     "term": "driving score"
    }
   ],
   "prereq": [
    "rlenvs"
   ],
   "keywords": [
    "CARLA",
    "nuPlan",
    "NAVSIM",
    "closed-loop simulation",
    "non-reactive simulation",
    "driving benchmark",
    "driving score"
   ],
   "source_ids": [
    "nuplan-2021",
    "navsim-2024",
    "carla-2017"
   ],
   "url": "https://aiatlasgraph.com/t/closedloopsim",
   "markdown_url": "https://aiatlasgraph.com/t/closedloopsim.md",
   "updated": "2026-10-30"
  },
  "cloudmasking": {
   "id": "cloudmasking",
   "parent_id": "eoanalysis",
   "label": "Wykrywanie chmur i ich cieni na zdjęciach",
   "canonical_name": "Cloud and cloud shadow detection",
   "aliases": [
    "cloud masking",
    "cloud detection",
    "maskowanie chmur"
   ],
   "description": "Segmentacja pikseli na czyste niebo, gęstą chmurę, cienką chmurę i cień chmury, jako maska jakości przed dalszą analizą obrazów optycznych.",
   "description_en": "Pixel segmentation into clear sky, thick cloud, thin cloud and cloud shadow, used as a quality mask before further optical-image analysis.",
   "plain": "Automatyczne zaznaczanie na zdjęciach z kosmosu, gdzie zasłaniają ziemię chmury i rzucane przez nie cienie.",
   "plain_en": "Automatically marking where clouds and their shadows hide the ground in pictures taken from space.",
   "solves": "Chmury zakrywają dużą część zdjęć, a niezauważona chmura lub cień potrafi zepsuć każdą późniejszą analizę pola czy lasu.",
   "solves_en": "Clouds cover much of every image, and one unnoticed cloud or shadow can ruin any later analysis of a field or forest.",
   "does": "Działa jak korektor, który przed drukiem zakreśla zamazane fragmenty tekstu, żeby nikt nie wyciągał z nich wniosków.",
   "does_en": "Works like a proofreader who highlights smudged passages before printing, so nobody draws conclusions from them.",
   "example": "Rolnik dostaje mapę wigoru roślin tylko z tych dni, gdy nad jego polem było czysto, zamiast fałszywego alarmu po zachmurzonym ujęciu.",
   "example_en": "A farmer gets a crop-vigour map only from days when the sky over his field was clear, not a false alarm from a cloudy shot.",
   "for_you": [
    "analizujesz zdjęcia satelitarne z wielu dat",
    "dostajesz dziwne wyniki z pochmurnych dni"
   ],
   "for_you_en": [
    "analyse satellite images from many dates",
    "get strange results on cloudy days"
   ],
   "how": "Klasyczne reguły progują jasność i temperaturę kanałów; nowsze sieci segmentacyjne, np. U-Net z lekkim enkoderem, uczą się na ręcznie oznaczonych łatkach. Cienie wiąże się z chmurami przez geometrię Słońca. Osobny krok, usuwanie chmur, wypełnia luki z innych dat albo z radaru.",
   "how_en": "Classic rules threshold band brightness and temperature; newer segmentation networks, e.g. a U-Net with a light encoder, learn from hand-labelled patches. Shadows are linked to clouds via sun geometry. A separate step, cloud removal, fills gaps from other dates or from radar.",
   "limits": "Cienkie chmury i cienie są najczęściej pomijane, a jasne powierzchnie, jak śnieg czy piasek, mylone z chmurą. Etykiety ekspertów bywają niespójne. Maska dostarczana z produktem satelitarnym okazała się w porównaniach najmniej wiarygodna.",
   "limits_en": "Thin clouds and shadows are most often missed, while bright surfaces such as snow or sand get mistaken for cloud. Expert labels can be inconsistent. The mask shipped with the satellite product proved least reliable in comparisons.",
   "terms": [
    {
     "gloss": "półprzezroczysta chmura, przez którą częściowo widać ziemię",
     "term": "thin cloud"
    },
    {
     "gloss": "ciemna plama na ziemi rzucona przez chmurę",
     "term": "cloud shadow"
    },
    {
     "gloss": "uzupełnianie zakrytych miejsc danymi z innych dat lub sensorów",
     "term": "cloud removal"
    }
   ],
   "terms_en": [
    {
     "gloss": "semi-transparent cloud through which the ground partly shows",
     "term": "thin cloud"
    },
    {
     "gloss": "dark patch on the ground cast by a cloud",
     "term": "cloud shadow"
    },
    {
     "gloss": "filling hidden areas with data from other dates or sensors",
     "term": "cloud removal"
    }
   ],
   "prereq": [
    "semanticseg"
   ],
   "keywords": [
    "CloudSEN12",
    "Fmask",
    "s2cloudless",
    "Sen2Cor scene classification",
    "QA60",
    "SEN12MS-CR",
    "cloud removal",
    "UNetMobV2"
   ],
   "source_ids": [
    "cloudsen12-2022"
   ],
   "url": "https://aiatlasgraph.com/t/cloudmasking",
   "markdown_url": "https://aiatlasgraph.com/t/cloudmasking.md",
   "updated": "2026-10-30"
  },
  "clustering": {
   "id": "clustering",
   "parent_id": "unsupervised",
   "label": "Klasteryzacja",
   "canonical_name": "Clustering",
   "description": "Grupowanie podobnych przykładów bez etykiet, np. segmentacja klientów albo porządkowanie dokumentów.",
   "description_en": "Grouping similar examples without labels, e.g. customer segmentation or organising documents.",
   "examples": "segmentacja klientów · ocena: silhouette, ARI",
   "examples_en": "customer segmentation · evaluation: silhouette, ARI",
   "plain": "To dzielenie przykładów na grupy według podobieństwa, bez wcześniej podanych kategorii.",
   "plain_en": "This groups examples by similarity without categories supplied in advance.",
   "solves": "Duży zbiór nieopisanych rzeczy trudno przeglądać, a sensowne kategorie nie są jeszcze znane.",
   "solves_en": "A large collection of unlabelled things is hard to browse, and useful categories are not yet known.",
   "does": "Porównuje wybrane cechy przykładów i tworzy grupy podobnych przypadków; znaczenie grup trzeba potem sprawdzić i nazwać.",
   "does_en": "It compares selected example features and forms groups of similar cases; their meaning still needs examination and naming.",
   "example": "Program grupuje zgłoszenia klientów według podobieństwa treści, a ty sprawdzasz, które grupy dotyczą dostaw, płatności lub zwrotów.",
   "example_en": "Software groups customer messages by content similarity, and you inspect which groups concern delivery, payments or returns.",
   "for_you": [
    "chcesz uporządkować dane bez gotowych etykiet",
    "szukasz powtarzających się grup podobnych przypadków"
   ],
   "for_you_en": [
    "want to organise data without ready labels",
    "look for recurring groups of similar cases"
   ],
   "how": "Reprezentacja i miara podobieństwa określają, które przykłady powinny być blisko siebie. Algorytm optymalizuje podział, łączy grupy hierarchicznie lub identyfikuje gęste obszary, zależnie od przyjętej definicji klastra.",
   "how_en": "Representations and similarity measures determine which examples should be close. Algorithms optimise partitions, combine groups hierarchically or identify dense regions, depending on their cluster definition.",
   "limits": "Różne metody mogą tworzyć sprzeczne, lecz poprawne względem swoich celów grupy. Skala, szum i wybór parametrów wpływają na wynik; klaster nie jest automatycznie kategorią semantyczną.",
   "limits_en": "Methods can produce conflicting groups valid under different objectives. Scale, noise and parameters affect results; clusters are not automatically semantic categories.",
   "terms": [
    {
     "gloss": "Grupa przykładów uznanych za podobne według wybranej definicji.",
     "term": "klaster"
    },
    {
     "gloss": "Reguła porównująca reprezentacje danych i wyznaczająca ich bliskość.",
     "term": "miara podobieństwa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A group of examples considered similar under a chosen definition.",
     "term": "cluster"
    },
    {
     "gloss": "A rule comparing data representations and determining their closeness.",
     "term": "similarity measure"
    }
   ],
   "prereq": [
    "linearalgebra",
    "distributions"
   ],
   "keywords": [
    "k-means",
    "DBSCAN",
    "HDBSCAN",
    "hierarchical clustering",
    "silhouette score",
    "Adjusted Rand Index",
    "cluster stability"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "sklearn-clustering",
    "cs229-summer-2026"
   ],
   "url": "https://aiatlasgraph.com/t/clustering",
   "markdown_url": "https://aiatlasgraph.com/t/clustering.md",
   "updated": "2026-10-30"
  },
  "cnn": {
   "id": "cnn",
   "parent_id": "neural",
   "label": "Sieci konwolucyjne i sekwencyjne",
   "canonical_name": "Convolutional and recurrent networks",
   "description": "Architektury do struktury przestrzennej i sekwencji.",
   "description_en": "Architectures for spatial structure and sequences.",
   "examples": "CNN · RNN · LSTM",
   "examples_en": "CNN · RNN · LSTM",
   "plain": "To sieci, które wykorzystują układ sąsiednich elementów obrazu lub kolejność danych w czasie.",
   "plain_en": "These networks use neighbouring image structure or the order of data over time.",
   "solves": "W zdjęciach i nagraniach położenie oraz kolejność mają znaczenie, które ginie przy traktowaniu danych jak luźnej listy.",
   "solves_en": "In photos and recordings, position and order matter but can be lost when data is treated as an unrelated list.",
   "does": "Jedne sieci przesuwają wspólne filtry po obrazie, inne przekazują pamięć między krokami sekwencji; dobór zależy od struktury zadania.",
   "does_en": "Some networks slide shared filters over an image; others pass memory between sequence steps, depending on the task's structure.",
   "example": "Aplikacja wykorzystuje filtry do wykrywania wzorów na zdjęciu, a model sekwencyjny analizuje zmiany dźwięku w nagraniu.",
   "example_en": "An app uses filters to detect image patterns, while a sequence model analyses sound changes in a recording.",
   "for_you": [
    "pracujesz ze zdjęciami lub sekwencjami",
    "chcesz dopasować sieć do układu danych"
   ],
   "for_you_en": [
    "work with images or sequences",
    "want a network suited to your data's structure"
   ],
   "how": "Sieci przestrzenne współdzielą lokalne filtry, a sieci rekurencyjne aktualizują stan przenoszony między krokami sekwencji. Trening gradientowy dopasowuje te operacje do zadania, narzucając strukturę przetwarzania zamiast pełnych połączeń wszystkich elementów.",
   "how_en": "Spatial networks share local filters, while recurrent networks update state carried between sequence steps. Gradient training fits these operations to a task, imposing processing structure instead of fully connecting every element.",
   "limits": "Lokalność ogranicza bezpośrednie relacje odległych pozycji, a stan rekurencyjny kompresuje historię. Struktura architektury musi odpowiadać danym; długie zależności wymagają odpowiedniego pola recepcyjnego lub mechanizmu pamięci.",
   "limits_en": "Locality limits direct relationships between distant positions, while recurrent state compresses history. Architecture structure must suit the data; long dependencies need appropriate receptive fields or memory mechanisms.",
   "terms": [
    {
     "gloss": "Użycie tych samych wag w wielu pozycjach danych.",
     "term": "współdzielenie parametrów"
    },
    {
     "gloss": "Reprezentacja informacji przenoszona pomiędzy krokami sekwencji.",
     "term": "stan ukryty"
    }
   ],
   "terms_en": [
    {
     "gloss": "Using the same weights at multiple data positions.",
     "term": "parameter sharing"
    },
    {
     "gloss": "An information representation carried between sequence steps.",
     "term": "hidden state"
    }
   ],
   "prereq": [
    "linearalgebra",
    "backprop"
   ],
   "keywords": [
    "convolutional filters",
    "pooling",
    "ResNet",
    "U-Net",
    "recurrent state",
    "LSTM",
    "GRU",
    "sequence modeling"
   ],
   "source_ids": [
    "cs336",
    "vision",
    "cs229"
   ],
   "url": "https://aiatlasgraph.com/t/cnn",
   "markdown_url": "https://aiatlasgraph.com/t/cnn.md",
   "updated": "2026-10-30"
  },
  "cnnarchs": {
   "id": "cnnarchs",
   "parent_id": "cnn",
   "label": "Głębokie architektury konwolucyjne (ResNet, U-Net)",
   "canonical_name": "Deep convolutional architectures (ResNet, U-Net)",
   "aliases": [
    "CNN architectures",
    "ResNet",
    "U-Net",
    "VGG",
    "AlexNet",
    "LeNet",
    "architektury CNN"
   ],
   "description": "Rodziny architektur konwolucyjnych: od LeNet, AlexNet i VGG, przez ResNet z połączeniami resztkowymi, po U-Net — enkoder–dekoder z połączeniami między odpowiadającymi sobie poziomami, stosowany m.in. w segmentacji i jako szkielet części modeli dyfuzyjnych.",
   "description_en": "Families of convolutional architectures: from LeNet, AlexNet and VGG through ResNet with residual connections to U-Net — an encoder-decoder with connections between corresponding levels, used for segmentation and as the backbone of some diffusion models.",
   "examples": "LeNet · AlexNet · VGG · ResNet · U-Net",
   "examples_en": "LeNet · AlexNet · VGG · ResNet · U-Net",
   "plain": "To różne układy warstw i połączeń w głębokich sieciach analizujących obrazy.",
   "plain_en": "These are different layer and connection layouts in deep networks that analyse images.",
   "solves": "Prosta sieć może gubić szczegóły albo trudno się uczyć, gdy dodasz wiele warstw.",
   "solves_en": "A simple network may lose detail or become hard to train when you add many layers.",
   "does": "Układy łączą wydobywanie cech z drogami na skróty lub przywracaniem rozdzielczości, zależnie od potrzeb rozpoznawania i zaznaczania obszarów.",
   "does_en": "Layouts combine feature extraction with shortcuts or restored resolution, depending on recognition and region-labelling needs.",
   "example": "Do wycinania roślin ze zdjęcia wybierasz sieć, która łączy ogólny obraz sceny z zachowanymi szczegółami krawędzi.",
   "example_en": "For cutting plants out of photos, you choose a network that combines the overall scene with preserved edge details.",
   "for_you": [
    "wybierasz układ modelu do obrazu",
    "potrzebujesz zarówno szczegółów, jak i ogólnego kontekstu"
   ],
   "for_you_en": [
    "choose a network layout for images",
    "need both fine details and overall context"
   ],
   "how": "Stosy splotów budują hierarchię cech, a połączenia resztkowe ułatwiają optymalizację głębokich modeli. Układ enkoder–dekoder zmniejsza i odbudowuje rozdzielczość, łącząc reprezentacje różnych skal przez połączenia skrótowe.",
   "how_en": "Convolution stacks build feature hierarchies, and residual connections ease deep-model optimisation. Encoder–decoder layouts reduce and restore resolution, combining representations across scales through shortcut connections.",
   "limits": "Głębokość i szerokość zwiększają koszt oraz pamięć aktywacji. Silna redukcja rozdzielczości traci szczegóły; połączenia między skalami wymagają zgodnych rozmiarów i prawidłowej obsługi brzegów.",
   "limits_en": "Depth and width increase cost and activation memory. Strong downsampling loses detail; cross-scale connections need compatible dimensions and correct boundary handling.",
   "terms": [
    {
     "gloss": "Układ kompresujący reprezentację i odtwarzający z niej wyjście zadania.",
     "term": "enkoder–dekoder"
    },
    {
     "gloss": "Kolejne reprezentacje obejmujące coraz szerszy kontekst wejścia.",
     "term": "hierarchia cech"
    }
   ],
   "terms_en": [
    {
     "gloss": "A layout compressing representations and reconstructing task outputs from them.",
     "term": "encoder–decoder"
    },
    {
     "gloss": "Successive representations covering increasingly broad input context.",
     "term": "feature hierarchy"
    }
   ],
   "prereq": [
    "convpool",
    "residual"
   ],
   "keywords": [
    "LeNet",
    "AlexNet",
    "VGG",
    "ResNet",
    "U-Net",
    "encoder-decoder architecture",
    "skip connections"
   ],
   "source_ids": [
    "d2l-toc",
    "resnet-2015",
    "unet-2015",
    "cs231n-convnets-notes"
   ],
   "url": "https://aiatlasgraph.com/t/cnnarchs",
   "markdown_url": "https://aiatlasgraph.com/t/cnnarchs.md",
   "updated": "2026-10-30"
  },
  "cobotsafety": {
   "id": "cobotsafety",
   "parent_id": "hri",
   "label": "Bezpieczna praca ramię w ramię z robotem (koboty)",
   "canonical_name": "Safety in physical human-robot collaboration",
   "aliases": [
    "cobot safety",
    "collaborative robot safety",
    "bezpieczeństwo kobotów",
    "bezpieczna współpraca człowiek–robot"
   ],
   "description": "Tryby i metody bezpiecznej fizycznej współpracy: zatrzymanie monitorowane, prowadzenie ręczne, monitorowanie prędkości i odległości oraz ograniczanie mocy i siły.",
   "description_en": "Modes and methods for safe physical collaboration: monitored stop, hand guiding, speed and separation monitoring, and power and force limiting.",
   "plain": "Zasady i techniki, dzięki którym robot może pracować tuż obok człowieka bez klatki i nie zrobić mu krzywdy przy przypadkowym zderzeniu.",
   "plain_en": "Rules and techniques that let a robot work right next to a person without a cage and not hurt them in an accidental bump.",
   "solves": "Szybkie ramię waży tyle, że zwykłe zderzenie może złamać rękę, a ogrodzenie odbiera całą korzyść ze wspólnej pracy.",
   "solves_en": "A fast arm is heavy enough to break a hand in an ordinary collision, while fencing it off removes the benefit of working together.",
   "does": "Robot zachowuje się jak ostrożny kierowca w strefie zamieszkania: zwalnia przy ludziach, staje przy zbliżeniu i ustępuje przy dotyku.",
   "does_en": "The robot behaves like a careful driver in a residential street: slows near people, stops when they come close and yields on contact.",
   "example": "W fabryce ramię paletyzujące zwalnia, gdy ktoś wchodzi w pole czujnika, a po jego odejściu wraca do pełnej prędkości.",
   "example_en": "In a factory a palletising arm slows when someone steps into the sensor zone and speeds up again once they leave.",
   "for_you": [
    "planujesz robota na stanowisku bez wygrodzenia",
    "odpowiadasz za bezpieczeństwo pracy przy automatyzacji",
    "robot ma podawać rzeczy ludziom"
   ],
   "for_you_en": [
    "plan a robot at a workstation without fencing",
    "are responsible for workplace safety around automation",
    "need a robot to hand things to people"
   ],
   "how": "Normy wyróżniają cztery tryby: zatrzymanie po wejściu człowieka, prowadzenie robota ręką, zmianę prędkości zależnie od odległości oraz dopuszczenie kontaktu przy ograniczonej sile. Dopuszczalne prędkości wylicza się z limitów siły dla części ciała i masy efektywnej robota; sterowanie impedancyjne i czujniki momentu wykrywają kolizję i łagodzą jej skutki.",
   "how_en": "Standards define four modes: stopping when a person enters, guiding the robot by hand, changing speed with distance, and allowing contact at limited force. Permitted speeds are computed from body-region force limits and the robot's effective mass; impedance control and torque sensing detect collisions and soften them.",
   "limits": "Ograniczenia siły i prędkości obniżają wydajność, więc koboty bywają wolniejsze od klasycznych robotów. Ocenę ryzyka trzeba wykonać dla każdego stanowiska osobno, razem z narzędziem i ładunkiem. Uczone polityki trudno formalnie certyfikować.",
   "limits_en": "Force and speed limits lower throughput, so cobots are often slower than classical robots. Risk assessment must be done for each workstation, including tool and payload. Learned policies are hard to certify formally.",
   "terms": [
    {
     "gloss": "Monitorowanie prędkości i odległości: robot zwalnia, gdy człowiek się zbliża.",
     "term": "SSM"
    },
    {
     "gloss": "Ograniczanie mocy i siły: kontakt dozwolony poniżej progów dla ciała.",
     "term": "PFL"
    },
    {
     "gloss": "Masa, jaką robot „przekazuje” w chwili uderzenia.",
     "term": "masa efektywna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Speed and separation monitoring: the robot slows as a person approaches.",
     "term": "SSM"
    },
    {
     "gloss": "Power and force limiting: contact allowed below body-region thresholds.",
     "term": "PFL"
    },
    {
     "gloss": "The mass a robot “delivers” at the moment of impact.",
     "term": "effective mass"
    }
   ],
   "prereq": [
    "feedbackcontrol"
   ],
   "keywords": [
    "ISO/TS 15066",
    "ISO 10218",
    "speed and separation monitoring",
    "power and force limiting",
    "hand guiding",
    "collision detection",
    "safety-rated monitored stop",
    "risk assessment"
   ],
   "source_ids": [
    "phri-vic-iso15066-2023"
   ],
   "url": "https://aiatlasgraph.com/t/cobotsafety",
   "markdown_url": "https://aiatlasgraph.com/t/cobotsafety.md",
   "updated": "2026-10-30"
  },
  "coconut": {
   "id": "coconut",
   "parent_id": "latentloops",
   "label": "Ciągłe myśli",
   "canonical_name": "Continuous chain of thought",
   "aliases": [
    "Coconut",
    "continuous thought",
    "chain of continuous thought"
   ],
   "description": "Łańcuch rozumowania, w którym stan ukryty wraca jako embedding, bez dekodowania na token.",
   "description_en": "A reasoning chain in which the hidden state returns as an embedding, without decoding to a token.",
   "plain": "Model przekazuje sobie ukryty stan dalej, zamiast zamieniać każdy krok na słowo.",
   "plain_en": "A model passes a hidden state onward, instead of turning each step into a word.",
   "solves": "Słowa pośrednie zajmują miejsce i zmuszają model do wyboru jednej ścieżki za wcześnie.",
   "solves_en": "Intermediate words take space and force the model to pick one path too early.",
   "does": "Ostatni stan ukryty wraca jako następne wejście, więc kilka możliwości może zostać w jednej myśli.",
   "does_en": "The last hidden state returns as the next input, so several options can stay in one thought.",
   "example": "Przy planie z rozgałęzieniami model kilka razy podaje sobie stan liczbowy, a słowa wypisuje dopiero na końcu.",
   "example_en": "On a branching plan the model passes a numeric state to itself several times, and writes words only at the end.",
   "for_you": [
    "plan ma kilka możliwych ciągów",
    "długi zapis kroków jest zbędny",
    "chcesz krótszą odpowiedź"
   ],
   "for_you_en": [
    "a plan has several possible paths",
    "a long step trace is unnecessary",
    "want a shorter answer"
   ],
   "how": "Ostatni stan ukryty jest następnym wejściem w przestrzeni ciągłej. Autorzy pokazują, że taki stan może kodować kilka alternatywnych kroków, przypominając przeszukiwanie wszerz bardziej niż jedną ścieżkę słowną. Metoda wymaga treningu tego trybu.",
   "how_en": "The last hidden state is the next input in continuous space. The authors show that such a state can encode several alternative steps, resembling breadth-first search more than a single verbal path. The method requires training this mode.",
   "limits": "Trudniej odczytać powód niż przy słowach. Zysk dotyczy zadań z przeszukiwaniem, nie każdego pytania. Trening i liczba ciągłych kroków są dodatkowym kosztem.",
   "limits_en": "The reason is harder to read than with words. Gains concern search-heavy tasks, not every question. Training and the number of continuous steps are extra cost.",
   "terms": [
    {
     "gloss": "Ostatni stan ukryty podany z powrotem jako wejście.",
     "term": "myśl ciągła"
    },
    {
     "gloss": "Rozumowanie zapisane kolejnymi tokenami tekstu.",
     "term": "ścieżka słowna"
    }
   ],
   "terms_en": [
    {
     "gloss": "The last hidden state fed back as the next input.",
     "term": "continuous thought"
    },
    {
     "gloss": "Reasoning written as successive text tokens.",
     "term": "verbal path"
    }
   ],
   "prereq": [
    "cot"
   ],
   "keywords": [
    "Coconut",
    "continuous thought",
    "latent chain",
    "last hidden state",
    "breadth-first search",
    "COLM 2025",
    "latent embedding feedback"
   ],
   "source_ids": [
    "hao-coconut-2024"
   ],
   "url": "https://aiatlasgraph.com/t/coconut",
   "markdown_url": "https://aiatlasgraph.com/t/coconut.md",
   "updated": "2026-10-30"
  },
  "codecompletion": {
   "id": "codecompletion",
   "parent_id": "aicoding",
   "label": "Podpowiadanie kodu w edytorze",
   "canonical_name": "Inline code completion (fill-in-the-middle)",
   "aliases": [
    "code completion",
    "code autocompletion",
    "fill-in-the-middle",
    "FIM",
    "uzupełnianie kodu",
    "autouzupełnianie kodu"
   ],
   "description": "Model dopisuje kolejne linie lub bloki kodu w miejscu kursora; systemy uczone metodą fill-in-the-middle mogą korzystać zarówno z kodu przed, jak i po luce.",
   "description_en": "A model writes the next lines or blocks of code at the cursor; systems trained with fill-in-the-middle can use code both before and after the gap.",
   "plain": "Edytor sam podsuwa dalszy ciąg kodu, który właśnie piszesz, a ty przyjmujesz go jednym klawiszem albo piszesz dalej.",
   "plain_en": "Your editor suggests how the code you are typing should continue, and you accept it with one key or keep typing.",
   "solves": "Programista traci czas na wpisywanie powtarzalnych fragmentów i szukanie, jak dokładnie wywołać znaną mu tylko z grubsza funkcję.",
   "solves_en": "Programmers waste time typing repetitive code and looking up exactly how to call a function they only half remember.",
   "does": "Działa jak podpowiedzi słów w telefonie, tylko że zgaduje całe linie kodu, patrząc też na to, co stoi niżej w pliku.",
   "does_en": "It works like word suggestions on a phone keyboard, but guesses whole lines of code and also looks at what comes later in the file.",
   "example": "Zaczynasz pisać funkcję liczącą rabat, a edytor od razu proponuje jej resztę w szarym kolorze, zgodną z nazwami użytymi wyżej.",
   "example_en": "You start writing a function that calculates a discount, and the editor shows the rest of it in grey, using the names from above.",
   "for_you": [
    "piszesz kod w edytorze z asystentem",
    "chcesz szybciej poznać nieznaną bibliotekę"
   ],
   "for_you_en": [
    "write code in an editor with an assistant",
    "want to learn an unfamiliar library faster"
   ],
   "how": "Model uczony celem fill-in-the-middle dostaje prefiks i sufiks pliku oraz specjalne tokeny i generuje brakujący środek. Serwer dobiera kontekst z otwartych plików, ogranicza długość odpowiedzi i musi zwrócić podpowiedź w ułamku sekundy, więc używa się mniejszych, szybkich modeli.",
   "how_en": "A model trained with a fill-in-the-middle objective receives the file's prefix and suffix plus special tokens and generates the missing middle. The server picks context from open files, caps output length and must reply within a fraction of a second, so smaller fast models are used.",
   "limits": "Podpowiedzi wyglądają wiarygodnie także wtedy, gdy są błędne lub używają nieistniejących funkcji. Model widzi tylko wybrany fragment projektu, a zbyt częste propozycje rozpraszają; akceptowalność nie mierzy poprawności.",
   "limits_en": "Suggestions look plausible even when wrong or calling functions that do not exist. The model sees only a slice of the project, frequent suggestions distract, and acceptance rate does not measure correctness.",
   "terms": [
    {
     "gloss": "Trening, w którym model uzupełnia wycięty środek tekstu.",
     "term": "fill-in-the-middle (FIM)"
    },
    {
     "gloss": "Kod przed kursorem i kod za kursorem podawany modelowi.",
     "term": "prefiks i sufiks"
    },
    {
     "gloss": "Odsetek podpowiedzi, które programista przyjął.",
     "term": "współczynnik akceptacji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Training in which the model fills in a removed middle of text.",
     "term": "fill-in-the-middle (FIM)"
    },
    {
     "gloss": "Code before and after the cursor given to the model.",
     "term": "prefix and suffix"
    },
    {
     "gloss": "Share of suggestions the programmer accepted.",
     "term": "acceptance rate"
    }
   ],
   "prereq": [
    "nexttoken",
    "decoding"
   ],
   "keywords": [
    "fill-in-the-middle",
    "FIM",
    "GitHub Copilot",
    "Codestral",
    "Qwen2.5-Coder",
    "StarCoder",
    "acceptance rate",
    "next edit suggestions"
   ],
   "source_ids": [
    "fim-bavarian-2022",
    "codecompose-2023"
   ],
   "url": "https://aiatlasgraph.com/t/codecompletion",
   "markdown_url": "https://aiatlasgraph.com/t/codecompletion.md",
   "updated": "2026-10-30"
  },
  "codeevals": {
   "id": "codeevals",
   "parent_id": "evaluation",
   "label": "Ewaluatory kodowe",
   "canonical_name": "Code-based evaluators",
   "description": "Deterministyczne sprawdzenie w kodzie, gdy błąd da się opisać regułą. Najtańszy szczebel ewaluacji — przed sędzią LLM.",
   "description_en": "A deterministic check in code when a failure can be described by a rule. The cheapest rung of evaluation — before an LLM judge.",
   "examples": "dokładne dopasowanie · asercje · regex · parsowanie JSON · argumenty wywołania narzędzia · stan bazy po akcji",
   "examples_en": "exact match · assertions · regex · JSON parsing · tool-call arguments · database state after an action",
   "plain": "To automatyczne sprawdzanie wyniku za pomocą jasno zapisanych reguł w programie.",
   "plain_en": "This automatically checks a result using clearly defined software rules.",
   "solves": "Niektóre błędy można sprawdzić jednoznacznie, więc ręczna ocena każdej odpowiedzi niepotrzebnie zabiera czas.",
   "solves_en": "Some errors can be checked unambiguously, making manual assessment of every answer unnecessarily time consuming.",
   "does": "Sprawdza wymagany zapis, wartości, argumenty działania lub stan po jego wykonaniu i oznacza, które warunki wynik spełnia.",
   "does_en": "It checks required structure, values, action arguments or the resulting state and reports which conditions are satisfied.",
   "example": "Program sprawdza, czy z faktury wyciągnięto wymagane pola i czy suma pozycji zgadza się z podanym wynikiem.",
   "example_en": "Software checks whether required invoice fields were extracted and whether the item total matches the reported result.",
   "for_you": [
    "potrafisz opisać błąd jako jednoznaczny warunek",
    "chcesz powtarzalnie sprawdzać wiele wyników"
   ],
   "for_you_en": [
    "can describe an error as an unambiguous condition",
    "want repeatable checks across many results"
   ],
   "how": "Kod sprawdza warunki takie jak schemat, wynik obliczenia lub przejście testu. Rezultat zamienia się na ocenę i zapis diagnostyczny, stosując te same reguły do każdej próby.",
   "how_en": "Code checks conditions such as schema validity, calculation results or passing tests. Outcomes become scores and diagnostic records, applying the same rules to each trial.",
   "limits": "Deterministyczna reguła mierzy tylko to, co zapisano w kodzie. Błędne testy i brak pokrycia pozwalają zaliczyć odpowiedź mimo niespełnionego celu.",
   "limits_en": "A deterministic rule measures only what the code specifies. Faulty tests and missing coverage can accept answers that fail the actual objective.",
   "terms": [
    {
     "gloss": "Warunek, którego niespełnienie oznacza błąd testu.",
     "term": "asercja"
    },
    {
     "gloss": "Źródło oczekiwanego wyniku używane do oceny odpowiedzi.",
     "term": "oracle testowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A condition whose failure makes a test fail.",
     "term": "assertion"
    },
    {
     "gloss": "A source of expected results used to assess an answer.",
     "term": "test oracle"
    }
   ],
   "prereq": [
    "logic"
   ],
   "keywords": [
    "exact match",
    "assertions",
    "regular expressions",
    "JSON parsing",
    "tool argument validation",
    "state-based checks"
   ],
   "source_ids": [
    "hamel-evals-faq",
    "anthropic-prompt-evals"
   ],
   "url": "https://aiatlasgraph.com/t/codeevals",
   "markdown_url": "https://aiatlasgraph.com/t/codeevals.md",
   "updated": "2026-10-30"
  },
  "codemigration": {
   "id": "codemigration",
   "parent_id": "aicoding",
   "label": "Migracja i modernizacja kodu z AI",
   "canonical_name": "AI-assisted code migration and modernisation",
   "aliases": [
    "code migration",
    "legacy modernization",
    "code translation",
    "migracja kodu",
    "modernizacja starszego kodu",
    "framework upgrade"
   ],
   "description": "Modele i agenci przepisują duże ilości istniejącego kodu: aktualizacja bibliotek, zmiana interfejsów, tłumaczenie między językami.",
   "description_en": "Models and agents rewrite large amounts of existing code: library upgrades, interface changes, translation between languages.",
   "plain": "Sztuczna inteligencja pomaga przenieść stary program na nowsze narzędzia lub inny język, wykonując tysiące podobnych, żmudnych zmian.",
   "plain_en": "AI helps move an old program to newer tools or another language by making thousands of similar, tedious changes.",
   "solves": "Firmy latami odkładają aktualizację starego oprogramowania, bo ręczna zmiana tysięcy plików jest nudna, droga i ryzykowna.",
   "solves_en": "Companies postpone updating old software for years because changing thousands of files by hand is dull, costly and risky.",
   "does": "Jak przeprowadzka z pomocą ekipy: ty ustalasz, co gdzie ma trafić, a pomocnicy przenoszą setki pudeł, które potem sprawdzasz.",
   "does_en": "Like moving house with a crew: you decide where things go, helpers carry hundreds of boxes, and you check them afterwards.",
   "example": "Bank musi zastąpić przestarzałą bibliotekę w setkach usług; asystent przygotowuje zmiany plik po pliku, a testy i programiści je zatwierdzają.",
   "example_en": "A bank must replace an outdated library across hundreds of services; an assistant prepares changes file by file, and tests and developers approve them.",
   "for_you": [
    "utrzymujesz stary system, którego nikt nie chce ruszać",
    "musisz zaktualizować wiele projektów naraz"
   ],
   "for_you_en": [
    "maintain an old system nobody wants to touch",
    "need to update many projects at once"
   ],
   "how": "Narzędzia wyszukują miejsca do zmiany (często klasycznie, przez analizę składni), a model generuje poprawki dla każdego fragmentu. Kompilacja, testy i automatyczna weryfikacja odrzucają złe propozycje; zaakceptowane zmiany trafiają do przeglądu w małych paczkach.",
   "how_en": "Tools locate code to change (often classically, through syntax analysis), and a model generates edits for each location. Compilation, tests and automated validation reject bad candidates; accepted changes go to review in small batches.",
   "limits": "Bez dobrych testów błędy przechodzą niezauważone, a subtelne różnice semantyki między językami lub wersjami łatwo przeoczyć. Raporty sukcesu pochodzą głównie z doświadczeń firm, nie z kontrolowanych badań.",
   "limits_en": "Without good tests errors slip through, and subtle semantic differences between languages or versions are easy to miss. Success reports come mostly from company experience, not controlled studies.",
   "terms": [
    {
     "gloss": "Stary, wciąż używany kod, trudny w utrzymaniu.",
     "term": "kod legacy"
    },
    {
     "gloss": "Drzewo składni programu, pozwalające precyzyjnie znaleźć miejsca zmian.",
     "term": "AST"
    },
    {
     "gloss": "Ta sama modyfikacja wprowadzana w wielu plikach lub projektach.",
     "term": "zmiana masowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Old code still in use and hard to maintain.",
     "term": "legacy code"
    },
    {
     "gloss": "A program's syntax tree, used to find change locations precisely.",
     "term": "AST"
    },
    {
     "gloss": "The same modification applied across many files or projects.",
     "term": "large-scale change"
    }
   ],
   "prereq": [
    "evalsets",
    "subagents"
   ],
   "keywords": [
    "legacy modernization",
    "COBOL to Java",
    "framework upgrade",
    "codemods",
    "AST rewriting",
    "large-scale changes",
    "OpenRewrite",
    "code translation"
   ],
   "source_ids": [
    "google-code-migrations-2025",
    "google-scale-migrations-2025"
   ],
   "url": "https://aiatlasgraph.com/t/codemigration",
   "markdown_url": "https://aiatlasgraph.com/t/codemigration.md",
   "updated": "2026-10-30"
  },
  "codingbench": {
   "id": "codingbench",
   "parent_id": "llmbenchmarks",
   "label": "Benchmarki programistyczne",
   "canonical_name": "Coding benchmarks",
   "aliases": [
    "SWE-bench",
    "coding benchmarks",
    "benchmarki kodowania"
   ],
   "description": "Zadania, w których model pisze lub naprawia kod, a wynik sprawdzają testy — od pojedynczych funkcji po prawdziwe zgłoszenia błędów w repozytoriach.",
   "description_en": "Tasks in which a model writes or fixes code and tests check the result — from single functions to real issues in repositories.",
   "examples": "SWE-bench · prawdziwe zgłoszenia błędów · zmiany w wielu plikach · walidacja testami",
   "examples_en": "SWE-bench · real issue reports · multi-file changes · test-based validation",
   "plain": "To zadania sprawdzające, czy model potrafi napisać lub naprawić program, którego działanie przechodzi testy.",
   "plain_en": "These tasks check whether a model can write or fix software that passes execution tests.",
   "solves": "Program wyglądający poprawnie może nie działać, a umiejętność pisania małej funkcji nie wystarcza do naprawy większego projektu.",
   "solves_en": "Code that looks correct may fail, and writing a small function is not enough to fix a larger project.",
   "does": "Daje zadanie programistyczne, uruchamia wynik w kontrolowanym środowisku i sprawdza testami wymagane zachowania.",
   "does_en": "It provides a programming task, runs the result in a controlled environment and tests the required behaviour.",
   "example": "Model naprawia błąd liczenia terminów w aplikacji, a zestaw testów sprawdza zwykłe daty i nietypowe granice miesiąca.",
   "example_en": "A model fixes deadline calculation in an application, and tests check ordinary dates and unusual month boundaries.",
   "for_you": [
    "porównujesz modele piszące lub naprawiające programy",
    "chcesz mierzyć działanie kodu zamiast jego wyglądu"
   ],
   "for_you_en": [
    "compare models writing or fixing software",
    "want to measure execution rather than code appearance"
   ],
   "how": "Model otrzymuje specyfikację lub problem repozytorium i generuje kod albo poprawkę. Izolowane wykonanie testów sprawdza rezultat, zapisując konfigurację środowiska, dostępny kontekst i zasoby agenta.",
   "how_en": "A model receives a specification or repository issue and generates code or a patch. Isolated test execution checks results, recording environment settings, available context and agent resources.",
   "limits": "Przejście testów nie zapewnia poprawności poza ich pokryciem. Kontaminacja repozytoriów, zależności środowiska i różne budżety narzędzi mogą zmieniać wynik porównania.",
   "limits_en": "Passing tests does not ensure correctness beyond their coverage. Repository contamination, environment dependencies and differing tool budgets can change comparisons.",
   "terms": [
    {
     "gloss": "Zmiana kodu oceniana w kontekście istniejącego repozytorium.",
     "term": "patch"
    },
    {
     "gloss": "Sprawdzenie niewidoczne dla modelu podczas przygotowywania rozwiązania.",
     "term": "test ukryty"
    }
   ],
   "terms_en": [
    {
     "gloss": "A code change evaluated in the context of an existing repository.",
     "term": "patch"
    },
    {
     "gloss": "A check unavailable to the model while it prepares a solution.",
     "term": "hidden test"
    }
   ],
   "prereq": [
    "aicoding",
    "codeevals"
   ],
   "keywords": [
    "SWE-bench",
    "HumanEval",
    "MBPP",
    "repository issue resolution",
    "hidden unit tests"
   ],
   "source_ids": [
    "ferrag-llm-agents-review-2025",
    "swebench-2023"
   ],
   "url": "https://aiatlasgraph.com/t/codingbench",
   "markdown_url": "https://aiatlasgraph.com/t/codingbench.md",
   "updated": "2026-10-30"
  },
  "coevolution": {
   "id": "coevolution",
   "parent_id": "evoclassic",
   "label": "Koewolucja: populacje oceniane przez wzajemne starcia",
   "canonical_name": "Coevolutionary algorithms",
   "aliases": [
    "coevolution",
    "coevolutionary algorithms",
    "koewolucja",
    "algorytmy koewolucyjne"
   ],
   "description": "Algorytmy ewolucyjne, w których co najmniej część sygnału selekcji wynika z interakcji między osobnikami jednej lub wielu populacji.",
   "description_en": "Evolutionary algorithms in which at least part of the selection signal comes from interactions among individuals in one or more populations.",
   "plain": "Algorytmy, w których rozwiązania nie mają stałej oceny, tylko są oceniane w zawodach albo we współpracy z innymi ewoluującymi rozwiązaniami.",
   "plain_en": "Algorithms where solutions have no fixed score but are rated in contests or in teamwork with other evolving solutions.",
   "solves": "Dla wielu zadań nie da się napisać wzoru na „dobre rozwiązanie”, bo jakość zależy od przeciwnika lub partnera.",
   "solves_en": "For many tasks you cannot write a formula for a “good solution”, because quality depends on the opponent or partner.",
   "does": "Jak wyścig zbrojeń drapieżnika i ofiary: każda strona doskonali się, bo druga też się poprawia.",
   "does_en": "Like a predator–prey arms race: each side improves because the other keeps improving too.",
   "example": "Gra komputerowa trenuje przeciwników, którzy ewoluują przeciw coraz lepszym strategiom gracza, więc nie da się ich pokonać jednym trikiem.",
   "example_en": "A computer game trains opponents that evolve against ever better player strategies, so no single trick beats them.",
   "for_you": [
    "jakość rozwiązania zależy od przeciwnika",
    "duży problem da się rozbić na współpracujące części",
    "chcesz generować coraz trudniejsze przypadki testowe"
   ],
   "for_you_en": [
    "a solution's quality depends on the opponent",
    "a large problem splits into cooperating parts",
    "want to generate ever harder test cases"
   ],
   "how": "W koewolucji konkurencyjnej osobniki są oceniane w starciach z przeciwnikami, np. rozwiązania z przypadkami testowymi. W kooperacyjnej problem dzieli się na części, każda ma własną populację, a ocenę dostaje się za wkład do wspólnego rozwiązania z partnerami. Archiwa i miary postępu pomagają ocenić, czy system się rozwija.",
   "how_en": "In competitive coevolution individuals are scored in contests against opponents, e.g. solutions versus test cases. In cooperative coevolution the problem is split into parts, each with its own population, scored by its contribution to a joint solution with partners. Archives and progress measures help judge whether the system advances.",
   "limits": "Brak stałej miary utrudnia ocenę postępu: występują cykle, zapominanie i utrata gradientu, gdy jedna strona zdominuje drugą. Ocena przez interakcje bywa kosztowna i zaszumiona.",
   "limits_en": "Without a fixed measure progress is hard to judge: cycling, forgetting and loss of gradient appear when one side dominates the other. Evaluation through interactions can be costly and noisy.",
   "terms": [
    {
     "gloss": "Wzajemne napędzanie się postępu dwóch konkurujących populacji.",
     "term": "wyścig zbrojeń"
    },
    {
     "gloss": "Jedna strona wygrywa zawsze, więc brak sygnału do poprawy.",
     "term": "utrata gradientu"
    },
    {
     "gloss": "Osobne populacje dla części problemu składane w całość.",
     "term": "cooperative coevolution"
    }
   ],
   "terms_en": [
    {
     "gloss": "Two competing populations driving each other's progress.",
     "term": "arms race"
    },
    {
     "gloss": "One side always wins, so there is no signal to improve.",
     "term": "loss of gradient"
    },
    {
     "gloss": "Separate populations for problem parts assembled into a whole.",
     "term": "cooperative coevolution"
    }
   ],
   "prereq": [
    "geneticalgorithms"
   ],
   "keywords": [
    "competitive coevolution",
    "cooperative coevolution",
    "CCEA",
    "host-parasite coevolution",
    "Red Queen effect",
    "Pareto coevolution",
    "hall of fame archive",
    "cycling"
   ],
   "source_ids": [
    "eiben-smith-2015",
    "popovici-coevolution-2012"
   ],
   "url": "https://aiatlasgraph.com/t/coevolution",
   "markdown_url": "https://aiatlasgraph.com/t/coevolution.md",
   "updated": "2026-10-30"
  },
  "collabfiltering": {
   "id": "collabfiltering",
   "parent_id": "recommenders",
   "label": "Filtrowanie kolaboracyjne i faktoryzacja macierzy",
   "canonical_name": "Collaborative filtering and matrix factorisation",
   "description": "Polecanie na podstawie zachowań podobnych osób („kto kupił X, kupił też Y”); faktoryzacja macierzy uczy embeddingów użytkowników i produktów.",
   "description_en": "Recommending from the behaviour of similar people (“who bought X also bought Y”); matrix factorisation learns user and item embeddings.",
   "examples": "macierz użytkownik–produkt · embeddingi · model two-tower",
   "examples_en": "user–item matrix · embeddings · two-tower model",
   "plain": "To polecanie rzeczy na podstawie powtarzających się wzorców wyborów wielu osób.",
   "plain_en": "This recommends things using recurring patterns in many people's choices.",
   "solves": "Nie znasz jeszcze wszystkiego, co mogłoby ci się spodobać, a sam opis rzeczy nie wystarcza do wyboru.",
   "solves_en": "You have not discovered everything you might like, and item descriptions alone are not enough to choose.",
   "does": "Szuka podobieństw w zachowaniach ludzi lub uczy krótkie liczbowe opisy osób i rzeczy, żeby przewidywać brakujące oceny lub wybory.",
   "does_en": "It finds similarities in behaviour or learns short numerical representations of people and items to predict missing ratings or choices.",
   "example": "Dostajesz propozycję audycji, której słuchają też osoby wybierające wiele tych samych odcinków co ty.",
   "example_en": "You receive a programme suggestion because people who chose many of the same episodes as you also listen to it.",
   "for_you": [
    "masz historię wyborów wielu osób",
    "chcesz proponować rzeczy na podstawie podobnych zachowań"
   ],
   "for_you_en": [
    "have records of many people's choices",
    "want suggestions based on similar behaviour"
   ],
   "how": "Wzorce interakcji służą do wyszukiwania podobnych użytkowników lub obiektów. Faktoryzacja uczy ich wektorów, których iloczyny odtwarzają obserwowane oceny albo preferencje przy wybranej funkcji straty.",
   "how_en": "Interaction patterns identify similar users or items. Factorisation learns their vectors, whose products reconstruct observed ratings or preferences under a chosen loss.",
   "limits": "Brak interakcji nie oznacza braku zainteresowania. Rzadkie dane i cold start ograniczają dopasowanie, a bias ekspozycji może wzmacniać już popularne obiekty.",
   "limits_en": "Missing interactions do not imply disinterest. Sparse data and cold starts limit fit, while exposure bias can reinforce already popular items.",
   "terms": [
    {
     "gloss": "Tabela zapisanych kontaktów użytkowników z obiektami.",
     "term": "macierz interakcji"
    },
    {
     "gloss": "Przybliżenie macierzy przez iloczyn mniejszych macierzy reprezentacji.",
     "term": "faktoryzacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A table of recorded user–item interactions.",
     "term": "interaction matrix"
    },
    {
     "gloss": "Approximating a matrix through products of smaller representation matrices.",
     "term": "factorisation"
    }
   ],
   "prereq": [
    "linearalgebra",
    "mle"
   ],
   "keywords": [
    "ALS",
    "SVD",
    "BPR",
    "user-item embeddings",
    "two-tower models",
    "implicit feedback"
   ],
   "source_ids": [
    "google-recsys-architecture"
   ],
   "url": "https://aiatlasgraph.com/t/collabfiltering",
   "markdown_url": "https://aiatlasgraph.com/t/collabfiltering.md",
   "updated": "2026-10-30"
  },
  "collectives": {
   "id": "collectives",
   "parent_id": "compute",
   "label": "Komunikacja między GPU",
   "canonical_name": "Multi-GPU communication",
   "description": "Wymiana danych między wieloma kartami: operacje zbiorowe i topologia.",
   "description_en": "Moving data between many GPUs: collective operations and topology.",
   "examples": "NCCL · all-reduce · all-gather",
   "examples_en": "NCCL · all-reduce · all-gather",
   "plain": "To skoordynowana wymiana i łączenie danych między urządzeniami współpracującymi przy obliczeniach modelu.",
   "plain_en": "This coordinates data exchange and aggregation among devices working together on model computations.",
   "solves": "Każde urządzenie ma tylko część wyniku, a kolejny krok potrzebuje zgodnych informacji z całego zespołu.",
   "solves_en": "Each device holds only part of the result, while the next step needs consistent information from the whole group.",
   "does": "Operacje rozsyłają, zbierają lub sumują fragmenty według ustalonego schematu; układ połączeń wpływa na czas wymiany.",
   "does_en": "Operations broadcast, gather or sum portions according to a defined scheme; connection topology affects transfer time.",
   "example": "Po obliczeniu poprawek na różnych porcjach danych karty łączą wyniki, żeby zgodnie zaktualizować model.",
   "example_en": "After calculating updates on different data portions, cards combine results to update the model consistently.",
   "for_you": [
    "urządzenia muszą uzgadniać wspólne wyniki",
    "komunikacja ogranicza tempo treningu"
   ],
   "for_you_en": [
    "need devices to agree on shared results",
    "find communication limits training speed"
   ],
   "how": "Uczestnicy grupy wspólnie redukują, rozsyłają lub zbierają fragmenty tensorów według uzgodnionego protokołu. Algorytmy pierścieniowe, drzewiaste lub hierarchiczne dzielą transfery, dobierając trasę i rozmiary komunikatów do topologii.",
   "how_en": "Group participants jointly reduce, distribute or gather tensor fragments under a shared protocol. Ring, tree or hierarchical algorithms partition transfers, matching routes and message sizes to topology.",
   "limits": "Wolny uczestnik i zatłoczone łącze opóźniają grupę. Małe komunikaty płacą za latencję, duże za przepustowość; błędna kolejność kolektywów może blokować wykonanie.",
   "limits_en": "Slow participants and congested links delay groups. Small messages incur latency, large ones bandwidth costs; incorrect collective ordering can block execution.",
   "terms": [
    {
     "gloss": "Agregacja wkładów wszystkich uczestników z przekazaniem wyniku każdemu.",
     "term": "all-reduce"
    },
    {
     "gloss": "Zebranie rozdzielonych fragmentów tak, aby każdy uczestnik otrzymał całość.",
     "term": "all-gather"
    }
   ],
   "terms_en": [
    {
     "gloss": "Aggregating all participants' contributions and delivering the result to each.",
     "term": "all-reduce"
    },
    {
     "gloss": "Collecting distributed fragments so every participant receives the whole.",
     "term": "all-gather"
    }
   ],
   "prereq": [
    "parallelism",
    "interconnects"
   ],
   "keywords": [
    "NCCL",
    "all-reduce",
    "all-gather",
    "reduce-scatter",
    "ring all-reduce",
    "communication overlap",
    "hierarchical collectives"
   ],
   "source_ids": [
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/collectives",
   "markdown_url": "https://aiatlasgraph.com/t/collectives.md",
   "updated": "2026-10-30"
  },
  "commonsense": {
   "id": "commonsense",
   "parent_id": "logic",
   "label": "Rozumowanie zdroworozsądkowe",
   "canonical_name": "Commonsense reasoning",
   "aliases": [
    "commonsense reasoning",
    "commonsense knowledge",
    "common-sense reasoning",
    "wiedza zdroworozsądkowa",
    "rozumowanie potoczne"
   ],
   "description": "Dział AI zajmujący się reprezentowaniem i wykorzystaniem codziennej wiedzy o świecie fizycznym, społecznym i czasowym.",
   "description_en": "AI subfield on representing and using everyday knowledge of the physical, social and temporal world.",
   "plain": "Wiedza o świecie, której ludzie używają bez zastanowienia, np. że szklanka upuszczona na kafelki się stłucze.",
   "plain_en": "Knowledge about the world people use without thinking, such as a glass dropped on tiles will break.",
   "solves": "Maszyny potrafią błyszczeć w trudnych zadaniach, a potem popełniać błędy, których nie zrobiłoby dziecko, bo brakuje im oczywistej wiedzy.",
   "solves_en": "Machines can shine at hard tasks and then make mistakes no child would, because they lack obvious knowledge.",
   "does": "Dokłada do rozumowania niewypowiedziane założenia, tak jak człowiek domyśla się, że ktoś z mokrym parasolem właśnie wrócił z deszczu.",
   "does_en": "It adds unspoken assumptions to reasoning, the way a person guesses that someone holding a wet umbrella just came in from the rain.",
   "example": "Asystent poproszony o przepis zauważa, że nie da się upiec ciasta w pięć minut w zimnym piekarniku.",
   "example_en": "An assistant asked for a recipe notices that a cake cannot be baked in five minutes in a cold oven.",
   "for_you": [
    "zastanawiasz się, czemu AI myli się w oczywistych sprawach",
    "testujesz, czy model naprawdę rozumie sytuacje"
   ],
   "for_you_en": [
    "wonder why AI gets obvious things wrong",
    "test whether a model really understands situations"
   ],
   "how": "Podejścia obejmują ręcznie budowane bazy wiedzy i formalizacje logiczne, wydobywanie faktów z sieci, grafy wiedzy zbierane od ludzi oraz modele językowe trenowane na ogromnych tekstach. Ocena opiera się na testach wymagających rozstrzygania niejednoznaczności, np. schematach Winograda, w których zmiana jednego słowa zmienia, do kogo odnosi się zaimek.",
   "how_en": "Approaches include hand-built knowledge bases and logical formalisations, web fact mining, crowdsourced knowledge graphs and language models trained on vast text. Evaluation relies on tests requiring disambiguation, such as Winograd schemas where changing one word changes what a pronoun refers to.",
   "limits": "Wiedza zdroworozsądkowa ma długi ogon rzadkich przypadków i rzadko jest zapisywana wprost. Wynik na benchmarku nie gwarantuje rozumienia fizycznych ani społecznych zależności, bo model może wykorzystywać wskazówki i artefakty danych.",
   "limits_en": "Commonsense knowledge has a long tail of rare cases and is seldom written down explicitly. Benchmark performance does not guarantee understanding of physical or social dependencies, because a model may exploit cues and dataset artefacts.",
   "terms": [
    {
     "gloss": "Zdanie, w którym zaimek da się rozstrzygnąć tylko wiedzą o świecie.",
     "term": "schemat Winograda"
    },
    {
     "gloss": "Potoczne rozumienie, jak zachowują się przedmioty, płyny i ruch.",
     "term": "fizyka naiwna"
    },
    {
     "gloss": "Ogromna liczba rzadkich sytuacji, których nie obejmą przykłady.",
     "term": "długi ogon"
    }
   ],
   "terms_en": [
    {
     "gloss": "A sentence whose pronoun only world knowledge can resolve.",
     "term": "Winograd schema"
    },
    {
     "gloss": "Everyday understanding of how objects, liquids and motion behave.",
     "term": "naive physics"
    },
    {
     "gloss": "A huge number of rare situations examples will not cover.",
     "term": "long tail"
    }
   ],
   "prereq": [
    "kgraphs",
    "fol"
   ],
   "keywords": [
    "Winograd Schema Challenge",
    "WinoGrande",
    "HellaSwag",
    "CommonsenseQA",
    "PIQA",
    "ConceptNet",
    "ATOMIC",
    "Cyc",
    "naive physics"
   ],
   "source_ids": [
    "davis-marcus-commonsense-2015"
   ],
   "url": "https://aiatlasgraph.com/t/commonsense",
   "markdown_url": "https://aiatlasgraph.com/t/commonsense.md",
   "updated": "2026-10-30"
  },
  "compliancechecking": {
   "id": "compliancechecking",
   "parent_id": "computationallaw",
   "label": "Automatyczne sprawdzanie zgodności z przepisami",
   "canonical_name": "Automated regulatory compliance checking",
   "aliases": [
    "regulatory compliance checking",
    "compliance automation",
    "RegTech compliance",
    "compliance by design",
    "business process compliance",
    "sprawdzanie zgodności z regulacjami"
   ],
   "description": "Weryfikacja procesów biznesowych i dokumentów względem norm prawnych: klasycznie przez formalne reguły deontyczne, współcześnie także z LLM i wyszukiwaniem.",
   "description_en": "Verifying business processes and documents against legal norms: classically with formal deontic rules, more recently also with LLMs and retrieval.",
   "plain": "Program porównuje dokumenty albo procedury firmy z wymaganiami przepisów i wskazuje, gdzie czegoś brakuje lub coś jest niezgodne.",
   "plain_en": "Software compares a company's documents or procedures with legal requirements and points out what is missing or non-compliant.",
   "solves": "Firmy muszą spełniać setki wymogów z wielu przepisów, a ręczne sprawdzanie każdej polityki i procedury jest powolne i dziurawe.",
   "solves_en": "Companies must meet hundreds of requirements from many laws, and checking every policy and procedure by hand is slow and full of gaps.",
   "does": "Jak audytor z listą kontrolną zbudowaną z przepisów: przechodzi przez każdy krok procesu i notuje, który obowiązek nie został spełniony.",
   "does_en": "Like an auditor with a checklist built from the regulations, walking through each step of a process and noting which obligation was not met.",
   "example": "Sklep internetowy sprawdza swoją politykę prywatności i dostaje listę informacji, które według przepisów musi jeszcze przekazać klientom.",
   "example_en": "An online shop checks its privacy policy and gets a list of information the regulations still require it to give customers.",
   "for_you": [
    "odpowiadasz w firmie za zgodność z przepisami",
    "piszesz polityki lub regulaminy",
    "projektujesz procesy w regulowanej branży"
   ],
   "for_you_en": [
    "are responsible for regulatory compliance at a company",
    "write policies or terms of service",
    "design processes in a regulated industry"
   ],
   "how": "Klasycznie normy zapisuje się jako reguły deontyczne (obowiązki, zakazy, pozwolenia, z wyjątkami i karami), np. w LegalRuleML, a kroki procesu opisuje się ich skutkami; reasoner sprawdza każdą ścieżkę wykonania. Proces jest zgodny, gdy każde naruszenie zostało skompensowane. Podejścia z LLM wyszukują fragmenty dokumentu odpowiadające wymogom i oceniają ich spełnienie, czasem z grafem wiedzy.",
   "how_en": "Classically, norms are encoded as deontic rules (obligations, prohibitions, permissions, with exceptions and penalties), e.g. in LegalRuleML, and process steps are annotated with their effects; a reasoner checks every execution path. A process is compliant if every violation is compensated. LLM approaches retrieve document passages matching requirements and judge whether they are met, sometimes with a knowledge graph.",
   "limits": "Formalizacja norm jest ręczna, droga i wymaga interpretacji prawnika. Metody z LLM często publikuje się bez solidnych pomiarów skuteczności. Przepisy się zmieniają, a wynik „zgodne” nie zastępuje opinii prawnej ani odpowiedzialności człowieka.",
   "limits_en": "Formalising norms is manual, expensive and requires a lawyer's interpretation. LLM methods are often published without solid effectiveness measurements. Regulations change, and a 'compliant' result does not replace legal advice or human accountability.",
   "terms": [
    {
     "gloss": "Reguła mówiąca, co jest obowiązkowe, zakazane lub dozwolone.",
     "term": "norma deontyczna"
    },
    {
     "gloss": "Reguła, którą wyjątek może uchylić.",
     "term": "reguła odwoływalna (defeasible)"
    },
    {
     "gloss": "Projektowanie procesu od początku zgodnie z przepisami.",
     "term": "compliance by design"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule stating what is obligatory, forbidden or permitted.",
     "term": "deontic norm"
    },
    {
     "gloss": "A rule that an exception can override.",
     "term": "defeasible rule"
    },
    {
     "gloss": "Designing a process to comply with regulations from the start.",
     "term": "compliance by design"
    }
   ],
   "prereq": [
    "logic",
    "retrieval"
   ],
   "keywords": [
    "LegalRuleML",
    "defeasible deontic logic",
    "compliance by design",
    "Regorous",
    "BPMN",
    "RegTech",
    "GDPR compliance",
    "knowledge graph",
    "RAG"
   ],
   "source_ids": [
    "oasis-legalruleml-2021",
    "governatori-ict-compliance-2014",
    "garza-privcomp-kg-2024"
   ],
   "url": "https://aiatlasgraph.com/t/compliancechecking",
   "markdown_url": "https://aiatlasgraph.com/t/compliancechecking.md",
   "updated": "2026-10-30"
  },
  "comppathology": {
   "id": "comppathology",
   "parent_id": "medimaging",
   "label": "Patologia cyfrowa: analiza skanów preparatów tkankowych",
   "canonical_name": "Computational pathology on whole-slide images",
   "aliases": [
    "digital pathology",
    "computational pathology",
    "whole-slide image analysis",
    "WSI",
    "patologia obliczeniowa"
   ],
   "description": "Analiza cyfrowych skanów całych preparatów (WSI): klasyfikacja nowotworów, wykrywanie przerzutów i przewidywanie biomarkerów z obrazu tkanki.",
   "description_en": "Analysis of digital whole-slide images (WSI): cancer classification, metastasis detection and biomarker prediction from tissue images.",
   "plain": "Program analizuje zeskanowane w ogromnej rozdzielczości szkiełka z wycinkami tkanki i pomaga ocenić, czy jest tam nowotwór i jaki.",
   "plain_en": "Software that analyses huge, high-resolution scans of tissue slides and helps judge whether a cancer is there and what kind.",
   "solves": "Patologów jest mało, a jeden preparat to miliardy pikseli; przejrzenie go pod mikroskopem kawałek po kawałku zajmuje dużo czasu.",
   "solves_en": "Pathologists are scarce and one slide holds billions of pixels; checking it piece by piece under a microscope takes a long time.",
   "does": "Kroi skan na tysiące małych kafelków, ocenia każdy z osobna, a potem składa wnioski w jedną ocenę całego preparatu, jak mozaikę.",
   "does_en": "Cuts the scan into thousands of small tiles, scores each one, then assembles the findings into one verdict for the whole slide, like a mosaic.",
   "example": "Po biopsji program podświetla patologowi fragmenty wycinka, w których komórki wyglądają na nowotworowe, i proponuje typ zmiany do potwierdzenia.",
   "example_en": "After a biopsy, software highlights the parts of the sample where cells look cancerous and suggests a tumour type for the pathologist to confirm.",
   "for_you": [
    "czekasz na wynik biopsji",
    "pracujesz w laboratorium patomorfologii"
   ],
   "for_you_en": [
    "are waiting for a biopsy result",
    "work in a pathology lab"
   ],
   "how": "Gigapikselowy skan dzieli się na łatki; enkoder, często model bazowy uczony samonadzorowo na milionach łatek, zamienia je w embeddingi. Uczenie wieloinstancyjne z agregacją przez uwagę łączy je w predykcję dla całego preparatu, więc wystarcza etykieta szkiełka zamiast obrysów.",
   "how_en": "The gigapixel scan is split into patches; an encoder, often a self-supervised foundation model trained on millions of patches, turns them into embeddings. Attention-based multiple-instance learning pools them into a slide-level prediction, so a slide label suffices instead of outlines.",
   "limits": "Barwienie i skanery różnią się między laboratoriami, co utrudnia przenoszenie modeli. Skany zajmują ogromne ilości pamięci. Etykiety na poziomie preparatu są słabe, a mapy uwagi nie zawsze wskazują rzeczywiste cechy diagnostyczne.",
   "limits_en": "Staining and scanners differ between labs, which hampers transfer. Scans take enormous storage. Slide-level labels are weak, and attention maps do not always point to real diagnostic features.",
   "terms": [
    {
     "gloss": "Skan całego szkiełka z tkanką w bardzo wysokiej rozdzielczości.",
     "term": "WSI"
    },
    {
     "gloss": "Nauka z jedną etykietą dla całego zbioru kafelków, nie dla każdego.",
     "term": "uczenie wieloinstancyjne"
    },
    {
     "gloss": "Standardowe barwienie tkanek, od którego zależy wygląd skanu.",
     "term": "barwienie H&E"
    }
   ],
   "terms_en": [
    {
     "gloss": "A very high-resolution scan of a whole tissue slide.",
     "term": "WSI"
    },
    {
     "gloss": "Learning from one label for a whole bag of tiles, not each tile.",
     "term": "multiple-instance learning"
    },
    {
     "gloss": "The standard tissue stain that shapes how a scan looks.",
     "term": "H&E staining"
    }
   ],
   "prereq": [
    "visionssl",
    "imageclassification"
   ],
   "keywords": [
    "whole-slide imaging",
    "multiple instance learning",
    "ABMIL",
    "UNI",
    "CONCH",
    "CLAM",
    "stain normalization",
    "H&E",
    "pathology foundation models"
   ],
   "source_ids": [
    "uni-pathology-2023"
   ],
   "url": "https://aiatlasgraph.com/t/comppathology",
   "markdown_url": "https://aiatlasgraph.com/t/comppathology.md",
   "updated": "2026-10-30"
  },
  "compression": {
   "id": "compression",
   "parent_id": "systems",
   "label": "Kwantyzacja i kompresja",
   "canonical_name": "Quantization and compression",
   "description": "Zmniejszanie kosztu pamięci i obliczeń.",
   "description_en": "Cutting memory and compute cost.",
   "examples": "Niższa precyzja · pruning",
   "examples_en": "Lower precision · pruning",
   "plain": "To zmniejszanie zapisu lub aktywnej części modelu, żeby ograniczyć jego potrzeby pamięciowe i obliczeniowe.",
   "plain_en": "This reduces a model's representation or active components to lower memory and computation needs.",
   "solves": "Model nie mieści się na urządzeniu albo jego obsługa kosztuje zbyt dużo zasobów.",
   "solves_en": "A model does not fit on your device or serving it consumes too many resources.",
   "does": "Liczby zapisuje się oszczędniej lub pomija wybrane połączenia; uzyskane oszczędności i błędy zależą od metody oraz obsługi sprzętowej.",
   "does_en": "Numbers are stored more compactly or selected connections are omitted; savings and errors depend on the method and hardware support.",
   "example": "Wybierasz mniejszy zapis modelu do laptopa i porównujesz odpowiedzi z pełniejszą wersją.",
   "example_en": "You choose a smaller model representation for a laptop and compare its responses with the fuller version.",
   "for_you": [
    "pamięć urządzenia ogranicza wybór modelu",
    "chcesz sprawdzić kompromis między kosztem a jakością"
   ],
   "for_you_en": [
    "find device memory limits model choice",
    "want to check cost-quality trade-offs"
   ],
   "how": "Reprezentację wag, aktywacji lub struktury modelu zmienia się tak, aby zużywała mniej zasobów. Kwantyzacja ogranicza precyzję, pruning usuwa elementy, a kalibracja i ewaluacja sprawdzają utratę jakości względem pierwotnego modelu.",
   "how_en": "Weight, activation or structural representations are changed to use fewer resources. Quantisation reduces precision, pruning removes elements, and calibration and evaluation assess quality loss against the original model.",
   "limits": "Mniejszy zapis nie zawsze daje szybsze wykonanie. Dekodowanie formatu i brak odpowiednich kerneli mogą zniwelować zysk; utratę jakości trzeba mierzyć na reprezentatywnych zadaniach.",
   "limits_en": "Smaller storage does not always yield faster execution. Format decoding and missing kernels can cancel gains; quality loss needs measurement on representative tasks.",
   "terms": [
    {
     "gloss": "Dobór parametrów przybliżenia na przykładach reprezentujących przyszłe użycie.",
     "term": "kalibracja kompresji"
    },
    {
     "gloss": "Różnica wywołana zmianą reprezentacji lub struktury modelu.",
     "term": "błąd przybliżenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "Choosing approximation parameters using examples representing future use.",
     "term": "compression calibration"
    },
    {
     "gloss": "A difference caused by changing model representations or structure.",
     "term": "approximation error"
    }
   ],
   "prereq": [
    "linearalgebra",
    "evalsets"
   ],
   "keywords": [
    "INT8",
    "INT4",
    "post-training quantization",
    "quantization-aware training",
    "structured sparsity",
    "calibration datasets",
    "approximation error",
    "group-wise quantization"
   ],
   "source_ids": [
    "cs336",
    "fsdl",
    "bootcamp",
    "dlai",
    "wafer-gpu",
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/compression",
   "markdown_url": "https://aiatlasgraph.com/t/compression.md",
   "updated": "2026-10-30"
  },
  "computationallaw": {
   "id": "computationallaw",
   "parent_id": "legalai",
   "label": "Formalizacja prawa",
   "canonical_name": "Computational law and formal legal models",
   "aliases": [
    "computational law",
    "formal models of law",
    "legal knowledge representation",
    "symbolic AI and law",
    "legal expert systems",
    "prawo obliczeniowe",
    "formalizacja przepisów"
   ],
   "description": "Symboliczny nurt AI i prawa: reprezentacja norm w logice i językach programowania oraz obliczeniowe modele rozumowania i argumentacji prawniczej.",
   "description_en": "The symbolic strand of AI and law: representing norms in logic and programming languages, and computational models of legal reasoning and argument.",
   "plain": "Zapisywanie przepisów i sposobów argumentowania w języku, który komputer potrafi ściśle wykonać i sprawdzić, zamiast tylko czytać tekst.",
   "plain_en": "Writing laws and ways of arguing in a language a computer can execute and check precisely, rather than merely read as text.",
   "solves": "Przepisy pisane prozą są niejednoznaczne i rozproszone, więc urzędy i firmy różnie je liczą, a błędy w systemach wychodzą dopiero po latach.",
   "solves_en": "Laws written in prose are ambiguous and scattered, so agencies and firms compute them differently, and errors in systems surface years later.",
   "does": "Jak przepisanie przepisu kulinarnego na dokładny algorytm z wagą w gramach: każdy krok i wyjątek musi być nazwany, więc luki od razu wychodzą na jaw.",
   "does_en": "Like rewriting a recipe as an exact algorithm with gram weights: every step and exception must be named, so gaps show up straight away.",
   "example": "Kalkulator zasiłku na stronie urzędu liczy kwotę według tej samej, sprawdzonej wersji przepisów, której używa system wypłat.",
   "example_en": "A benefits calculator on an agency website computes the amount from the same verified version of the rules that the payment system uses.",
   "for_you": [
    "projektujesz system liczący podatki, zasiłki lub opłaty",
    "interesuje cię, jak komputer może rozumować o prawie"
   ],
   "for_you_en": [
    "design a system that computes taxes, benefits or fees",
    "wonder how a computer can reason about law"
   ],
   "how": "Normy zapisuje się jako reguły z wyjątkami (logika domyślna i niemonotoniczna), w dedykowanych językach programowania albo jako ontologie pojęć prawnych. Modele argumentacji reprezentują sprawy przez czynniki sprzyjające stronom i formalizują ruchy w sporze. Dziś łączy się je z LLM, które tłumaczą tekst na reguły.",
   "how_en": "Norms are encoded as rules with exceptions (default and non-monotonic logic), in dedicated programming languages or as ontologies of legal concepts. Argument models represent cases by factors favouring each side and formalise moves in a dispute. Today they are combined with LLMs that translate text into rules.",
   "limits": "Ręczna formalizacja jest pracochłonna i wymaga prawnika oraz programisty naraz. Nie każdy przepis da się zapisać ściśle, bo prawo celowo zostawia pojęcia nieostre. Status prawny wersji kodowej i jej aktualizacje pozostają otwarte.",
   "limits_en": "Manual formalisation is laborious and needs a lawyer and a programmer together. Not every provision can be stated precisely, as law deliberately leaves concepts vague. The legal status of the coded version and its updates remain open questions.",
   "terms": [
    {
     "gloss": "Logika, w której nowy fakt może obalić wcześniejszy wniosek.",
     "term": "logika niemonotoniczna"
    },
    {
     "gloss": "Program wnioskujący z ręcznie spisanych reguł dziedziny.",
     "term": "system ekspercki"
    },
    {
     "gloss": "Termin prawny celowo nieprecyzyjny, np. „należyta staranność”.",
     "term": "pojęcie nieostre"
    }
   ],
   "terms_en": [
    {
     "gloss": "A logic in which a new fact can defeat an earlier conclusion.",
     "term": "non-monotonic logic"
    },
    {
     "gloss": "A program that reasons from hand-written domain rules.",
     "term": "expert system"
    },
    {
     "gloss": "A deliberately imprecise legal term, e.g. 'due care'.",
     "term": "open-textured concept"
    }
   ],
   "prereq": [
    "fol",
    "ontologies"
   ],
   "keywords": [
    "rules as code",
    "Catala",
    "defeasible logic",
    "LegalRuleML",
    "legal ontologies",
    "computational models of argument",
    "HYPO",
    "CATO",
    "ICAIL"
   ],
   "source_ids": [
    "merigoux-catala-2021",
    "benchcapon-hypo-legacy-2017",
    "catala-exceptions-docs"
   ],
   "url": "https://aiatlasgraph.com/t/computationallaw",
   "markdown_url": "https://aiatlasgraph.com/t/computationallaw.md",
   "updated": "2026-10-30"
  },
  "compute": {
   "id": "compute",
   "parent_id": "systems",
   "label": "GPU i obliczenia rozproszone",
   "canonical_name": "GPU and distributed computing",
   "description": "Wykorzystanie akceleratorów i wielu urządzeń.",
   "description_en": "Using accelerators and many devices.",
   "examples": "Pamięć · kernels · parallelism",
   "examples_en": "Memory · kernels · parallelism",
   "plain": "To wykonywanie obliczeń modelu na akceleratorach i dzielenie pracy między wiele urządzeń.",
   "plain_en": "This runs model calculations on accelerators and distributes work across multiple devices.",
   "solves": "Uczenie lub obsługa modelu trwa zbyt długo, żeby wystarczył zwykły sposób wykonywania obliczeń.",
   "solves_en": "Training or serving a model takes too long for a basic computation approach to suffice.",
   "does": "Pracę dzieli się na równoległe zadania, dopasowuje obliczenia do pamięci i koordynuje wymianę wyników, mierząc rzeczywiste wąskie gardła.",
   "does_en": "Work is split into parallel tasks, computations are aligned with memory, and results are exchanged while actual bottlenecks are measured.",
   "example": "Duży trening rozdzielasz między karty, a pomiary pokazują, ile czasu zajmują obliczenia i komunikacja.",
   "example_en": "You distribute a large training run across cards, and measurements show time spent computing and communicating.",
   "for_you": [
    "potrzebujesz przyspieszyć trening lub odpowiedzi",
    "korzystasz z wielu urządzeń obliczeniowych"
   ],
   "for_you_en": [
    "need faster training or responses",
    "use multiple computation devices"
   ],
   "how": "Operacje tensorowe dzieli się na równoległe kernele, dobierając rozmieszczenie danych do pamięci i jednostek obliczeniowych. Wiele urządzeń współpracuje przez podział danych lub modelu oraz synchronizację wyników, gradientów i stanów pośrednich.",
   "how_en": "Tensor operations are divided into parallel kernels with data placement matched to memory and compute units. Multiple devices cooperate through data or model partitioning and synchronisation of outputs, gradients and intermediate states.",
   "limits": "Narzut uruchamiania, transfery i komunikacja ograniczają skalowanie. Małe lub nieregularne operacje słabo wykorzystują sprzęt; więcej urządzeń może zwiększać koszt bez proporcjonalnego przyspieszenia.",
   "limits_en": "Launch overhead, transfers and communication limit scaling. Small or irregular operations underutilise hardware; more devices can raise costs without proportional speed gains.",
   "terms": [
    {
     "gloss": "Jednoczesne wykonanie niezależnych części obliczenia.",
     "term": "równoległość"
    },
    {
     "gloss": "Uzgodnienie kolejności lub wyników między współpracującymi wykonawcami.",
     "term": "synchronizacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Simultaneous execution of independent computation portions.",
     "term": "parallelism"
    },
    {
     "gloss": "Coordinating order or results among cooperating execution units.",
     "term": "synchronisation"
    }
   ],
   "prereq": [
    "linearalgebra",
    "backprop"
   ],
   "keywords": [
    "CUDA",
    "NCCL",
    "GEMM",
    "tensor parallelism",
    "pipeline parallelism",
    "data parallelism",
    "shared memory",
    "memory coalescing",
    "kernel fusion",
    "GPU profiling"
   ],
   "source_ids": [
    "cs336",
    "fsdl",
    "bootcamp",
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/compute",
   "markdown_url": "https://aiatlasgraph.com/t/compute.md",
   "updated": "2026-10-30"
  },
  "computeruse": {
   "id": "computeruse",
   "parent_id": "agentsnode",
   "label": "Agenci przy komputerze",
   "canonical_name": "Computer and browser use",
   "description": "Agent klikający w przeglądarce i w systemie.",
   "description_en": "An agent clicking in a browser and on a desktop.",
   "plain": "To asystent, który obsługuje stronę lub program przez klikanie, pisanie i odczytywanie ekranu.",
   "plain_en": "This assistant operates a website or program by reading the screen, clicking and typing.",
   "solves": "Musisz powtarzać wiele kliknięć, bo program nie daje innego sposobu wykonania potrzebnej czynności.",
   "solves_en": "You have to repeat many clicks because a program offers no other way to perform the action you need.",
   "does": "Ogląda ekran, wybiera następny ruch i po jego wykonaniu sprawdza, co się zmieniło.",
   "does_en": "It looks at the screen, chooses the next action and checks what changed before deciding what to do next.",
   "example": "Asystent przepisuje adresy ze wskazanego arkusza do formularza w firmowym portalu.",
   "example_en": "An assistant copies addresses from a spreadsheet into a form on your workplace portal.",
   "for_you": [
    "wykonujesz powtarzalne czynności w przeglądarce",
    "potrzebujesz pomocy z programem obsługiwanym głównie przez klikanie"
   ],
   "for_you_en": [
    "repeat the same actions in a browser",
    "need help with software mainly operated through clicks"
   ],
   "how": "Model interpretuje zrzut ekranu lub strukturę interfejsu i wybiera akcję, na przykład kliknięcie lub wpisanie tekstu. Kontroler wykonuje akcję, odczytuje nowy stan i przekazuje go do następnego kroku pętli.",
   "how_en": "The model interprets a screenshot or interface structure and selects an action, such as clicking or typing. A controller executes the action, reads the new state and supplies it to the next loop step.",
   "limits": "Zmiany układu, opóźnienia i niejednoznaczne elementy utrudniają poprawne trafienie w cel. Dostęp do interfejsu nie potwierdza uprawnienia do działania; operacje wymagają kontroli skutków i izolacji środowiska.",
   "limits_en": "Layout changes, delays and ambiguous elements make accurate targeting harder. Interface access does not establish authorization to act; operations require effect checks and environment isolation.",
   "terms": [
    {
     "gloss": "Powiązanie polecenia z konkretnym elementem widocznego interfejsu.",
     "term": "grounding interfejsu"
    },
    {
     "gloss": "Operacja wejścia, taka jak kliknięcie, przewinięcie lub wpisanie tekstu.",
     "term": "akcja"
    },
    {
     "gloss": "Aktualne elementy i wartości dostępne po wykonaniu akcji.",
     "term": "stan interfejsu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Linking an instruction to a specific visible interface element.",
     "term": "interface grounding"
    },
    {
     "gloss": "An input operation such as clicking, scrolling or typing.",
     "term": "action"
    },
    {
     "gloss": "Current elements and values available after an action.",
     "term": "interface state"
    }
   ],
   "prereq": [
    "agentsecurity",
    "docvision"
   ],
   "keywords": [
    "GUI grounding",
    "accessibility tree",
    "DOM",
    "Playwright",
    "WebArena",
    "OSWorld"
   ],
   "courses": [
    {
     "title": "Building toward Computer Use with Anthropic",
     "url": "https://www.deeplearning.ai/courses/building-toward-computer-use-with-anthropic"
    },
    {
     "title": "Building AI Browser Agents",
     "url": "https://www.deeplearning.ai/courses/building-ai-browser-agents"
    }
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/computeruse",
   "markdown_url": "https://aiatlasgraph.com/t/computeruse.md",
   "updated": "2026-10-30"
  },
  "concisereasoning": {
   "id": "concisereasoning",
   "parent_id": "efficientreasoning",
   "label": "Skracanie łańcucha myśli",
   "canonical_name": "Reasoning length reduction",
   "description": "Trening lub promptowanie mające ograniczać długość rozumowania przy zachowaniu możliwie wysokiej jakości odpowiedzi — np. przez sygnał kosztu długości, dostrajanie na zwięzłych śladach albo instrukcje zwięzłości.",
   "description_en": "Training or prompting aimed at reducing reasoning length while preserving answer quality as much as possible — for example via a length-cost signal, fine-tuning on concise traces, or brevity instructions.",
   "examples": "kara za długość · zwięzłe ślady · prompt o zwięzłość",
   "examples_en": "length penalty · concise traces · brevity prompt",
   "plain": "To uczenie lub instruowanie modelu, żeby rozwiązywał zadanie z mniejszą liczbą zapisanych kroków.",
   "plain_en": "This trains or instructs a model to solve tasks with fewer written reasoning steps.",
   "solves": "Rozumowanie zawiera powtórzenia i dygresje, które zwiększają koszt i opóźniają odpowiedź.",
   "solves_en": "Reasoning contains repetition and digressions that increase cost and delay the answer.",
   "does": "Przykłady zwięzłych rozwiązań, koszt długości lub instrukcja zachęcają do krótszej drogi; trzeba sprawdzić, czy nie usuwa potrzebnych kroków.",
   "does_en": "Concise examples, length costs or instructions encourage a shorter path; checks must ensure necessary steps are retained.",
   "example": "Porównujesz krótszy sposób obliczania kosztów z długim rozwiązaniem i sprawdzasz poprawność na nowych koszykach.",
   "example_en": "You compare a shorter cost calculation with a lengthy solution and check correctness on new baskets.",
   "for_you": [
    "odpowiedzi zawierają zbędne etapy",
    "chcesz zmniejszyć koszt bez utraty potrzebnych kroków"
   ],
   "for_you_en": [
    "find responses contain unnecessary steps",
    "want lower costs while retaining necessary steps"
   ],
   "how": "Instrukcje, krótsze demonstracje lub cel treningowy premiują pomijanie powtórzeń i zbędnych rozwinięć. Zachowanie ocenia się na poprawności oraz długości śladu, aby oddzielić użyteczne skrócenie od utraty potrzebnych kroków.",
   "how_en": "Instructions, shorter demonstrations or training objectives reward removing repetition and unnecessary elaboration. Behaviour is assessed for correctness and trace length to distinguish useful shortening from loss of necessary steps.",
   "limits": "Presja na zwięzłość może usuwać weryfikację i utrudniać monitorowanie. Krótszy tekst nie dowodzi tańszych wewnętrznych obliczeń; wyniki zależą od trudności i formatu zadania.",
   "limits_en": "Pressure for brevity can remove verification and hinder monitoring. Shorter text does not prove cheaper internal computation; results depend on task difficulty and format.",
   "terms": [
    {
     "gloss": "Składnik celu ograniczający liczbę wygenerowanych tokenów lub kroków.",
     "term": "kara za długość"
    },
    {
     "gloss": "Sekwencja zachowująca potrzebne kroki bez powtarzania i zbędnych rozwinięć.",
     "term": "zwięzły ślad"
    }
   ],
   "terms_en": [
    {
     "gloss": "An objective component limiting generated tokens or steps.",
     "term": "length penalty"
    },
    {
     "gloss": "A sequence retaining necessary steps without repetition or unnecessary elaboration.",
     "term": "concise trace"
    }
   ],
   "prereq": [
    "sft",
    "prompting"
   ],
   "keywords": [
    "length penalties",
    "brevity prompting",
    "reasoning trace compression",
    "token-efficient reasoning"
   ],
   "source_ids": [
    "stop-overthinking-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/concisereasoning",
   "markdown_url": "https://aiatlasgraph.com/t/concisereasoning.md",
   "updated": "2026-10-30"
  },
  "condaugment": {
   "id": "condaugment",
   "parent_id": "cascadediff",
   "label": "Augmentacja obrazu warunkującego",
   "canonical_name": "Conditioning augmentation for cascaded diffusion",
   "aliases": [
    "conditioning augmentation",
    "condition noise augmentation",
    "augmentacja warunku"
   ],
   "description": "Zniekształcanie niskiej rozdzielczości w treningu modeli super-rozdzielczości.",
   "description_en": "Corrupting the low-resolution input while training super-resolution models.",
   "plain": "Model powiększania ćwiczy na celowo zniekształconym szkicu, żeby nie kopiował jego błędów.",
   "plain_en": "An upscaling model trains on a deliberately distorted sketch so it does not copy its errors.",
   "solves": "Czysty szkic z danych różni się od szkicu, który naprawdę wygeneruje poprzedni model.",
   "solves_en": "A clean sketch from the data differs from the sketch the previous model will actually generate.",
   "does": "W treningu lekko psuje i rozmywa obraz wejściowy, więc model uczy się poprawiać, a nie tylko ślepo powiększać.",
   "does_en": "Training lightly corrupts and blurs the input image, so the model learns to repair rather than blindly enlarge.",
   "example": "Mały szkic ma krzywą krawędź kubka, a model powiększania i tak ją prostuje, bo widział podobne usterki w ćwiczeniach.",
   "example_en": "A small sketch has a bent cup edge, and the upscaler still straightens it because it saw similar flaws in training.",
   "for_you": [
    "powiększenie wiernie kopiuje błędy szkicu",
    "składasz kilka modeli o rosnącej rozdzielczości",
    "wynik kaskady rozjeżdża się dopiero na końcu"
   ],
   "for_you_en": [
    "upscaling faithfully copies sketch errors",
    "you chain several models of rising resolution",
    "the cascade only falls apart at the last stage"
   ],
   "how": "Niskorozdzielcze wejście modelu super-rozdzielczości jest podczas treningu celowo perturbowane. Model uczy się dzięki temu warunkowego rozkładu odporniejszego na niedoskonałości próbek z poprzedniego etapu, co ogranicza kumulację błędów w kaskadzie.",
   "how_en": "The low-resolution input to the super-resolution model is deliberately perturbed during training. This teaches a conditional distribution that is more robust to imperfections in samples from the preceding stage, reducing error compounding across the cascade.",
   "limits": "Poziom i rodzaj perturbacji trzeba dostroić: zbyt słaba nie pokrywa błędów poprzedniego etapu, a zbyt silna może osłabić zgodność z układem wejściowym. Metoda ogranicza przesunięcie rozkładu, lecz nie gwarantuje naprawy każdej sprzeczności.",
   "limits_en": "Perturbation strength and type must be tuned: too weak does not cover errors from the preceding stage, while too strong can weaken fidelity to the input layout. The method reduces distribution shift but cannot guarantee repair of every inconsistency.",
   "terms": [
    {
     "gloss": "Mniejszy szkic, według którego model dopisuje szczegóły.",
     "term": "obraz warunkujący"
    },
    {
     "gloss": "Celowe pogorszenie wejścia, na przykład szumem albo rozmyciem.",
     "term": "degradacja"
    },
    {
     "gloss": "Rozkład obrazu wynikowego przy zadanym szkicu wejściowym.",
     "term": "rozkład warunkowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "The smaller sketch according to which the model adds detail.",
     "term": "conditioning image"
    },
    {
     "gloss": "Deliberately worsening the input, for example with noise or blur.",
     "term": "degradation"
    },
    {
     "gloss": "The distribution of the output image given an input sketch.",
     "term": "conditional distribution"
    }
   ],
   "prereq": [
    "imagerestoration",
    "ddpm"
   ],
   "keywords": [
    "conditioning augmentation",
    "cascaded super-resolution",
    "noise conditioning augmentation",
    "compounding error",
    "low-resolution conditioning"
   ],
   "source_ids": [
    "cascaded-diffusion-2021"
   ],
   "url": "https://aiatlasgraph.com/t/condaugment",
   "markdown_url": "https://aiatlasgraph.com/t/condaugment.md",
   "updated": "2026-10-30"
  },
  "conformalprediction": {
   "id": "conformalprediction",
   "parent_id": "robustness",
   "label": "Predykcja konformalna",
   "canonical_name": "Conformal prediction",
   "aliases": [
    "split conformal",
    "distribution-free uncertainty quantification",
    "conformal prediction sets"
   ],
   "description": "Metody nadające dowolnemu modelowi zbiory lub przedziały predykcji o kontrolowanym pokryciu brzegowym przy wymiennych danych, bez parametrycznych założeń o rozkładzie.",
   "description_en": "Methods that equip any model with prediction sets or intervals having controlled marginal coverage under exchangeable data, without parametric distribution assumptions.",
   "plain": "Metoda, która do odpowiedzi modelu dokleja zakres albo listę możliwości o zadanym pokryciu statystycznym.",
   "plain_en": "A method that attaches a range or a short list of options to a model's answer with a chosen statistical coverage level.",
   "solves": "Model odpowiada równie stanowczo, gdy wie i gdy zgaduje, a decyzje wymagają wiedzy, jak bardzo mu ufać.",
   "solves_en": "A model sounds equally sure when it knows and when it guesses, but decisions need to know how far to trust it.",
   "does": "Sprawdza, jak bardzo model mylił się na odłożonych przykładach, i według tego poszerza widełki dla nowej odpowiedzi.",
   "does_en": "It checks how wrong the model was on set-aside examples and widens the range for a new answer accordingly.",
   "example": "Aplikacja rozpoznająca grzyby pokazuje trzy możliwe gatunki zamiast jednego, gdy zdjęcie jest niejednoznaczne.",
   "example_en": "A mushroom-identification app shows three possible species instead of one when the photo is ambiguous.",
   "for_you": [
    "podejmujesz decyzje na podstawie prognoz modelu",
    "potrzebujesz gwarancji, jak często model trafia"
   ],
   "for_you_en": [
    "make decisions based on model predictions",
    "need a guarantee of how often the model is right"
   ],
   "how": "W wariancie split na odłożonym zbiorze kalibracyjnym liczy się wyniki niezgodności, np. błąd bezwzględny albo 1 minus prawdopodobieństwo prawdziwej klasy. Ich kwantyl wyznacza próg: zbiór predykcji dla nowego przykładu zawiera wszystkie odpowiedzi z wynikiem poniżej progu. Działa z każdym wytrenowanym modelem.",
   "how_en": "In split conformal, nonconformity scores, e.g. absolute error or one minus the true-class probability, are computed on a held-out calibration set. Their quantile sets a threshold: the prediction set for a new example contains every answer scoring below it. It works with any trained model.",
   "limits": "Gwarancja pokrycia jest średnia (brzegowa), nie dla każdego przypadku z osobna, i wymaga wymienności danych; przy przesunięciu rozkładu słabnie. Słaby model daje szerokie, mało użyteczne zbiory. Potrzebny jest osobny zbiór kalibracyjny.",
   "limits_en": "Coverage holds on average (marginally), not for each individual case, and requires exchangeable data; it weakens under distribution shift. A weak model yields wide, unhelpful sets. A separate calibration set is needed.",
   "terms": [
    {
     "gloss": "Odsetek przypadków, w których prawdziwa odpowiedź trafia do zbioru.",
     "term": "pokrycie"
    },
    {
     "gloss": "Liczba mówiąca, jak nietypowa jest odpowiedź względem modelu.",
     "term": "wynik niezgodności"
    },
    {
     "gloss": "Założenie, że kolejność danych nie ma znaczenia statystycznego.",
     "term": "wymienność"
    }
   ],
   "terms_en": [
    {
     "gloss": "The share of cases where the true answer falls in the set.",
     "term": "coverage"
    },
    {
     "gloss": "A number saying how unusual an answer is relative to the model.",
     "term": "nonconformity score"
    },
    {
     "gloss": "The assumption that data order carries no statistical meaning.",
     "term": "exchangeability"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "split conformal",
    "MAPIE",
    "conformalized quantile regression",
    "adaptive prediction sets",
    "nonconformity score",
    "coverage guarantee",
    "conformal risk control",
    "crepes"
   ],
   "source_ids": [
    "angelopoulos-conformal-2021"
   ],
   "url": "https://aiatlasgraph.com/t/conformalprediction",
   "markdown_url": "https://aiatlasgraph.com/t/conformalprediction.md",
   "updated": "2026-10-30"
  },
  "conservativeoffline": {
   "id": "conservativeoffline",
   "parent_id": "offline",
   "label": "Konserwatywne offline RL (CQL, IQL)",
   "canonical_name": "Conservative offline RL",
   "description": "Uczenie polityki z gotowego zbioru danych bez nowych interakcji; kara za przeszacowanie akcji, których nie ma w danych, chroni przed błędami przesunięcia rozkładu.",
   "description_en": "Learning a policy from a fixed dataset without new interaction; penalising overestimated out-of-dataset actions guards against distribution-shift errors.",
   "examples": "Conservative Q-Learning (CQL) · Implicit Q-Learning (IQL) · D4RL",
   "examples_en": "Conservative Q-Learning (CQL) · Implicit Q-Learning (IQL) · D4RL",
   "plain": "To uczenie wyborów z gotowych doświadczeń z ostrożnością wobec działań słabo opisanych w danych.",
   "plain_en": "This learns choices from recorded experience while treating actions poorly represented in the data cautiously.",
   "solves": "Model może uznać niewidziane działanie za świetne, choć brakuje doświadczeń potwierdzających tę ocenę.",
   "solves_en": "A model may rate an unseen action highly despite lacking experience that supports that assessment.",
   "does": "Ogranicza nadmiernie optymistyczne oceny nieznanych działań lub uczy się bez ich bezpośredniego oceniania, korzystając z zapisanych przebiegów.",
   "does_en": "It limits overly optimistic assessments of unfamiliar actions or learns without directly evaluating them, using recorded sequences.",
   "example": "Z zapisanych przejazdów uczysz wybór trasy, powstrzymując model przed polecaniem nieznanych skrótów wyłącznie na podstawie wysokiej przewidywanej oceny.",
   "example_en": "Recorded journeys teach route choices while discouraging recommendations of unfamiliar shortcuts based solely on high predicted scores.",
   "for_you": [
    "masz gotowe doświadczenia, ale nie możesz zbierać nowych",
    "chcesz ograniczyć ufanie ocenom działań nieobecnych w danych"
   ],
   "for_you_en": [
    "have recorded experience but cannot collect more",
    "want less reliance on scores for actions absent from data"
   ],
   "how": "Uczenie ogranicza optymistyczną ocenę działań słabo reprezentowanych w danych lub unika ich w celach aktualizacji. Politykę dopasowuje się do wysoko ocenionych działań, zachowując kontrolę odchylenia od zebranych doświadczeń.",
   "how_en": "Learning limits optimistic estimates for poorly represented actions or avoids them in update targets. Policies are fitted toward highly valued actions while controlling deviation from recorded experience.",
   "limits": "Konserwatyzm może blokować rzeczywistą poprawę poza zbiorem. Słabe pokrycie nadal ogranicza osiągalne zachowania, a siła ograniczeń wymaga strojenia i niezależnej oceny.",
   "limits_en": "Conservatism can block genuine improvements beyond the dataset. Poor coverage still limits attainable behaviour, and constraint strength needs tuning and independent evaluation.",
   "terms": [
    {
     "gloss": "Ostrożne obniżanie ocen, którym dane nie dostarczają wystarczającego wsparcia.",
     "term": "pesymizm wartości"
    },
    {
     "gloss": "Błąd oceny działań lub stanów słabo obecnych w treningu.",
     "term": "błąd ekstrapolacji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Conservatively lowering estimates insufficiently supported by data.",
     "term": "value pessimism"
    },
    {
     "gloss": "Estimation error for actions or states poorly represented in training.",
     "term": "extrapolation error"
    }
   ],
   "prereq": [
    "qlearning"
   ],
   "keywords": [
    "CQL",
    "IQL",
    "D4RL",
    "value pessimism",
    "extrapolation error",
    "expectile regression"
   ],
   "source_ids": [
    "rl",
    "cql-2020"
   ],
   "url": "https://aiatlasgraph.com/t/conservativeoffline",
   "markdown_url": "https://aiatlasgraph.com/t/conservativeoffline.md",
   "updated": "2026-10-30"
  },
  "consistencymodels": {
   "id": "consistencymodels",
   "parent_id": "fewstepdiffusion",
   "label": "Modele spójności (generowanie jednym krokiem)",
   "canonical_name": "Consistency models",
   "aliases": [
    "consistency models",
    "latent consistency models",
    "LCM",
    "consistency distillation",
    "consistency training",
    "modele spójności"
   ],
   "description": "Modele uczone mapować każdy punkt trajektorii odszumiania na jej koniec, umożliwiające próbkowanie jedno- i kilkukrokowe; trenowane destylacją lub samodzielnie.",
   "description_en": "Models trained to map any point on a denoising trajectory to its endpoint, enabling one- and few-step sampling; trained by distillation or standalone.",
   "plain": "Model, który z dowolnie zaszumionego obrazu od razu przewiduje gotowy wynik, więc może generować w jednym kroku.",
   "plain_en": "A model that jumps straight from an image at any noise level to the finished result, so it can generate in one step.",
   "solves": "Czekanie na obraz, który powstaje w dziesiątkach kroków, przeszkadza w pracy interaktywnej i podnosi koszty.",
   "solves_en": "Waiting for an image built over dozens of steps gets in the way of interactive work and raises costs.",
   "does": "Jak przewodnik, który z każdego miejsca na szlaku od razu wskazuje cel, zamiast prowadzić przez wszystkie zakręty.",
   "does_en": "Like a guide who points straight at the destination from anywhere on the trail instead of walking you through every bend.",
   "example": "Wtyczka do programu graficznego pokazuje podgląd wygenerowanego tła w ułamku sekundy po każdej zmianie opisu.",
   "example_en": "A graphics app plug-in shows a preview of a generated background a split second after each change to the description.",
   "for_you": [
    "chcesz generować obrazy interaktywnie, bez czekania",
    "korzystasz z szybkich wersji generatorów na własnym sprzęcie"
   ],
   "for_you_en": [
    "want to generate images interactively without waiting",
    "use fast generator versions on your own hardware"
   ],
   "how": "Wymusza się własność spójności: dwa sąsiednie punkty tej samej trajektorii ODE muszą dać ten sam wynik. W destylacji sąsiedni punkt wyznacza solver na nauczycielu; w treningu samodzielnym korzysta się z par zaszumionych wersji tych samych danych. Próbkowanie wieloetapowe naprzemiennie odszumia i ponownie dodaje szum, poprawiając jakość kosztem kroków.",
   "how_en": "A consistency property is enforced: two adjacent points on the same ODE trajectory must map to the same output. In distillation the adjacent point comes from a solver on the teacher; standalone training uses pairs of noised versions of the same data. Multistep sampling alternates denoising and re-noising, trading steps for quality.",
   "limits": "Jeden krok daje najmniejszy koszt, a próbkowanie wieloetapowe wymienia dodatkowe obliczenia na jakość. Trening przez destylację wymaga gotowego modelu dyfuzyjnego; trening samodzielny jest odrębną procedurą i ma własne kompromisy.",
   "limits_en": "One step gives the lowest cost, while multistep sampling trades extra computation for quality. Distillation requires a pretrained diffusion model; standalone training is a separate procedure with its own trade-offs.",
   "terms": [
    {
     "gloss": "Wszystkie punkty jednej trajektorii odszumiania prowadzą do tego samego obrazu.",
     "term": "własność spójności"
    },
    {
     "gloss": "Nauka spójności na trajektoriach wyznaczonych przez gotowy model dyfuzyjny.",
     "term": "destylacja spójności"
    }
   ],
   "terms_en": [
    {
     "gloss": "All points on one denoising trajectory lead to the same image.",
     "term": "consistency property"
    },
    {
     "gloss": "Learning consistency on trajectories from an existing diffusion model.",
     "term": "consistency distillation"
    }
   ],
   "prereq": [
    "ddpm"
   ],
   "keywords": [
    "consistency models",
    "consistency distillation",
    "consistency training",
    "one-step generation",
    "multistep consistency sampling"
   ],
   "source_ids": [
    "song-consistency-2023"
   ],
   "url": "https://aiatlasgraph.com/t/consistencymodels",
   "markdown_url": "https://aiatlasgraph.com/t/consistencymodels.md",
   "updated": "2026-10-30"
  },
  "constitutionalai": {
   "id": "constitutionalai",
   "parent_id": "alignment",
   "label": "Trening według zasad (Constitutional AI, RLAIF)",
   "canonical_name": "Constitutional AI and RL from AI feedback",
   "description": "Uczenie modelu nieszkodliwości na podstawie spisanej listy zasad („konstytucji”): model krytykuje i poprawia własne odpowiedzi, a oceny preferencji wydaje AI zamiast ludzi (RLAIF).",
   "description_en": "Training a model to be harmless from a written list of principles (a “constitution”): the model critiques and revises its own answers, and preference labels come from an AI instead of humans (RLAIF).",
   "examples": "samokrytyka i poprawa · RLAIF · konstytucja modelu",
   "examples_en": "self-critique and revision · RLAIF · model constitution",
   "plain": "To uczenie modelu za pomocą spisanych zasad i ocen odpowiedzi przygotowywanych przez modele.",
   "plain_en": "This trains a model using written principles and model-generated evaluations of responses.",
   "solves": "Ręczne ocenianie każdej odpowiedzi jest kosztowne, a model potrzebuje spójnych wskazówek dotyczących dopuszczalnego zachowania.",
   "solves_en": "Manually judging every response is costly, while a model needs consistent guidance about acceptable behaviour.",
   "does": "Model krytykuje i poprawia odpowiedzi według zasad, a wybrane oceny pomagają w treningu; dobór zasad i błędy oceny mają znaczenie.",
   "does_en": "A model critiques and revises responses against principles, and selected evaluations guide training; the principles and evaluation errors matter.",
   "example": "Przy treningu asystenta lista zasad pomaga wskazać odpowiedź ujawniającą prywatne dane i przygotować bezpieczniejszy wariant.",
   "example_en": "While training an assistant, written principles help identify a response exposing private information and prepare a safer alternative.",
   "for_you": [
    "chcesz stosować spójne zasady podczas treningu",
    "korzystasz z modeli do oceniania odpowiedzi"
   ],
   "for_you_en": [
    "want consistent principles during training",
    "use models to evaluate responses"
   ],
   "how": "Model krytykuje i poprawia odpowiedzi względem spisanych zasad, tworząc dane do uczenia nadzorowanego. Porównania odpowiedzi oceniane według tych zasad dostarczają preferencji do dalszej optymalizacji zachowania.",
   "how_en": "A model critiques and revises responses against written principles, creating supervised training data. Principle-based response comparisons provide preferences for further behavioural optimisation.",
   "limits": "Niejasne lub sprzeczne zasady tworzą niespójny nadzór. Oceniający model może powielać własne uprzedzenia i błędy; zgodność z jego oceną nie dowodzi nieszkodliwości we wszystkich sytuacjach.",
   "limits_en": "Unclear or conflicting principles create inconsistent supervision. Evaluator models can reproduce their own biases and errors; matching their judgments does not establish universal harmlessness.",
   "terms": [
    {
     "gloss": "Zestaw zasad kierujących krytyką odpowiedzi i sygnałem preferencji.",
     "term": "konstytucja modelu"
    },
    {
     "gloss": "Uczenie ze wzmocnieniem korzystające z informacji zwrotnej generowanej przez AI.",
     "term": "RLAIF"
    }
   ],
   "terms_en": [
    {
     "gloss": "Principles guiding response critique and preference signals.",
     "term": "model constitution"
    },
    {
     "gloss": "Reinforcement learning using AI-generated feedback.",
     "term": "RLAIF"
    }
   ],
   "prereq": [
    "sft",
    "judges"
   ],
   "keywords": [
    "RLAIF",
    "model constitution",
    "self-critique",
    "response revision",
    "AI preference labels",
    "harmlessness training"
   ],
   "source_ids": [
    "constitutional-ai-2022"
   ],
   "url": "https://aiatlasgraph.com/t/constitutionalai",
   "markdown_url": "https://aiatlasgraph.com/t/constitutionalai.md",
   "updated": "2026-10-30"
  },
  "constrainthandling": {
   "id": "constrainthandling",
   "parent_id": "evodesign",
   "label": "Obsługa ograniczeń w algorytmach ewolucyjnych (kary, naprawa)",
   "canonical_name": "Constraint handling in evolutionary algorithms",
   "aliases": [
    "constraint handling",
    "constraint-handling techniques",
    "obsługa ograniczeń",
    "ograniczenia w optymalizacji ewolucyjnej"
   ],
   "description": "Techniki prowadzenia przeszukiwania ewolucyjnego w przestrzeni z ograniczeniami: kary, naprawa, reguły wykonalności, specjalne operatory i ujęcie wielokryterialne.",
   "description_en": "Techniques for steering evolutionary search in constrained spaces: penalties, repair, feasibility rules, special operators and multi-objective formulations.",
   "plain": "Sposoby radzenia sobie z twardymi regułami, których rozwiązanie nie może łamać, gdy algorytm ewolucyjny losowo tworzy nowe warianty.",
   "plain_en": "Ways of dealing with hard rules a solution must not break while an evolutionary algorithm randomly creates new variants.",
   "solves": "Losowe zmiany często dają rozwiązania niemożliwe do wykonania: przekroczony budżet, za ciężka konstrukcja, kolizja terminów.",
   "solves_en": "Random changes often produce solutions that cannot be carried out: an exceeded budget, a structure too heavy, clashing dates.",
   "does": "Jak sędzia w grze: złamanie przepisów kosztuje punkty karne albo zawodnik musi cofnąć ruch i poprawić go zgodnie z regułami.",
   "does_en": "Like a referee: breaking the rules costs penalty points, or the player must take the move back and fix it to fit the rules.",
   "example": "Planowanie załadunku ciężarówki: wersje przekraczające dopuszczalną masę dostają karę, aż algorytm nauczy się mieścić w limicie.",
   "example_en": "Planning a truck load: versions over the weight limit get a penalty until the algorithm learns to stay within it.",
   "for_you": [
    "twój problem ma twarde limity lub reguły",
    "algorytm zwraca rozwiązania, których nie da się użyć",
    "nie wiesz, jak dobrać wagę kary"
   ],
   "for_you_en": [
    "your problem has hard limits or rules",
    "the algorithm returns solutions you cannot use",
    "you do not know how to set a penalty weight"
   ],
   "how": "Funkcje kary dodają do celu miarę naruszenia ograniczeń, ze stałą, dynamiczną lub adaptacyjną wagą. Operatory naprawy przekształcają rozwiązania niewykonalne w wykonalne. Reguły wykonalności Deba w porównaniu zawsze wolą rozwiązanie wykonalne, a między niewykonalnymi mniejsze naruszenie; ranking stochastyczny miesza oba kryteria losowo.",
   "how_en": "Penalty functions add a constraint-violation measure to the objective with a static, dynamic or adaptive weight. Repair operators turn infeasible solutions into feasible ones. Deb's feasibility rules always prefer a feasible solution and, among infeasible ones, the smaller violation; stochastic ranking mixes both criteria randomly.",
   "limits": "Wagi kar trudno dobrać: za małe dają rozwiązania niewykonalne, za duże odcinają drogę przez niewykonalne obszary. Naprawa wymaga wiedzy o problemie, a wąskie obszary wykonalne lub ograniczenia równościowe pozostają trudne.",
   "limits_en": "Penalty weights are hard to set: too small yields infeasible solutions, too large blocks paths through infeasible regions. Repair needs problem knowledge, and narrow feasible regions or equality constraints remain hard.",
   "terms": [
    {
     "gloss": "Dodatek do celu karący za łamanie ograniczeń.",
     "term": "funkcja kary"
    },
    {
     "gloss": "Zbiór rozwiązań spełniających wszystkie ograniczenia.",
     "term": "obszar wykonalny"
    },
    {
     "gloss": "Sortowanie, które losowo porównuje według celu albo naruszenia.",
     "term": "ranking stochastyczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "An addition to the objective that punishes constraint violations.",
     "term": "penalty function"
    },
    {
     "gloss": "The set of solutions satisfying all constraints.",
     "term": "feasible region"
    },
    {
     "gloss": "Sorting that randomly compares by objective or by violation.",
     "term": "stochastic ranking"
    }
   ],
   "prereq": [
    "csp",
    "mathoptimization"
   ],
   "keywords": [
    "penalty function",
    "death penalty",
    "adaptive penalty",
    "repair operator",
    "Deb feasibility rules",
    "stochastic ranking",
    "epsilon constrained method",
    "GENOCOP",
    "constraint violation"
   ],
   "source_ids": [
    "eiben-smith-2015",
    "coello-constraint-2002"
   ],
   "url": "https://aiatlasgraph.com/t/constrainthandling",
   "markdown_url": "https://aiatlasgraph.com/t/constrainthandling.md",
   "updated": "2026-10-30"
  },
  "contactrich": {
   "id": "contactrich",
   "parent_id": "manipulation",
   "label": "Precyzyjne zadania z kontaktem (wkładanie, montaż, wycieranie)",
   "canonical_name": "Contact-rich manipulation (insertion, assembly, wiping)",
   "aliases": [
    "contact-rich manipulation",
    "force-aware manipulation",
    "manipulacja z kontaktem",
    "manipulacja z kontrolą siły"
   ],
   "description": "Manipulacja wymagająca kontrolowanego kontaktu i siły, czuła na drobne błędy pozycji: wkładanie, montaż, dokręcanie, wycieranie, polerowanie.",
   "description_en": "Manipulation requiring controlled contact and force, sensitive to small position errors: insertion, assembly, screwing, wiping, polishing.",
   "plain": "Zadania, w których robot musi czuć opór i dociskać z wyczuciem: wkładać wtyczkę, skręcać części, wycierać stół.",
   "plain_en": "Tasks where a robot must feel resistance and press with care: plugging in a connector, assembling parts, wiping a table.",
   "solves": "Wystarczy przesunięcie o ułamek milimetra, żeby wtyczka się zaklinowała, a samo patrzenie nie mówi robotowi, jak mocno naciska.",
   "solves_en": "A fraction of a millimetre off and the connector jams, and looking alone does not tell a robot how hard it is pressing.",
   "does": "Robot postępuje jak człowiek wkładający klucz po ciemku: lekko dociska, czuje, gdzie stawia opór, i poprawia kąt, aż wejdzie.",
   "does_en": "The robot acts like someone fitting a key in the dark: pressing lightly, feeling where it resists and adjusting the angle until it slides in.",
   "example": "Na linii elektroniki ramię wpina taśmę do gniazda w płycie, wyczuwając moment, w którym złącze „klika” na miejsce.",
   "example_en": "On an electronics line an arm plugs a ribbon cable into a board socket, sensing the moment the connector clicks home.",
   "for_you": [
    "automatyzujesz montaż lub pakowanie z ciasnymi pasowaniami",
    "robot ma szlifować, polerować lub wycierać",
    "zbierasz demonstracje, w których liczy się siła"
   ],
   "for_you_en": [
    "automate assembly or packing with tight fits",
    "need a robot to sand, polish or wipe",
    "collect demonstrations where force matters"
   ],
   "how": "Klasycznie stosuje się sterowanie siłowe lub impedancyjne i strategie poszukiwania, np. spiralę przy wkładaniu. Podejścia uczone zbierają demonstracje z pomiarem siły i momentu lub dotyku, a polityka imitacyjna albo RL przewiduje ruch i sztywność. Wizja daje zgrubne ustawienie, a siła i dotyk końcową korektę.",
   "how_en": "Classically force or impedance control is used with search strategies, e.g. a spiral during insertion. Learned approaches collect demonstrations with force-torque or tactile measurements, and an imitation or RL policy predicts motion and stiffness. Vision gives coarse alignment, force and touch the final correction.",
   "limits": "Zbyt sztywny ruch uszkadza części, zbyt miękki nie domyka pasowania. Kamera nie mierzy sił i bywa zasłonięta w chwili kontaktu. Demonstracje z pomiarem siły wymagają specjalnych narzędzi lub rękawic, a tolerancje różnią się między partiami części.",
   "limits_en": "Too stiff a motion damages parts, too soft fails to seat the fit. Cameras do not measure force and are occluded at contact. Force-measured demonstrations need special tools or gloves, and tolerances vary between part batches.",
   "terms": [
    {
     "gloss": "Klasyczny test: włożenie kołka do ciasnego otworu.",
     "term": "peg-in-hole"
    },
    {
     "gloss": "Mierzy, z jaką siłą i w którą stronę robot naciska.",
     "term": "czujnik siły i momentu"
    },
    {
     "gloss": "Robot raz trzyma pozycję twardo, raz ustępuje pod naciskiem.",
     "term": "zmienna sztywność"
    }
   ],
   "terms_en": [
    {
     "gloss": "Classic test: inserting a peg into a tight hole.",
     "term": "peg-in-hole"
    },
    {
     "gloss": "Measures how hard and in which direction the robot pushes.",
     "term": "force-torque sensor"
    },
    {
     "gloss": "The robot holds position firmly at times and yields at others.",
     "term": "variable stiffness"
    }
   ],
   "prereq": [
    "feedbackcontrol",
    "impedancecontrol"
   ],
   "keywords": [
    "peg-in-hole",
    "force-torque sensing",
    "impedance control",
    "variable impedance",
    "spiral search",
    "insertion",
    "assembly",
    "wiping"
   ],
   "source_ids": [
    "manipulation-in-contact-survey-2022",
    "il-contactrich-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/contactrich",
   "markdown_url": "https://aiatlasgraph.com/t/contactrich.md",
   "updated": "2026-10-30"
  },
  "contbatch": {
   "id": "contbatch",
   "parent_id": "serving",
   "label": "Ciągłe batchowanie",
   "canonical_name": "Continuous batching",
   "description": "Dosypywanie zapytań do trwającej partii zamiast czekania na jej koniec.",
   "description_en": "Adding requests to a running batch instead of waiting for it to finish.",
   "examples": "harmonogram na poziomie iteracji · przepustowość",
   "examples_en": "iteration-level scheduling · throughput",
   "plain": "To dołączanie nowych zapytań do wspólnej pracy modelu, gdy inne zapytania już się kończą.",
   "plain_en": "This adds new requests to a model's shared workload as other requests finish.",
   "solves": "Krótkie rozmowy zwalniają miejsce, ale nowe pytania czekają, aż zakończy się najdłuższa odpowiedź w grupie.",
   "solves_en": "Short conversations free up space, but new questions wait until the group's longest response finishes.",
   "does": "Po kolejnych krokach generowania zakończone zapytania są usuwane, a wolne miejsca zajmują nowe, utrzymując sprzęt przy pracy.",
   "does_en": "After generation steps, completed requests leave and new ones take free slots, keeping hardware occupied.",
   "example": "Gdy jedna osoba dostanie krótką odpowiedź, serwer od razu dołącza następne pytanie do nadal obsługiwanych rozmów.",
   "example_en": "When one person receives a short answer, the server adds another question to the conversations still being processed.",
   "for_you": [
    "obsługujesz zapytania o różnej długości",
    "chcesz zmniejszyć bezczynność sprzętu"
   ],
   "for_you_en": [
    "serve requests of different lengths",
    "want to reduce hardware idle time"
   ],
   "how": "Po każdym kroku harmonogram usuwa zakończone sekwencje i dodaje oczekujące zapytania do aktywnej partii. Wykonanie grupuje aktualne tokeny oraz dostępny prefill, zamiast czekać na zakończenie najdłuższej odpowiedzi przed kolejną partią.",
   "how_en": "After each step, scheduling removes completed sequences and adds waiting requests to the active batch. Execution groups current tokens and available prefill instead of awaiting the longest answer before starting another batch.",
   "limits": "Pamięć stanu ogranicza liczbę aktywnych sekwencji. Duży prefill może opóźniać trwające generowanie; priorytety i limity muszą równoważyć przepustowość, sprawiedliwość oraz czas odpowiedzi.",
   "limits_en": "State memory limits active sequence counts. Large prefills can delay ongoing generation; priorities and limits must balance throughput, fairness and response latency.",
   "terms": [
    {
     "gloss": "Grupa sekwencji, której skład może zmieniać się między krokami.",
     "term": "partia dynamiczna"
    },
    {
     "gloss": "Mechanizm przydzielający pracę sekwencjom w kolejnych iteracjach.",
     "term": "planista tokenów"
    }
   ],
   "terms_en": [
    {
     "gloss": "A sequence group whose membership can change between steps.",
     "term": "dynamic batch"
    },
    {
     "gloss": "A mechanism allocating work to sequences across successive iterations.",
     "term": "token scheduler"
    }
   ],
   "prereq": [
    "eventdriven",
    "profiling"
   ],
   "keywords": [
    "iteration-level scheduling",
    "dynamic batching",
    "token scheduler",
    "chunked prefill",
    "in-flight batching",
    "vLLM"
   ],
   "source_ids": [
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/contbatch",
   "markdown_url": "https://aiatlasgraph.com/t/contbatch.md",
   "updated": "2026-10-30"
  },
  "contentbased": {
   "id": "contentbased",
   "parent_id": "recommenders",
   "label": "Rekomendacje oparte na treści",
   "canonical_name": "Content-based filtering",
   "description": "Polecanie rzeczy podobnych do tych, które osoba już lubi, na podstawie cech samych produktów lub treści.",
   "description_en": "Recommending items similar to what a person already likes, based on features of the items themselves.",
   "examples": "podobieństwo cech · profil użytkownika",
   "examples_en": "feature similarity · user profile",
   "plain": "To polecanie rzeczy o cechach podobnych do tych, które już ci odpowiadają.",
   "plain_en": "This recommends things with features similar to those you already like.",
   "solves": "Chcesz znaleźć kolejne pasujące rzeczy, nawet gdy niewiele osób zdążyło je ocenić lub wybrać.",
   "solves_en": "You want more suitable items even when few people have had a chance to rate or choose them.",
   "does": "Buduje opis twoich zainteresowań z cech wybranych rzeczy i porównuje go z opisami dostępnych kandydatów.",
   "does_en": "It builds a description of your interests from the features of chosen items and compares it with available candidates.",
   "example": "Po czytaniu artykułów o ogrodnictwie dostajesz propozycję nowego tekstu o pielęgnacji roślin na podstawie jego treści.",
   "example_en": "After reading gardening articles, you receive a suggestion for a new plant care article based on its content.",
   "for_you": [
    "masz opisy lub cechy rzeczy do polecenia",
    "chcesz uwzględniać nowe rzeczy bez historii ocen"
   ],
   "for_you_en": [
    "have descriptions or features of items to recommend",
    "want to include new items without a rating history"
   ],
   "how": "Cechy lub embeddingi obiektów opisują ich treść, a historia użytkownika tworzy profil preferencji. Podobieństwo do profilu lub model punktujący porządkuje nowe obiekty bez wymagania ich wcześniejszych interakcji.",
   "how_en": "Item features or embeddings describe content, while user history forms a preference profile. Profile similarity or a scoring model ranks new items without requiring their previous interactions.",
   "limits": "Jakość zależy od opisów i reprezentacji treści. Profil może utrwalać wąskie zainteresowania, a podobieństwo materiału nie gwarantuje zainteresowania nim w bieżącym kontekście.",
   "limits_en": "Quality depends on descriptions and content representations. Profiles can reinforce narrow interests, while content similarity does not guarantee interest in the current context.",
   "terms": [
    {
     "gloss": "Reprezentacja preferencji wyznaczona z historii lub jawnych deklaracji.",
     "term": "profil użytkownika"
    },
    {
     "gloss": "Bliskość obiektów według ich cech lub embeddingów.",
     "term": "podobieństwo treści"
    }
   ],
   "terms_en": [
    {
     "gloss": "A preference representation derived from history or explicit statements.",
     "term": "user profile"
    },
    {
     "gloss": "Item closeness based on features or embeddings.",
     "term": "content similarity"
    }
   ],
   "prereq": [
    "textembeddings",
    "knn"
   ],
   "keywords": [
    "TF-IDF",
    "cosine similarity",
    "item feature vectors",
    "user profiles",
    "content embeddings"
   ],
   "source_ids": [
    "google-recsys-architecture"
   ],
   "url": "https://aiatlasgraph.com/t/contentbased",
   "markdown_url": "https://aiatlasgraph.com/t/contentbased.md",
   "updated": "2026-10-30"
  },
  "contentprovenance": {
   "id": "contentprovenance",
   "parent_id": "safety",
   "label": "Znaki wodne i pochodzenie treści AI",
   "canonical_name": "AI content watermarking and provenance",
   "description": "Techniki wskazujące pochodzenie treści: niewidoczne znaki wodne osadzane podczas generowania oraz kryptograficznie podpisane manifesty metadanych. Ograniczenia są różne: edycja i parafraza mogą osłabić znaki wodne, a metadane C2PA można odłączyć od pliku.",
   "description_en": "Techniques that signal content origin: invisible watermarks embedded during generation and cryptographically signed metadata manifests. Their limitations differ: editing and paraphrasing can weaken watermarks, while C2PA metadata can be detached from the file.",
   "examples": "znak wodny w tekście i obrazie · Content Credentials (C2PA) · SynthID",
   "examples_en": "text and image watermarks · Content Credentials (C2PA) · SynthID",
   "plain": "To sposoby zapisywania lub oznaczania, skąd pochodzi treść i czy była tworzona lub zmieniana przez model.",
   "plain_en": "These methods record or mark where content comes from and whether a model created or changed it.",
   "solves": "Widzisz zdjęcie lub tekst w sieci, ale nie znasz jego pochodzenia ani historii zmian.",
   "solves_en": "You see an image or text online but do not know its origin or editing history.",
   "does": "Znaki wodne umieszczają rozpoznawalny ślad, a podpisane metadane zapisują pochodzenie; mogą zostać osłabione lub usunięte i nie dowodzą prawdziwości treści.",
   "does_en": "Watermarks embed detectable traces, while signed metadata records provenance; these can weaken or disappear and do not prove the content is true.",
   "example": "Przy zdjęciu sprawdzasz podpisaną historię edycji, która wskazuje użycie generatora przy zmianie tła.",
   "example_en": "You inspect an image's signed editing history, which records generator use to change the background.",
   "for_you": [
    "publikujesz lub oceniasz cyfrowe treści",
    "chcesz zachować informacje o pochodzeniu i zmianach"
   ],
   "for_you_en": [
    "publish or assess digital content",
    "want to retain origin and editing information"
   ],
   "how": "Znak wodny zmienia rozkład generowania lub sygnał, pozostawiając statystycznie wykrywalny wzorzec. Podpisany manifest wiąże deklaracje pochodzenia z plikiem i historią zmian, umożliwiając kontrolę integralności oraz tożsamości podpisującego.",
   "how_en": "Watermarking changes generation distributions or signals to leave statistically detectable patterns. Signed manifests bind provenance claims to files and editing history, enabling integrity and signer-identity checks.",
   "limits": "Parafraza i edycja mogą osłabiać znak, a manifest może zostać usunięty. Detekcja jest zależna od metody; poprawny podpis potwierdza integralność deklaracji, nie prawdziwość przedstawionej treści.",
   "limits_en": "Paraphrasing and editing can weaken marks, while manifests can be removed. Detection depends on the method; valid signatures establish claim integrity, not content truth.",
   "terms": [
    {
     "gloss": "Wzorzec osadzony w treści, wykrywany według określonej procedury.",
     "term": "znak wodny"
    },
    {
     "gloss": "Zestaw deklaracji o utworzeniu i przekształceniach pliku powiązany z nim podpisem.",
     "term": "manifest pochodzenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A pattern embedded in content and detected through a specified procedure.",
     "term": "watermark"
    },
    {
     "gloss": "Claims about file creation and transformations bound to it through a signature.",
     "term": "provenance manifest"
    }
   ],
   "prereq": [
    "datalineage",
    "probability"
   ],
   "keywords": [
    "C2PA",
    "Content Credentials",
    "SynthID",
    "SynthID-Text",
    "provenance manifests",
    "digital signatures",
    "watermark detection"
   ],
   "source_ids": [
    "eu-ai-act-regulatory-framework-2026",
    "synthid-text-nature-2024",
    "c2pa-spec-2-2"
   ],
   "url": "https://aiatlasgraph.com/t/contentprovenance",
   "markdown_url": "https://aiatlasgraph.com/t/contentprovenance.md",
   "updated": "2026-10-30"
  },
  "contentsafetyfiltering": {
   "id": "contentsafetyfiltering",
   "parent_id": "cleaning",
   "label": "Filtrowanie szkodliwych treści tekstowych w danych treningowych",
   "canonical_name": "Harmful text filtering in training data",
   "aliases": [
    "toxicity filtering",
    "text safety filtering",
    "filtrowanie toksyczności",
    "pretraining text safety filtering"
   ],
   "description": "Klasyfikatorowe i regułowe usuwanie toksycznych, nienawistnych i seksualnych treści z tekstowych korpusów pretrainingowych.",
   "description_en": "Classifier- and rule-based removal of toxic, hateful and sexual content from text pretraining corpora.",
   "plain": "Usuwanie z tekstowego materiału do nauki treści nienawistnych, obraźliwych lub seksualnych, zanim model je przyswoi.",
   "plain_en": "Removing hateful, abusive or sexual content from text training material before a model absorbs it.",
   "solves": "Model uczony na surowym internecie powtarza obelgi i niechciane treści, a później trudno to z niego wyplenić.",
   "solves_en": "A model trained on the raw internet repeats insults and unwanted content, which is hard to remove later.",
   "does": "Jak sito o regulowanych oczkach: klasyfikator ocenia zdania lub dokumenty, a próg decyduje, ile tekstu odrzucić.",
   "does_en": "Like a sieve with adjustable mesh: a classifier scores sentences or documents, and a threshold decides how much text to drop.",
   "example": "Asystent do pisania nie podpowiada wulgaryzmów w mailu do klienta, bo takie teksty odsiano przed treningiem.",
   "example_en": "A writing assistant does not suggest slurs in an email to a client, because such text was sifted out before training.",
   "for_you": [
    "przygotowujesz dane z internetu do trenowania",
    "zastanawiasz się, czemu modele unikają pewnych tematów"
   ],
   "for_you_en": [
    "prepare web data for training",
    "wonder why models avoid certain topics"
   ],
   "how": "Lekkie klasyfikatory, np. fastText trenowany na oznaczonych komentarzach, oceniają tekst na poziomie zdań lub dokumentów; treść powyżej progu jest usuwana. Uzupełniają je listy blokowanych domen i reguły. Próg ustala kompromis między ograniczeniem szkodliwych treści a ilością i różnorodnością danych.",
   "how_en": "Lightweight classifiers, such as fastText trained on labelled comments, score text at sentence or document level; content above a threshold is removed. Domain blocklists and rules complement them. The threshold trades less harmful content against data volume and diversity.",
   "limits": "Definicja toksyczności zależy od kontekstu i anotatorów, a klasyfikatory bywają stronnicze wobec dialektów i mniejszości. Zbyt ostry filtr usuwa też dane potrzebne do rozpoznawania i moderowania szkodliwych treści.",
   "limits_en": "What counts as toxic depends on context and annotators, and classifiers can be biased against dialects and minorities. Overly strict filters also remove data needed to recognise and moderate harmful content.",
   "terms": [
    {
     "gloss": "Wynik klasyfikatora, powyżej którego treść jest usuwana.",
     "term": "próg odcięcia"
    },
    {
     "gloss": "Spis domen lub słów, których obecność wyklucza dokument.",
     "term": "lista blokująca"
    }
   ],
   "terms_en": [
    {
     "gloss": "Classifier score above which content is removed.",
     "term": "cutoff threshold"
    },
    {
     "gloss": "List of domains or words whose presence excludes a document.",
     "term": "blocklist"
    }
   ],
   "prereq": [
    "textclassification"
   ],
   "keywords": [
    "fastText toxicity classifier",
    "Jigsaw Toxic Comments",
    "URL blocklists",
    "Dolma toolkit",
    "toxicity thresholding"
   ],
   "source_ids": [
    "soldaini-2024-dolma"
   ],
   "url": "https://aiatlasgraph.com/t/contentsafetyfiltering",
   "markdown_url": "https://aiatlasgraph.com/t/contentsafetyfiltering.md",
   "updated": "2026-10-30"
  },
  "contextdistill": {
   "id": "contextdistill",
   "parent_id": "distillation",
   "label": "Destylacja kontekstu (wpisanie instrukcji w wagi modelu)",
   "canonical_name": "Context distillation",
   "aliases": [
    "context distillation",
    "prompt distillation",
    "destylacja kontekstu"
   ],
   "description": "Dostrajanie modelu tak, by bez długiego promptu odpowiadał tak, jak odpowiadał z nim.",
   "description_en": "Fine-tuning a model so that without a long prompt it answers as it did with one.",
   "plain": "Sposób, by model przyswoił zachowanie wywoływane wcześniej długą instrukcją i odtwarzał je z krótszego wejścia.",
   "plain_en": "A way for a model to absorb behaviour previously elicited by a long instruction and reproduce it from a shorter input.",
   "solves": "Długie instrukcje i przykłady trzeba dołączać do każdego zapytania, co spowalnia odpowiedzi i podnosi koszt.",
   "solves_en": "Long instructions and examples must be attached to every request, which slows answers and raises costs.",
   "does": "Jak pracownik, który po tygodniu z instrukcją obsługi zna procedurę na pamięć i nie musi już do niej zaglądać.",
   "does_en": "Like an employee who, after a week with the manual, knows the procedure by heart and no longer needs to look it up.",
   "example": "Firmowy czat zachowuje ton i zasady działu obsługi, choć pytania wysyła się do niego bez kilkustronicowego regulaminu.",
   "example_en": "A company chat keeps the support team's tone and rules even though questions are sent without the multi-page rulebook.",
   "for_you": [
    "wysyłasz ten sam długi prompt przy każdym zapytaniu",
    "płacisz za każdy token wejścia",
    "chcesz skrócić czas odpowiedzi"
   ],
   "for_you_en": [
    "send the same long prompt with every request",
    "pay for every input token",
    "want faster responses"
   ],
   "how": "Ten sam model w roli nauczyciela dostaje pełny kontekst — instrukcje, przykłady lub notatnik rozumowania — i generuje odpowiedź. Następnie jest dostrajany, aby z krótkiego wejścia odtworzyć końcową odpowiedź bez pełnego kontekstu.",
   "how_en": "The same model acting as teacher receives the full context—instructions, examples or a reasoning scratchpad—and generates an answer. It is then fine-tuned to reproduce the final answer from a short input without the full context.",
   "limits": "Model przyswaja zachowanie tylko w zakresie wejść użytych w destylacji. Zmiana instrukcji wymaga ponownego treningu; łączenie wielu promptów może powodować interferencję i zapominanie.",
   "limits_en": "The model absorbs behaviour only for the range of inputs used in distillation. Changing instructions requires retraining; combining many prompts can cause interference and forgetting.",
   "terms": [
    {
     "gloss": "Pełny kontekst z instrukcjami, który widzi tylko model w roli nauczyciela.",
     "term": "prompt nauczyciela"
    },
    {
     "gloss": "Miejsce na pośrednie kroki rozumowania przed końcową odpowiedzią.",
     "term": "scratchpad"
    }
   ],
   "terms_en": [
    {
     "gloss": "The full context with instructions, seen only by the teacher model.",
     "term": "teacher prompt"
    },
    {
     "gloss": "Space for intermediate reasoning steps before the final answer.",
     "term": "scratchpad"
    }
   ],
   "prereq": [
    "prompting",
    "sft"
   ],
   "keywords": [
    "prompt distillation",
    "system prompt internalization",
    "prompt baking",
    "scratchpad",
    "self-distillation",
    "Learning by Distilling Context"
   ],
   "source_ids": [
    "snell-2022-contextdistill"
   ],
   "url": "https://aiatlasgraph.com/t/contextdistill",
   "markdown_url": "https://aiatlasgraph.com/t/contextdistill.md",
   "updated": "2026-10-30"
  },
  "contextextension": {
   "id": "contextextension",
   "parent_id": "pretraining",
   "label": "Wydłużanie okna kontekstu",
   "canonical_name": "Context window extension",
   "aliases": [
    "context extension",
    "long-context training",
    "RoPE scaling",
    "YaRN",
    "długi kontekst"
   ],
   "description": "Dalszy trening modelu, który ma poprawić działanie na sekwencjach dłuższych niż używane wcześniej — często przez modyfikację kodowania pozycji i trening na długich przykładach.",
   "description_en": "Further training intended to improve performance on sequences longer than those used previously — often by modifying positional encoding and training on long examples.",
   "examples": "skalowanie RoPE (interpolacja pozycji, YaRN) · długokontekstowy continual pretraining · testy „igły w stogu siana”",
   "examples_en": "RoPE scaling (position interpolation, YaRN) · long-context continual pretraining · needle-in-a-haystack tests",
   "plain": "To dalsze uczenie modelu, żeby lepiej pracował z tekstami dłuższymi niż te używane wcześniej.",
   "plain_en": "This further trains a model to work better with texts longer than those used previously.",
   "solves": "Długi dokument mieści się w zmienionym limicie, ale model nadal gubi zależności między odległymi fragmentami.",
   "solves_en": "A long document fits an expanded limit, but the model still loses relationships between distant passages.",
   "does": "Modyfikacje informacji o pozycji i trening na dłuższych przykładach pomagają dostosować sieć; samo zwiększenie limitu nie wystarcza.",
   "does_en": "Position-information changes and training on longer examples help adapt the network; increasing the input limit alone is insufficient.",
   "example": "Po rozszerzeniu kontekstu testujesz, czy model poprawnie łączy warunek z początku umowy z wyjątkiem na końcu.",
   "example_en": "After extending context, you test whether a model connects a condition near a contract's beginning with an exception at the end.",
   "for_you": [
    "potrzebujesz analizować dłuższe dokumenty",
    "chcesz sprawdzić użyteczność zwiększonego okna tekstu"
   ],
   "for_you_en": [
    "need to analyse longer documents",
    "want to test an expanded context window's usefulness"
   ],
   "how": "Kodowanie pozycji dostosowuje się do większego zakresu, a dalszy trening dostarcza długich sekwencji i zadań. Model uczy się używać odległych relacji, które sprawdza się osobno od samej możliwości przyjęcia większego wejścia.",
   "how_en": "Position encoding is adapted to wider ranges, and continued training supplies long sequences and tasks. Models learn distant relationships, assessed separately from the ability to accept larger inputs.",
   "limits": "Większy limit nie gwarantuje odczytu informacji z całego kontekstu. Koszt uwagi i pamięć rosną; interpolacja pozycji oraz zmiana długości mogą pogorszyć krótkie zadania lub relacje dalekiego zasięgu.",
   "limits_en": "Larger limits cannot guarantee information use across the entire context. Attention and memory costs grow; position interpolation and length changes can impair short tasks or distant relationships.",
   "terms": [
    {
     "gloss": "Przeskalowanie indeksów do zakresu podobnego do użytego w treningu.",
     "term": "interpolacja pozycji"
    },
    {
     "gloss": "Zakres wejścia, z którego model rzeczywiście potrafi korzystać w zadaniu.",
     "term": "efektywny kontekst"
    }
   ],
   "terms_en": [
    {
     "gloss": "Rescaling indices into a range resembling the training range.",
     "term": "position interpolation"
    },
    {
     "gloss": "The input range a model can actually use for a task.",
     "term": "effective context"
    }
   ],
   "prereq": [
    "posencoding",
    "selfattention"
   ],
   "keywords": [
    "RoPE scaling",
    "YaRN",
    "position interpolation",
    "NTK-aware scaling",
    "LongRoPE",
    "needle in a haystack",
    "ring attention"
   ],
   "source_ids": [
    "mo-midtraining-survey-2025",
    "yarn-2023",
    "xiong-longcontext-2023"
   ],
   "url": "https://aiatlasgraph.com/t/contextextension",
   "markdown_url": "https://aiatlasgraph.com/t/contextextension.md",
   "updated": "2026-10-30"
  },
  "contextmanagement": {
   "id": "contextmanagement",
   "parent_id": "prompting",
   "label": "Zarządzanie oknem kontekstu",
   "canonical_name": "Context window management: placement, compaction and context rot",
   "aliases": [
    "context management",
    "context compaction",
    "context rot",
    "lost in the middle",
    "long-context prompting",
    "kompakcja kontekstu",
    "zarządzanie kontekstem"
   ],
   "description": "Decydowanie, które tokeny i w jakiej kolejności trafiają do ograniczonego kontekstu: rozmieszczenie, przycinanie, streszczanie i notatki zewnętrzne.",
   "description_en": "Deciding which tokens enter a limited context and in what order: placement, trimming, summarisation and external notes.",
   "plain": "Model widzi naraz tylko ograniczoną ilość tekstu, więc trzeba wybierać, co mu podać, gdzie to umieścić i co skrócić.",
   "plain_en": "A model sees only a limited amount of text at once, so you choose what to give it, where to place it and what to shorten.",
   "solves": "W długiej rozmowie lub dużym dokumencie model zaczyna gubić ważne szczegóły, mylić fakty i zapominać wcześniejsze ustalenia.",
   "solves_en": "In a long conversation or large document the model starts losing key details, mixing up facts and forgetting earlier decisions.",
   "does": "Jak notatki na biurku przy dużym projekcie: trzymasz pod ręką tylko to, co teraz potrzebne, a resztę streszczasz i odkładasz do teczki.",
   "does_en": "Like the notes on your desk during a big project: you keep only what you need now within reach and summarise and file the rest.",
   "example": "Po godzinie wspólnej pracy nad raportem asystent streszcza dotychczasowe ustalenia i zaczyna z czystym kontekstem, nie tracąc ważnych decyzji.",
   "example_en": "After an hour working on a report together, the assistant summarises what was decided and continues with a clean context, keeping key decisions.",
   "for_you": [
    "prowadzisz z asystentem bardzo długie rozmowy",
    "wklejasz duże dokumenty i dziwisz się pominiętym szczegółom"
   ],
   "for_you_en": [
    "have very long conversations with an assistant",
    "paste large documents and wonder why details get missed"
   ],
   "how": "W długim lub przeładowanym kontekście modele mogą gorzej wykorzystywać część informacji, a badania wykazały m.in. słabsze użycie treści umieszczonej pośrodku wejścia. Stosuje się więc selekcję, kompresję, streszczenia, pamięć zewnętrzną i kontrolę kolejności informacji.",
   "how_en": "In long or overloaded contexts, models may use some information less effectively; studies have found, among other effects, weaker use of content placed in the middle of the input. Systems therefore use selection, compression, summaries, external memory, and deliberate information ordering.",
   "limits": "Streszczenie może wyrzucić szczegół, który okaże się potem kluczowy, a każda kompakcja to dodatkowe wywołanie i koszt. Zachowanie przy długim kontekście różni się między modelami, więc strategie trzeba mierzyć, a nie przyjmować na wiarę.",
   "limits_en": "A summary may drop a detail that later proves crucial, and each compaction is an extra call and cost. Long-context behaviour differs between models, so strategies must be measured, not taken on faith.",
   "terms": [
    {
     "gloss": "Spadek trafności modelu wraz ze wzrostem długości kontekstu.",
     "term": "context rot"
    },
    {
     "gloss": "Zastąpienie długiej historii jej zwięzłym streszczeniem.",
     "term": "kompakcja"
    },
    {
     "gloss": "Słabsze wykorzystanie informacji umieszczonych w środku długiego wejścia.",
     "term": "lost in the middle"
    }
   ],
   "terms_en": [
    {
     "gloss": "Model accuracy dropping as context length grows.",
     "term": "context rot"
    },
    {
     "gloss": "Replacing long history with a concise summary.",
     "term": "compaction"
    },
    {
     "gloss": "Weaker use of information placed mid-way through a long input.",
     "term": "lost in the middle"
    }
   ],
   "prereq": [
    "contextextension",
    "memory"
   ],
   "keywords": [
    "context engineering",
    "compaction",
    "context rot",
    "lost in the middle",
    "needle in a haystack",
    "tool result clearing",
    "structured note-taking",
    "token budget"
   ],
   "source_ids": [
    "claude-prompting-best-practices",
    "anthropic-context-engineering-2025",
    "lost-in-the-middle-2023"
   ],
   "url": "https://aiatlasgraph.com/t/contextmanagement",
   "markdown_url": "https://aiatlasgraph.com/t/contextmanagement.md",
   "updated": "2026-10-30"
  },
  "continual": {
   "id": "continual",
   "parent_id": "training",
   "label": "Uczenie ciągłe i transfer",
   "canonical_name": "Continual and transfer learning",
   "description": "Adaptacja do nowych danych i zadań.",
   "description_en": "Adapting to new data and new tasks.",
   "examples": "katastrofalne zapominanie · continued pretraining na danych dziedzinowych · edycja wiedzy",
   "examples_en": "catastrophic forgetting · domain-adaptive continued pretraining · knowledge editing",
   "plain": "To rozwijanie już wyuczonego modelu o nowe dane, zadania i poprawki bez zaczynania całej nauki od początku.",
   "plain_en": "This develops a trained model with new data, tasks and corrections without restarting all learning from scratch.",
   "solves": "Zmienia się dziedzina lub potrzebna wiedza, a wcześniejszy model nie nadąża albo traci stare umiejętności podczas aktualizacji.",
   "solves_en": "The domain or required knowledge changes, and an earlier model falls behind or loses old abilities during updates.",
   "does": "Dalsze uczenie wykorzystuje wcześniejsze ustawienia, a kontrola starych zadań i ukierunkowane poprawki pomagają ograniczyć skutki uboczne adaptacji.",
   "does_en": "Further training reuses existing parameters, while checks on earlier tasks and targeted corrections help limit adaptation side effects.",
   "example": "Dostosowujesz model do nowych zgłoszeń klientów, jednocześnie sprawdzając, czy nadal poprawnie rozpoznaje wcześniejsze rodzaje problemów.",
   "example_en": "You adapt a model to new customer requests while checking it still recognises earlier problem types correctly.",
   "for_you": [
    "dane i zadania zmieniają się z czasem",
    "chcesz wykorzystać wcześniej wyuczony model"
   ],
   "for_you_en": [
    "work with data and tasks that change over time",
    "want to reuse a previously trained model"
   ],
   "how": "Kolejne porcje danych lub zadania aktualizują model przy zachowaniu celu dla wcześniejszych zdolności. Replay, regularizacja parametrów i wydzielone moduły ograniczają interferencję, a ewaluacja mierzy adaptację, zapominanie oraz transfer między etapami.",
   "how_en": "Successive data batches or tasks update models while retaining objectives for earlier capabilities. Replay, parameter regularisation and separate modules limit interference, while evaluation measures adaptation, forgetting and transfer across stages.",
   "limits": "Dane historyczne mogą być niedostępne, a cele etapów sprzeczne. Zachowanie starych zdolności kosztuje pamięć lub ogranicza adaptację; wyniki zależą od kolejności i sposobu testowania zadań.",
   "limits_en": "Historical data may be unavailable and stage objectives conflict. Retaining old capabilities costs memory or restricts adaptation; outcomes depend on task order and evaluation design.",
   "terms": [
    {
     "gloss": "Wpływ nowych aktualizacji pogarszający reprezentacje potrzebne do wcześniejszych zadań.",
     "term": "interferencja"
    },
    {
     "gloss": "Ponowne używanie dawnych przykładów lub ich zamienników podczas adaptacji.",
     "term": "replay"
    }
   ],
   "terms_en": [
    {
     "gloss": "New updates impairing representations needed for earlier tasks.",
     "term": "interference"
    },
    {
     "gloss": "Reusing earlier examples or substitutes during adaptation.",
     "term": "replay"
    }
   ],
   "prereq": [
    "pretraining",
    "biasvariance"
   ],
   "keywords": [
    "catastrophic forgetting",
    "EWC",
    "experience replay",
    "continued pretraining",
    "domain adaptation",
    "knowledge editing",
    "ROME",
    "MEMIT"
   ],
   "source_ids": [
    "cs336",
    "rl"
   ],
   "url": "https://aiatlasgraph.com/t/continual",
   "markdown_url": "https://aiatlasgraph.com/t/continual.md",
   "updated": "2026-10-30"
  },
  "continualrl": {
   "id": "continualrl",
   "parent_id": "rlgeneralization",
   "label": "Ciągłe uczenie ze wzmocnieniem",
   "canonical_name": "Continual reinforcement learning",
   "aliases": [
    "continual RL",
    "lifelong RL",
    "non-stationary RL"
   ],
   "description": "Uczenie ze wzmocnieniem w warunkach niestacjonarnych, bez wyraźnego końca treningu, wraz z problemem utraty plastyczności sieci głębokich.",
   "description_en": "Reinforcement learning under nonstationarity without a fixed end of training, including the loss of plasticity in deep networks.",
   "plain": "Agent uczy się bez końca w zmieniającym się świecie i nie może „zesztywnieć” po pierwszych doświadczeniach.",
   "plain_en": "An agent learns without end in a changing world and must not 'stiffen up' after its first experiences.",
   "solves": "Długo trenowany agent z czasem coraz gorzej przyswaja nowe rzeczy, a do tego zapomina dawne, gdy świat się zmienia.",
   "solves_en": "An agent trained for a long time gradually absorbs new things less well, and forgets old ones when the world changes.",
   "does": "Jak ogrodnik, który przycina część starych gałęzi, żeby drzewo miało siłę wypuszczać nowe pędy.",
   "does_en": "Like a gardener who prunes some old branches so the tree has strength to grow new shoots.",
   "example": "System sterujący ogrzewaniem budynku uczy się przez lata, dopasowując się do nowych lokatorów, por roku i wymienionych urządzeń.",
   "example_en": "A building's heating controller learns for years, adapting to new tenants, seasons and replaced equipment.",
   "for_you": [
    "twój agent ma się uczyć po wdrożeniu, nie tylko raz",
    "długi trening przestaje przynosić poprawę"
   ],
   "for_you_en": [
    "your agent must keep learning after deployment, not once",
    "long training stops bringing improvement"
   ],
   "how": "Agent uczy się na strumieniu zmieniających się zadań lub dynamiki. Sieci trenowane długo tracą plastyczność: część neuronów przestaje być aktywna, a agent nadmiernie opiera się na wczesnych danych (primacy bias). Pomagają okresowe resety części sieci, continual backprop reinicjalizujący rzadko używane jednostki oraz regularyzacja w stronę wag początkowych.",
   "how_en": "The agent learns on a stream of changing tasks or dynamics. Long-trained networks lose plasticity: units go dormant and the agent over-relies on early data (primacy bias). Remedies include periodic partial resets, continual backprop that reinitialises rarely used units and regularisation toward initial weights.",
   "limits": "Resety chwilowo obniżają wyniki i wymagają bufora danych do odbudowy. Brakuje wspólnych benchmarków i miar, a równowaga między zapominaniem a plastycznością zależy od zadania.",
   "limits_en": "Resets temporarily lower performance and need a data buffer to recover. Shared benchmarks and metrics are lacking, and the balance between forgetting and plasticity is task-dependent.",
   "terms": [
    {
     "gloss": "Stopniowa utrata zdolności sieci do uczenia się nowych rzeczy.",
     "term": "loss of plasticity"
    },
    {
     "gloss": "Nadmierne dopasowanie agenta do najwcześniejszych doświadczeń.",
     "term": "primacy bias"
    },
    {
     "gloss": "Jednostki sieci, które przestały reagować na wejścia.",
     "term": "dormant neurons"
    }
   ],
   "terms_en": [
    {
     "gloss": "A network's gradual loss of ability to learn new things.",
     "term": "loss of plasticity"
    },
    {
     "gloss": "An agent overfitting to its earliest experiences.",
     "term": "primacy bias"
    },
    {
     "gloss": "Network units that have stopped responding to inputs.",
     "term": "dormant neurons"
    }
   ],
   "prereq": [
    "forgetting",
    "tdlearning"
   ],
   "keywords": [
    "loss of plasticity",
    "primacy bias",
    "continual backprop",
    "network resets",
    "ReDo",
    "shrink and perturb",
    "lifelong RL",
    "non-stationary MDP"
   ],
   "source_ids": [
    "loss-of-plasticity-nature-2024",
    "primacy-bias-2022",
    "continual-rl-review-2020"
   ],
   "url": "https://aiatlasgraph.com/t/continualrl",
   "markdown_url": "https://aiatlasgraph.com/t/continualrl.md",
   "updated": "2026-10-30"
  },
  "continuedpretraining": {
   "id": "continuedpretraining",
   "parent_id": "continual",
   "label": "Dotrenowanie na tekstach z dziedziny (continued pretraining)",
   "canonical_name": "Continued (domain-adaptive) pretraining",
   "aliases": [
    "continued pretraining",
    "continual pretraining",
    "domain-adaptive pretraining",
    "DAPT",
    "TAPT"
   ],
   "description": "Kolejna faza pretrainingu istniejącego modelu na nieoznaczonych danych z wybranej dziedziny, zadania lub języka, zwykle przed właściwym dostrajaniem. Ma zaadaptować model do nowego rozkładu danych i słownictwa.",
   "description_en": "An additional pretraining phase of an existing model on unlabelled data from a selected domain, task or language, usually before downstream fine-tuning. It aims to adapt the model to a new data distribution and vocabulary.",
   "examples": "DAPT · TAPT · modele medyczne, prawnicze, kodu · dotrenowanie na nowym języku",
   "examples_en": "DAPT · TAPT · medical, legal, code models · adapting to a new language",
   "plain": "To dalsze uczenie gotowego modelu na tekstach z wybranej dziedziny, zadania lub języka.",
   "plain_en": "This further trains an existing model on texts from a particular domain, task or language.",
   "solves": "Ogólny model słabo zna słownictwo i wzory dokumentów, z którymi pracujesz.",
   "solves_en": "A general model poorly understands the terminology and document patterns you work with.",
   "does": "Model kontynuuje podstawowe ćwiczenia na niepodpisanych danych z dziedziny, dostosowując ustawienia przed ewentualną nauką konkretnych odpowiedzi.",
   "does_en": "A model continues foundational training on unlabelled domain data, adapting its parameters before any task-specific response training.",
   "example": "Przed uczeniem odpowiedzi na zgłoszenia model ćwiczy na dokumentacji urządzeń i instrukcjach serwisowych.",
   "example_en": "Before learning support responses, a model trains on equipment documentation and service manuals.",
   "for_you": [
    "masz dużo tekstu z własnej dziedziny",
    "model nie zna potrzebnej terminologii"
   ],
   "for_you_en": [
    "have substantial text from your domain",
    "find a model unfamiliar with necessary terminology"
   ],
   "how": "Istniejący checkpoint trenuje się dalej na nieetykietowanych danych, zwykle zachowując cel samonadzorowany. Domieszkowanie danych ogólnych i dostosowanie harmonogramu pozwalają przyswajać słownictwo oraz zależności domeny przed ewentualnym dostrajaniem instrukcyjnym.",
   "how_en": "An existing checkpoint is trained further on unlabelled data, typically retaining its self-supervised objective. Mixing general data and adapting schedules helps acquire domain vocabulary and relationships before optional instruction fine-tuning.",
   "limits": "Wąski korpus może powodować zapominanie i zapamiętywanie fragmentów. Adaptacja rozkładu języka nie gwarantuje lepszego wykonywania zadań; potrzebne są testy domenowe i kontrola zdolności ogólnych.",
   "limits_en": "Narrow corpora can cause forgetting and passage memorisation. Language-distribution adaptation cannot guarantee better task performance; domain tests and general-capability checks are needed.",
   "terms": [
    {
     "gloss": "Zbiór treści reprezentujących język i zależności wybranego obszaru.",
     "term": "korpus domenowy"
    },
    {
     "gloss": "Dostosowanie modelu do rozkładu danych konkretnego zastosowania.",
     "term": "adaptacja domenowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Content representing a selected area's language and relationships.",
     "term": "domain corpus"
    },
    {
     "gloss": "Adapting a model to a particular application's data distribution.",
     "term": "domain adaptation"
    }
   ],
   "prereq": [
    "datamixing",
    "tokenization"
   ],
   "keywords": [
    "domain-adaptive pretraining",
    "DAPT",
    "replay data",
    "learning rate rewarming",
    "tokenizer extension",
    "catastrophic forgetting"
   ],
   "source_ids": [
    "xiong-longcontext-2023",
    "continual-llm-survey-2024",
    "dont-stop-pretraining-2020"
   ],
   "url": "https://aiatlasgraph.com/t/continuedpretraining",
   "markdown_url": "https://aiatlasgraph.com/t/continuedpretraining.md",
   "updated": "2026-10-30"
  },
  "continuoustraining": {
   "id": "continuoustraining",
   "parent_id": "mlops",
   "label": "Automatyczne retrenowanie i CI/CD dla ML",
   "canonical_name": "Continuous training and CI/CD for ML",
   "aliases": [
    "continuous training",
    "CT",
    "CI/CD for ML",
    "MLOps maturity levels",
    "poziomy dojrzałości MLOps"
   ],
   "description": "Automatyzacja potoku ML: ponowne trenowanie i wdrażanie modelu po określonym wyzwalaczu, takim jak harmonogram, nowe dane, spadek jakości lub wykryty dryf, oraz testowanie i wdrażanie samego potoku jak kodu.",
   "description_en": "Automating an ML pipeline: retraining and redeploying a model after a defined trigger such as a schedule, new data, quality degradation or detected drift, while testing and deploying the pipeline itself like code.",
   "examples": "poziom 0: proces ręczny · poziom 1: automatyczny potok (continuous training) · poziom 2: CI/CD potoków · wyzwalacze retrenowania",
   "examples_en": "level 0: manual process · level 1: pipeline automation (continuous training) · level 2: pipeline CI/CD · retraining triggers",
   "plain": "To automatyzowanie ponownego treningu, testowania i wdrażania modelu po ustalonym zdarzeniu.",
   "plain_en": "This automates model retraining, testing and deployment after a defined event.",
   "solves": "Dane i potrzeby zmieniają się, a ręczne powtarzanie wszystkich etapów aktualizacji jest powolne i podatne na pomyłki.",
   "solves_en": "Data and needs change, while manually repeating every update stage is slow and error-prone.",
   "does": "Harmonogram, nowe dane lub spadek jakości uruchamiają potok, który przygotowuje model i sprawdza warunki dopuszczenia kolejnej wersji.",
   "does_en": "A schedule, new data or quality decline triggers a pipeline that prepares a model and checks conditions for promoting the next version.",
   "example": "Nowe oznaczone zgłoszenia uruchamiają trening, a lepszy wariant trafia do wdrożenia dopiero po przejściu ustalonych testów.",
   "example_en": "New labelled requests trigger training, and an improved variant reaches deployment only after passing defined tests.",
   "for_you": [
    "regularnie aktualizujesz model nowymi danymi",
    "potrzebujesz powtarzalnego potoku z kontrolą jakości"
   ],
   "for_you_en": [
    "regularly update a model with new data",
    "need a repeatable pipeline with quality checks"
   ],
   "how": "Wyzwalacz uruchamia wersjonowany potok walidacji danych, treningu i porównania z aktualnym modelem. Kryteria akceptacji kierują artefakt do kontrolowanego wdrożenia, a testy potoku sprawdzają również kod, konfigurację i możliwość odtworzenia.",
   "how_en": "A trigger starts a versioned pipeline for data validation, training and comparison with the current model. Acceptance criteria route artifacts to controlled deployment, while pipeline tests also check code, configuration and reproducibility.",
   "limits": "Automatyczny trening może wzmacniać błędy etykiet i pętle feedbacku. Dryf nie zawsze oznacza potrzebę nowego modelu; promocja wymaga danych oceny oraz możliwości wycofania zgodnej konfiguracji.",
   "limits_en": "Automated training can reinforce label errors and feedback loops. Drift does not always require new models; promotion needs evaluation data and rollback of compatible configurations.",
   "terms": [
    {
     "gloss": "Zdarzenie rozpoczynające potok ponownego uczenia i oceny modelu.",
     "term": "trigger retreningu"
    },
    {
     "gloss": "Kryteria, które nowa wersja musi spełnić przed wdrożeniem.",
     "term": "bramka promocji"
    }
   ],
   "terms_en": [
    {
     "gloss": "An event starting a model retraining and assessment pipeline.",
     "term": "retraining trigger"
    },
    {
     "gloss": "Criteria a new version must satisfy before deployment.",
     "term": "promotion gate"
    }
   ],
   "prereq": [
    "driftdetection",
    "evalharness"
   ],
   "keywords": [
    "continuous training",
    "ML pipeline automation",
    "retraining triggers",
    "data validation",
    "model promotion gates",
    "CI/CD pipelines"
   ],
   "source_ids": [
    "google-mlops-levels"
   ],
   "url": "https://aiatlasgraph.com/t/continuoustraining",
   "markdown_url": "https://aiatlasgraph.com/t/continuoustraining.md",
   "updated": "2026-10-30"
  },
  "contractai": {
   "id": "contractai",
   "parent_id": "legalai",
   "label": "Analiza umów",
   "canonical_name": "Contract analysis and review",
   "aliases": [
    "contract review",
    "contract analysis",
    "AI contract review",
    "contract intelligence",
    "CLM AI",
    "przegląd umów",
    "analiza umów przez AI"
   ],
   "description": "Automatyczne wyszukiwanie i klasyfikowanie postanowień umownych oraz wskazywanie klauzul wymagających oceny ryzyka przez człowieka.",
   "description_en": "Automated retrieval and classification of contract provisions, with identification of clauses that require human risk assessment.",
   "plain": "Programy, które czytają umowy, znajdują w nich ważne zapisy i ostrzegają przed ryzykownymi albo brakującymi postanowieniami.",
   "plain_en": "Software that reads contracts, finds the important provisions and warns about risky or missing terms.",
   "solves": "Przy przejęciu firmy albo audycie trzeba przeczytać setki umów, a jedno przeoczone zdanie o karze czy wypowiedzeniu kosztuje fortunę.",
   "solves_en": "In a company acquisition or audit hundreds of contracts must be read, and one missed sentence on penalties or termination can cost a fortune.",
   "does": "Jak zakreślacz z listą kontrolną: przechodzi umowę punkt po punkcie i zaznacza, gdzie jest każde z kilkudziesięciu typowych postanowień.",
   "does_en": "Like a highlighter with a checklist: it walks through the contract and marks where each of dozens of standard provisions sits.",
   "example": "Dział prawny dostaje paczkę dwustu umów dostawców i w godzinę ma tabelę: kto ma klauzulę wyłączności, a kto może zerwać umowę bez kary.",
   "example_en": "A legal team receives two hundred supplier contracts and within an hour has a table of who has exclusivity and who can terminate without penalty.",
   "for_you": [
    "zarządzasz wieloma umowami z klientami lub dostawcami",
    "podpisujesz umowę i chcesz znać ryzyka"
   ],
   "for_you_en": [
    "manage many contracts with clients or suppliers",
    "are signing a contract and want to know the risks"
   ],
   "how": "Umowę zamienia się na tekst z zachowaną strukturą, dzieli na fragmenty i wyszukuje zapisy odpowiadające kategoriom z listy. Modele ekstrakcyjne wskazują dokładne fragmenty, a modele językowe mogą klasyfikować ryzyko na poziomie klauzuli. Wynik pozostaje materiałem do przeglądu przez prawnika.",
   "how_en": "A contract is converted to text while preserving structure, split into passages, and searched for provisions matching categories on a checklist. Extractive models identify exact spans, while language models may classify risk at clause level. The output remains material for review by a lawyer.",
   "limits": "Etykiety wymagają drogich ekspertów, więc zbiorów jest mało. Umowy są długie i pełne wyjątków oraz odesłań, a skany i tabele psują ekstrakcję. Modele bywają na poziomie młodszego asystenta i łatwo odpowiadają „brak klauzuli”, gdy ona jest.",
   "limits_en": "Labels need expensive experts, so datasets are few. Contracts are long and full of exceptions and cross-references, and scans and tables break extraction. Models perform around junior-assistant level and readily answer 'no clause' when one exists.",
   "terms": [
    {
     "gloss": "Wydzielony zapis umowy regulujący jedną sprawę, np. wypowiedzenie.",
     "term": "klauzula"
    },
    {
     "gloss": "Przegląd dokumentów firmy przed transakcją, by wykryć ryzyka.",
     "term": "due diligence"
    },
    {
     "gloss": "Firmowy wzorzec akceptowalnych zapisów umownych.",
     "term": "playbook"
    }
   ],
   "terms_en": [
    {
     "gloss": "A distinct contract provision governing one matter, e.g. termination.",
     "term": "clause"
    },
    {
     "gloss": "Reviewing a company's documents before a deal to uncover risks.",
     "term": "due diligence"
    },
    {
     "gloss": "A company's standard of acceptable contract terms.",
     "term": "playbook"
    }
   ],
   "prereq": [
    "infoextraction",
    "docai"
   ],
   "keywords": [
    "CUAD",
    "ContractNLI",
    "contract lifecycle management",
    "clause extraction",
    "due diligence",
    "contract risk scoring",
    "LEDGAR",
    "MAUD",
    "playbook review"
   ],
   "source_ids": [
    "hendrycks-cuad-2021",
    "liu-contracteval-2025"
   ],
   "url": "https://aiatlasgraph.com/t/contractai",
   "markdown_url": "https://aiatlasgraph.com/t/contractai.md",
   "updated": "2026-10-30"
  },
  "contractdrafting": {
   "id": "contractdrafting",
   "parent_id": "contractai",
   "label": "Redagowanie i poprawianie umów z AI",
   "canonical_name": "AI contract drafting and redlining",
   "aliases": [
    "contract drafting",
    "AI redlining",
    "clause generation",
    "contract revision",
    "contract negotiation AI",
    "redagowanie umów",
    "redlining"
   ],
   "description": "Generowanie klauzul i proponowanie zmian w projektach umów przez LLM, często z wyszukiwaniem wzorców i oceną akceptowalności zmian.",
   "description_en": "LLM generation of clauses and proposed edits to contract drafts, often with retrieval of precedents and scoring of edit acceptability.",
   "plain": "AI pisze nowe postanowienia umowy albo proponuje poprawki w projekcie drugiej strony, zaznaczone jak zmiany w edytorze tekstu.",
   "plain_en": "AI writes new contract provisions or proposes edits to the other side's draft, marked up like changes in a word processor.",
   "solves": "Każda negocjacja to dziesiątki wersji tej samej umowy i godziny przepisywania podobnych klauzul, często pod presją czasu.",
   "solves_en": "Every negotiation means dozens of versions of the same contract and hours of rewriting similar clauses, often under time pressure.",
   "does": "Jak asystent, który pamięta wszystkie wcześniejsze negocjacje firmy i podsuwa sformułowanie, które druga strona zwykle akceptowała.",
   "does_en": "Like an assistant who remembers all the company's past negotiations and suggests the wording the other side usually accepted.",
   "example": "Dostawca przysyła umowę z nową klauzulą o karach; system zaznacza ją, proponuje łagodniejszą wersję i pokazuje podobne poprawki z poprzednich lat.",
   "example_en": "A supplier sends a contract with a new penalty clause; the system flags it, proposes a milder version and shows similar edits from previous years.",
   "for_you": [
    "negocjujesz umowy z kontrahentami",
    "piszesz umowy z gotowych wzorów",
    "sprawdzasz poprawki drugiej strony"
   ],
   "for_you_en": [
    "negotiate contracts with business partners",
    "write contracts from templates",
    "check the other side's edits"
   ],
   "how": "Model generuje klauzulę z polecenia, a system porównuje ją z zaufanymi wzorcami i wskazuje brakujące lub nadmiarowe elementy. W redlinowaniu klasyfikator ocenia, czy proponowana zmiana zostanie przyjęta, wyszukiwarka podsuwa podobne wcześniejsze poprawki, a model przepisuje sporną klauzulę; bywa dostrajany przez PPO z oceną klasyfikatora jako nagrodą.",
   "how_en": "The model generates a clause from a prompt, and the system compares it with trusted precedent clauses, flagging missing or extra elements. In redlining, a classifier predicts whether a proposed edit will be accepted, a retriever surfaces similar past edits, and the model rewrites the disputed clause; it may be tuned with PPO using the classifier's score as reward.",
   "limits": "Klauzule z prostych poleceń są ogólnikowe i wymagają dopasowania przez prawnika. Systemy słabo radzą sobie ze zmianami liczb i dat, a akceptowalność bywa mierzona automatycznym klasyfikatorem, nie ekspertami. Dane z negocjacji są poufne i nieliczne.",
   "limits_en": "Clauses from simple prompts are generic and need tailoring by a lawyer. Systems struggle with changes to numbers and dates, and acceptability is sometimes measured by an automatic classifier rather than experts. Negotiation data is confidential and scarce.",
   "terms": [
    {
     "gloss": "Oznaczanie proponowanych zmian w tekście umowy.",
     "term": "redlining"
    },
    {
     "gloss": "Zapasowe sformułowanie, gdy pierwsze nie zostanie przyjęte.",
     "term": "stanowisko awaryjne (fallback)"
    },
    {
     "gloss": "Tryb edytora pokazujący skreślenia i dopiski.",
     "term": "śledzenie zmian"
    }
   ],
   "terms_en": [
    {
     "gloss": "Marking proposed changes in a contract's text.",
     "term": "redlining"
    },
    {
     "gloss": "Backup wording if the first is not accepted.",
     "term": "fallback position"
    },
    {
     "gloss": "An editor mode showing deletions and insertions.",
     "term": "tracked changes"
    }
   ],
   "prereq": [
    "retrieval",
    "ppo"
   ],
   "keywords": [
    "redlining",
    "clause generation",
    "LEDGAR",
    "retrieval-augmented generation",
    "PPO",
    "clause library",
    "tracked changes",
    "contract negotiation"
   ],
   "source_ids": [
    "lam-llm-contract-drafting-2023",
    "topollai-contract-rag-2025"
   ],
   "url": "https://aiatlasgraph.com/t/contractdrafting",
   "markdown_url": "https://aiatlasgraph.com/t/contractdrafting.md",
   "updated": "2026-10-30"
  },
  "contractnli": {
   "id": "contractnli",
   "parent_id": "contractai",
   "label": "Sprawdzanie twierdzeń o umowie",
   "canonical_name": "Contract natural language inference",
   "aliases": [
    "ContractNLI",
    "document-level NLI for contracts",
    "contract entailment",
    "contract hypothesis checking",
    "wnioskowanie z umów"
   ],
   "description": "Wnioskowanie na poziomie całego dokumentu: dla umowy i hipotezy model klasyfikuje wynikanie, sprzeczność lub brak wzmianki i wskazuje dowodowe fragmenty.",
   "description_en": "Document-level inference: given a contract and a hypothesis, the model labels entailment, contradiction or not mentioned and identifies evidence spans.",
   "plain": "Program dostaje twierdzenie, np. „obowiązek poufności trwa po zakończeniu umowy”, i odpowiada, czy umowa to potwierdza, zaprzecza, czy milczy.",
   "plain_en": "Software takes a statement, such as 'confidentiality survives termination', and answers whether the contract confirms it, contradicts it or says nothing.",
   "solves": "Znalezienie klauzuli to nie wszystko: trzeba jeszcze zrozumieć, czy jej wyjątki i zaprzeczenia faktycznie dają to, czego szukasz.",
   "solves_en": "Finding a clause is not enough: you still need to understand whether its exceptions and negations actually give you what you are looking for.",
   "does": "Działa jak sędzia w quizie z trzema przyciskami: tak, nie, brak informacji, i zawsze pokazuje zdanie, na którym oparł werdykt.",
   "does_en": "It acts like a quiz judge with three buttons, yes, no and not mentioned, and always shows the sentence its verdict rests on.",
   "example": "Przed podpisaniem umowy o zachowaniu poufności sprawdzasz, czy wolno ci pokazać dokumenty doradcy; odpowiedź wskazuje właściwy ustęp.",
   "example_en": "Before signing a non-disclosure agreement you check whether you may show the documents to your adviser; the answer points to the right paragraph.",
   "for_you": [
    "podpisujesz umowę o poufności",
    "porównujesz umowy z firmowym wzorcem"
   ],
   "for_you_en": [
    "are signing a non-disclosure agreement",
    "compare contracts against a company standard"
   ],
   "how": "Umowę dzieli się na fragmenty z kontekstem, a model dla każdej hipotezy klasyfikuje relację i wybiera fragmenty dowodowe jako klasyfikację wieloetykietową. Hipotezy pochodzą ze stałej listy pytań istotnych przy danym typie umowy, np. umowach o poufności.",
   "how_en": "The contract is split into context-aware segments, and for each hypothesis the model classifies the relation and selects evidence spans as multi-label classification. Hypotheses come from a fixed list of questions that matter for a contract type, such as NDAs.",
   "limits": "Zaprzeczenia przez wyjątki i odesłania między punktami mylą modele. Zbiory obejmują głównie jeden typ umów w języku angielskim, a odpowiedź „brak wzmianki” bywa myląca, gdy kwestię rozstrzyga prawo, a nie umowa.",
   "limits_en": "Negation by exception and cross-references confuse models. Datasets cover mostly one contract type in English, and 'not mentioned' can mislead when the matter is settled by law rather than the contract.",
   "terms": [
    {
     "gloss": "Wnioskowanie w języku naturalnym: czy z tekstu wynika dane zdanie.",
     "term": "NLI"
    },
    {
     "gloss": "Twierdzenie, które sprawdza się względem treści dokumentu.",
     "term": "hipoteza"
    },
    {
     "gloss": "Zdanie z dokumentu, na którym opiera się odpowiedź.",
     "term": "fragment dowodowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Natural language inference: whether a sentence follows from a text.",
     "term": "NLI"
    },
    {
     "gloss": "A statement checked against a document's content.",
     "term": "hypothesis"
    },
    {
     "gloss": "A sentence from the document on which the answer rests.",
     "term": "evidence span"
    }
   ],
   "prereq": [
    "textclassification",
    "contextmanagement"
   ],
   "keywords": [
    "ContractNLI",
    "natural language inference",
    "evidence spans",
    "NDA review",
    "long-document classification",
    "negation by exception"
   ],
   "source_ids": [
    "koreeda-contractnli-2021"
   ],
   "url": "https://aiatlasgraph.com/t/contractnli",
   "markdown_url": "https://aiatlasgraph.com/t/contractnli.md",
   "updated": "2026-10-30"
  },
  "controllablegen": {
   "id": "controllablegen",
   "parent_id": "imagegen",
   "label": "Sterowanie kompozycją: poza, kontury, głębia, obraz wzorcowy",
   "canonical_name": "Controllable generation: pose, edges, depth, reference image",
   "aliases": [
    "controllable generation",
    "ControlNet",
    "conditional control",
    "spatial conditioning",
    "image prompting",
    "IP-Adapter",
    "T2I-Adapter",
    "generowanie sterowane",
    "kontrola kompozycji",
    "warunkowanie przestrzenne"
   ],
   "description": "Prowadzenie generowania sygnałami poza tekstem: mapą krawędzi, mapą głębi, szkieletem pozy, segmentacją lub obrazem wzorcowym. Częstym rozwiązaniem są dodatkowe adaptery lub sieci warunkujące dołączane do zamrożonego modelu bazowego; niektóre warunki można łączyć.",
   "description_en": "Guiding generation with signals beyond text: edge maps, depth maps, pose skeletons, segmentation or a reference image. A common approach uses additional adapters or conditioning networks attached to a frozen base model; some conditions can be combined.",
   "examples": "ControlNet (krawędzie, głębia, poza) · MultiControlNet · T2I-Adapter · IP-Adapter (obraz jako prompt) · zerowe konwolucje",
   "examples_en": "ControlNet (edges, depth, pose) · MultiControlNet · T2I-Adapter · IP-Adapter (image as prompt) · zero convolutions",
   "plain": "To kierowanie tworzeniem obrazu za pomocą szkicu, zadanej pozy, głębi lub obrazu wzorcowego.",
   "plain_en": "This guides image generation with a sketch, a pose, depth information or a reference picture.",
   "solves": "Sam opis słowny nie wystarcza, żeby postać stała w konkretnej pozie albo budynek miał dokładnie taki kształt.",
   "solves_en": "Words alone cannot make a figure stand in a particular pose or a building take exactly the right shape.",
   "does": "Dodatkowe wskazówki o układzie lub wyglądzie kierują pracą generatora, pomagając zachować pożądane cechy obrazu.",
   "does_en": "Extra cues about layout or appearance guide the generator, helping it preserve desired image features.",
   "example": "Szkicujesz bryłę domu, a program przygotowuje wizualizację, której kompozycję kieruje twój szkic.",
   "example_en": "You sketch a house outline, and software creates a visualisation whose composition is guided by your sketch.",
   "for_you": [
    "potrzebujesz powtarzalnej kompozycji, a nie losowych wyników",
    "zamieniasz szkice w gotowe ilustracje",
    "chcesz utrzymać styl w serii grafik"
   ],
   "for_you_en": [
    "need a repeatable layout rather than random results",
    "turn sketches into finished illustrations",
    "want a consistent style across a series of images"
   ],
   "how": "Mapy pozy, krawędzi lub głębi koduje się jako dodatkowy warunek generatora. Adaptery lub osobna sieć dostarczają te cechy do wybranych warstw, często przy zachowaniu zamrożonego modelu bazowego.",
   "how_en": "Pose, edge or depth maps are encoded as additional generator conditions. Adapters or a separate network inject these features into selected layers, often keeping the base model frozen.",
   "limits": "Sprzeczne warunki konkurują ze sobą i promptem. Jakość mapy wejściowej ogranicza sterowanie, a wierność kompozycji nie gwarantuje tożsamości ani poprawnych detali.",
   "limits_en": "Conflicting conditions compete with each other and prompts. Input-map quality limits control, while composition fidelity does not guarantee identity or correct detail.",
   "terms": [
    {
     "gloss": "Mapa opisująca położenie, kształt lub strukturę planowanego obrazu.",
     "term": "warunek przestrzenny"
    },
    {
     "gloss": "Moduł wprowadzający dodatkowy sygnał do wyuczonego generatora.",
     "term": "adapter warunkujący"
    }
   ],
   "terms_en": [
    {
     "gloss": "A map describing the intended image's position, shape or structure.",
     "term": "spatial condition"
    },
    {
     "gloss": "A module introducing an additional signal into a trained generator.",
     "term": "conditioning adapter"
    }
   ],
   "prereq": [
    "texttoimage",
    "segmentation"
   ],
   "keywords": [
    "ControlNet",
    "MultiControlNet",
    "T2I-Adapter",
    "IP-Adapter",
    "zero convolutions",
    "Canny edges",
    "pose conditioning"
   ],
   "source_ids": [
    "hf-diffusers-text-to-image",
    "hf-task-image-to-image",
    "controlnet-2023",
    "hf-diffusers-controlnet",
    "ip-adapter-2023",
    "t2i-adapter-2023"
   ],
   "url": "https://aiatlasgraph.com/t/controllablegen",
   "markdown_url": "https://aiatlasgraph.com/t/controllablegen.md",
   "updated": "2026-10-30"
  },
  "convexopt": {
   "id": "convexopt",
   "parent_id": "mathoptimization",
   "label": "Optymalizacja wypukła i dualność",
   "canonical_name": "Convex optimisation and duality",
   "aliases": [
    "convex optimization",
    "convex programming",
    "optymalizacja wypukła",
    "programowanie wypukłe"
   ],
   "description": "Minimalizacja funkcji wypukłej na zbiorze wypukłym, z teorią dualności Lagrange'a i warunkami optymalności KKT.",
   "description_en": "Minimising a convex function over a convex set, with Lagrangian duality theory and KKT optimality conditions.",
   "plain": "Klasa problemów szukania najlepszego rozwiązania, w których każde lokalne minimum jest od razu najlepszym możliwym.",
   "plain_en": "A class of best-solution problems in which every local minimum is automatically the best possible one.",
   "solves": "Wiele zadań optymalizacji grzęźnie w pozornie dobrych rozwiązaniach, a przy ograniczeniach łatwo zgubić to, co naprawdę najlepsze.",
   "solves_en": "Many optimisation tasks get stuck in seemingly good solutions, and with constraints it is easy to miss the truly best one.",
   "does": "Jak misa: gdziekolwiek postawisz kulkę, stoczy się na to samo dno, więc szukanie zawsze kończy się w dobrym miejscu.",
   "does_en": "Like a bowl: wherever you place a ball, it rolls to the same bottom, so the search always ends in the right place.",
   "example": "Planer dostaw ustala, ile towaru wysłać z każdego magazynu, żeby zmieścić się w limitach i wydać najmniej na transport.",
   "example_en": "A delivery planner decides how much stock to ship from each warehouse to stay within limits and spend least on transport.",
   "for_you": [
    "rozwiązujesz zadania z twardymi ograniczeniami",
    "chcesz rozumieć, skąd biorą się klasyczne metody uczenia"
   ],
   "for_you_en": [
    "solve tasks with hard constraints",
    "want to understand where classic learning methods come from"
   ],
   "how": "W problemie wypukłym każde minimum lokalne jest globalne. Przy standardowych założeniach metody gradientowe i punktu wewnętrznego mają gwarancje zbieżności. Ograniczenia włącza się przez lagranżjan z mnożnikami; problem dualny daje dolne ograniczenie wartości celu, a przy silnej dualności wartości optymalne problemu pierwotnego i dualnego są równe. Szczególne przypadki to programowanie liniowe, kwadratowe i stożkowe.",
   "how_en": "In a convex problem every local minimum is global. Under standard assumptions, gradient and interior-point methods have convergence guarantees. Constraints enter through a Lagrangian with multipliers; the dual gives a lower bound on the objective, and under strong duality the primal and dual optimal values are equal. Special cases include linear, quadratic and conic programming.",
   "limits": "Trening głębokich sieci nie jest problemem wypukłym, więc gwarancje teorii tam nie obowiązują wprost. Sformułowanie zadania w postaci wypukłej bywa trudne lub wymaga uproszczeń.",
   "limits_en": "Training deep networks is not a convex problem, so the theory's guarantees do not apply directly. Casting a task in convex form can be difficult or require simplifications.",
   "terms": [
    {
     "gloss": "Zbiór, w którym odcinek między dowolnymi punktami nie wychodzi poza zbiór.",
     "term": "zbiór wypukły"
    },
    {
     "gloss": "Waga ceny za naruszenie ograniczenia, dodana do celu.",
     "term": "mnożnik Lagrange'a"
    },
    {
     "gloss": "Warunki, które musi spełniać optimum przy ograniczeniach.",
     "term": "warunki KKT"
    }
   ],
   "terms_en": [
    {
     "gloss": "A set where the segment between any two points stays inside.",
     "term": "convex set"
    },
    {
     "gloss": "A price weight for violating a constraint, added to the objective.",
     "term": "Lagrange multiplier"
    },
    {
     "gloss": "Conditions an optimum under constraints must satisfy.",
     "term": "KKT conditions"
    }
   ],
   "prereq": [
    "calculus",
    "linearalgebra"
   ],
   "keywords": [
    "Lagrangian duality",
    "KKT conditions",
    "linear programming",
    "quadratic programming",
    "interior-point methods",
    "CVXPY",
    "proximal methods",
    "strong duality",
    "semidefinite programming"
   ],
   "source_ids": [
    "mmlbook",
    "boyd-vandenberghe-cvxbook"
   ],
   "url": "https://aiatlasgraph.com/t/convexopt",
   "markdown_url": "https://aiatlasgraph.com/t/convexopt.md",
   "updated": "2026-10-30"
  },
  "convpool": {
   "id": "convpool",
   "parent_id": "cnn",
   "label": "Splot, filtry i pooling",
   "canonical_name": "Convolution, filters and pooling",
   "aliases": [
    "convolution",
    "splot",
    "konwolucja",
    "pooling",
    "max pooling",
    "filters",
    "kernels",
    "feature maps"
   ],
   "description": "Podstawowe operacje sieci konwolucyjnej: małe filtry przesuwają się po obrazie i wykrywają lokalne wzorce (krawędzie, tekstury), a pooling zmniejsza rozdzielczość map cech. Parametry takie jak rozmiar filtra, krok i dopełnienie decydują o kształcie wyjścia.",
   "description_en": "The basic operations of a convolutional network: small filters slide over the image and detect local patterns (edges, textures), and pooling reduces feature-map resolution. Filter size, stride and padding determine the output shape.",
   "examples": "warstwa konwolucyjna · max-pooling · krok (stride) i dopełnienie (padding) · mapy cech",
   "examples_en": "convolutional layer · max-pooling · stride and padding · feature maps",
   "plain": "To małe filtry szukające wzorów na obrazie oraz operacje zmniejszające rozmiar otrzymanych map.",
   "plain_en": "These small filters find image patterns, while pooling operations reduce the resulting feature maps.",
   "solves": "Zdjęcie ma wiele punktów, ale model potrzebuje wydobyć powtarzalne kształty i ograniczyć ilość dalszych obliczeń.",
   "solves_en": "A photo contains many pixels, but a model needs recurring shapes and fewer computations for later processing.",
   "does": "Ten sam filtr bada kolejne fragmenty, a zmniejszanie map zbiera informacje z małych okolic w bardziej zwarty zapis.",
   "does_en": "The same filter examines successive patches, while pooling gathers information from small neighbourhoods into a more compact representation.",
   "example": "Model wykrywa krawędzie opakowania niezależnie od tego, czy leży ono po lewej, czy po prawej stronie zdjęcia.",
   "example_en": "A model detects package edges whether the package lies on the left or right of a photo.",
   "for_you": [
    "chcesz zrozumieć analizę lokalnych wzorów obrazu",
    "ograniczasz wielkość map wewnątrz sieci"
   ],
   "for_you_en": [
    "want to understand local image-pattern analysis",
    "reduce feature-map sizes inside a network"
   ],
   "how": "Splot oblicza ważone sumy lokalnych wejść przy użyciu filtra współdzielonego między pozycjami. Krok i dopełnienie wyznaczają siatkę wyniku, a pooling agreguje sąsiednie aktywacje, zmniejszając rozdzielczość reprezentacji.",
   "how_en": "Convolution computes weighted local-input sums using a filter shared across positions. Stride and padding determine the output grid, while pooling aggregates neighbouring activations to reduce representation resolution.",
   "limits": "Zmniejszanie rozdzielczości może usunąć drobne szczegóły i informację o położeniu. Dopełnienie wpływa na brzegi; duży krok sprzyja aliasingowi, jeśli wejście nie jest odpowiednio filtrowane.",
   "limits_en": "Downsampling can remove fine details and positional information. Padding affects boundaries; large strides encourage aliasing unless inputs are appropriately filtered.",
   "terms": [
    {
     "gloss": "Fragment wejścia wpływający na pojedynczą aktywację wyjściową.",
     "term": "pole recepcyjne"
    },
    {
     "gloss": "Odległość pomiędzy kolejnymi pozycjami zastosowania filtra.",
     "term": "stride"
    }
   ],
   "terms_en": [
    {
     "gloss": "The input region influencing one output activation.",
     "term": "receptive field"
    },
    {
     "gloss": "The distance between successive filter-application positions.",
     "term": "stride"
    }
   ],
   "prereq": [
    "linearalgebra"
   ],
   "keywords": [
    "max pooling",
    "average pooling",
    "stride",
    "padding",
    "dilated convolution",
    "receptive fields"
   ],
   "source_ids": [
    "d2l-toc",
    "cs231n-convnets-notes"
   ],
   "url": "https://aiatlasgraph.com/t/convpool",
   "markdown_url": "https://aiatlasgraph.com/t/convpool.md",
   "updated": "2026-10-30"
  },
  "coreference": {
   "id": "coreference",
   "parent_id": "infoextraction",
   "label": "Rozwiązywanie koreferencji (kto to „on”?)",
   "canonical_name": "Coreference resolution",
   "aliases": [
    "coreference resolution",
    "coref",
    "koreferencja"
   ],
   "description": "Grupowanie wzmianek (nazw, opisów, zaimków) odnoszących się do tej samej encji w klastry w obrębie dokumentu.",
   "description_en": "Clustering mentions (names, descriptions, pronouns) that refer to the same entity within a document.",
   "plain": "Program ustala, które słowa w tekście — „ona”, „prezes”, „pani Nowak” — mówią o tej samej osobie lub rzeczy.",
   "plain_en": "Software works out which words in a text — 'she', 'the chair', 'Ms Smith' — refer to the same person or thing.",
   "solves": "Ludzie rzadko powtarzają pełne nazwy, więc program czytający zdanie po zdaniu gubi, o kim jest mowa.",
   "solves_en": "People rarely repeat full names, so software reading sentence by sentence loses track of who is meant.",
   "does": "Łączy rozrzucone po tekście zaimki i opisy w jedną nitkę na każdą postać, jak kolorowe zakładki w książce.",
   "does_en": "It ties pronouns and descriptions scattered through a text into one thread per character, like coloured bookmarks.",
   "example": "Asystent streszcza długi wątek mailowy i poprawnie pisze, kto obiecał co zrobić, choć w mailach padało głównie „on” i „ja”.",
   "example_en": "An assistant summarises a long email thread and correctly says who promised what, though the emails mostly said 'he' and 'I'.",
   "for_you": [
    "wyciągasz fakty z długich tekstów",
    "analizujesz rozmowy lub wywiady",
    "streszczasz dokumenty z wieloma osobami"
   ],
   "for_you_en": [
    "pull facts out of long texts",
    "analyse conversations or interviews",
    "summarise documents involving many people"
   ],
   "how": "Model end-to-end traktuje każdy span jako potencjalną wzmiankę, ocenia jego prawdopodobieństwo i dla każdego wybiera poprzednika (antecedent) albo brak. Reprezentacje spanów łączą kontekstowe wektory granic z uwagą nad słowami głównymi; łańcuchy poprzedników tworzą klastry.",
   "how_en": "An end-to-end model treats every span as a possible mention, scores it and picks an antecedent or none for each. Span representations combine contextual boundary vectors with attention over head words; antecedent chains form clusters.",
   "limits": "Liczba par wzmianek rośnie szybko wraz z długością tekstu, dlatego modele agresywnie przycinają kandydatów i mogą pominąć właściwą wzmiankę. Wieloznaczne zaimki pozostają trudne, gdy rozstrzygnięcie wymaga informacji spoza dokumentu.",
   "limits_en": "The number of mention pairs grows quickly with document length, so models prune candidates aggressively and may discard the correct mention. Ambiguous pronouns remain difficult when resolving them requires information outside the document.",
   "terms": [
    {
     "gloss": "Wcześniejsza wzmianka, do której odnosi się zaimek lub opis.",
     "term": "antecedent"
    },
    {
     "gloss": "Fragment tekstu wskazujący encję.",
     "term": "mention"
    },
    {
     "gloss": "Wszystkie wzmianki o tej samej encji.",
     "term": "klaster koreferencyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "An earlier mention that a pronoun or description points back to.",
     "term": "antecedent"
    },
    {
     "gloss": "A text span that refers to an entity.",
     "term": "mention"
    },
    {
     "gloss": "All mentions of the same entity.",
     "term": "coreference cluster"
    }
   ],
   "prereq": [
    "transformers"
   ],
   "keywords": [
    "coreference resolution",
    "mention detection",
    "antecedent scoring",
    "span-based coreference",
    "Winograd schema",
    "coreference benchmark",
    "pronoun resolution"
   ],
   "source_ids": [
    "lee-2017-e2e-coreference"
   ],
   "url": "https://aiatlasgraph.com/t/coreference",
   "markdown_url": "https://aiatlasgraph.com/t/coreference.md",
   "updated": "2026-10-30"
  },
  "costestimation": {
   "id": "costestimation",
   "parent_id": "economics",
   "label": "Szacowanie kosztu na zadanie (tokeny)",
   "canonical_name": "Cost-per-task estimation",
   "description": "Liczenie, ile kosztuje jedno wykonanie zadania: tokeny wejścia i wyjścia, liczba wywołań modelu i narzędzi, powtórki — i porównanie z wartością, którą zadanie daje.",
   "description_en": "Working out what one run of a task costs: input and output tokens, number of model and tool calls, retries — and comparing it with the value the task delivers.",
   "examples": "koszt na rozmowę lub dokument · tokeny rozumowania · pętle agenta mnożą koszt · ceny różnych modeli",
   "examples_en": "cost per conversation or document · reasoning tokens · agent loops multiply cost · price differences between models",
   "plain": "To liczenie kosztu całego zadania wykonywanego z pomocą modelu.",
   "plain_en": "This calculates the cost of a complete task performed with a model's help.",
   "solves": "Niska cena pojedynczego zapytania może ukrywać koszt długiej rozmowy, kolejnych kroków i powtarzanych prób.",
   "solves_en": "A low price per request can hide the cost of a long conversation, successive steps and repeated attempts.",
   "does": "Zlicza przetwarzane fragmenty tekstu, wywołania modeli, narzędzi i powtórki, a potem porównuje łączny koszt z wartością wykonania zadania.",
   "does_en": "It counts processed text pieces, model and tool calls and retries, then compares the total cost with the value of completing the task.",
   "example": "Asystent analizuje dokument przez kilka zapytań; liczysz koszt wszystkich etapów i poprawek, zamiast tylko pierwszej odpowiedzi.",
   "example_en": "An assistant analyses a document through several requests; you count every stage and correction rather than just the first answer.",
   "for_you": [
    "chcesz oszacować koszt rozmowy lub przetworzenia dokumentu",
    "zadanie obejmuje wiele wywołań i możliwe powtórki"
   ],
   "for_you_en": [
    "want to estimate conversation or document processing costs",
    "have tasks involving multiple calls and possible retries"
   ],
   "how": "Ślad wykonania zlicza tokeny, wywołania, powtórki, narzędzia i zajęte zasoby dla całego zadania. Stawki lub koszt infrastruktury przypisuje się do tych zdarzeń, a rozkład z reprezentatywnych prób tworzy prognozę obciążenia i budżetu.",
   "how_en": "Execution traces count tokens, calls, retries, tools and occupied resources across a whole task. Rates or infrastructure costs are assigned to these events, and representative-trial distributions forecast workload and budgets.",
   "limits": "Różne długości wejść oraz odpowiedzi zmieniają koszt, szczególnie w pętlach agentowych. Cache i nieudane próby wymagają osobnego rozliczenia; pominięcie integracji oraz ludzkiej kontroli zaniża prognozę.",
   "limits_en": "Varying input and output lengths change costs, especially in agent loops. Caches and failed attempts need separate accounting; omitting integration and human review understates forecasts.",
   "terms": [
    {
     "gloss": "Rejestr zdarzeń wykonania powiązanych z naliczanymi zasobami.",
     "term": "ślad kosztowy"
    },
    {
     "gloss": "Łączny koszt prób podzielony przez liczbę poprawnych rezultatów.",
     "term": "koszt na sukces"
    }
   ],
   "terms_en": [
    {
     "gloss": "An execution-event record linked to billable resources.",
     "term": "cost trace"
    },
    {
     "gloss": "Total attempt cost divided by successful-outcome count.",
     "term": "cost per success"
    }
   ],
   "prereq": [
    "tokenization",
    "decoding"
   ],
   "keywords": [
    "cost per successful task",
    "input tokens",
    "output tokens",
    "reasoning tokens",
    "tool call costs",
    "retry costs"
   ],
   "source_ids": [
    "frugalgpt-2023",
    "huyen-ai-engineering-ch10"
   ],
   "url": "https://aiatlasgraph.com/t/costestimation",
   "markdown_url": "https://aiatlasgraph.com/t/costestimation.md",
   "updated": "2026-10-30"
  },
  "cot": {
   "id": "cot",
   "parent_id": "reasoningmodels",
   "label": "Łańcuch myśli (chain-of-thought)",
   "canonical_name": "Chain-of-thought prompting",
   "description": "Nakłonienie modelu, by zapisał pośrednie kroki rozumowania, zanim poda odpowiedź. Najprostszy sposób na lepsze wyniki w zadaniach wieloetapowych — bez żadnego treningu.",
   "description_en": "Getting the model to write out intermediate reasoning steps before the answer. The simplest way to improve multi-step tasks — no training required.",
   "examples": "rozpisane rozwiązanie zadania · kroki pośrednie przed odpowiedzią",
   "examples_en": "worked solution · intermediate steps before the answer",
   "plain": "To skłanianie modelu do zapisania pośrednich kroków rozwiązania przed podaniem odpowiedzi.",
   "plain_en": "This prompts a model to write intermediate solution steps before giving an answer.",
   "solves": "Model przeskakuje od pytania do wyniku, pomijając działania potrzebne w zadaniu wieloetapowym.",
   "solves_en": "A model jumps from the question to the answer, skipping operations needed for a multi-step task.",
   "does": "Wygenerowane kroki stają się kontekstem dla dalszej odpowiedzi; mogą pomagać, ale nie są gwarantowanym zapisem rzeczywistego procesu modelu.",
   "does_en": "Generated steps become context for the next response; they may help but do not guarantee a faithful record of the model's internal process.",
   "example": "Przy obliczaniu kosztu wspólnego obiadu prosisz model o rozpisanie składników, sumy i podziału między uczestników.",
   "example_en": "When calculating a shared meal's cost, you ask a model to set out ingredients, the total and each person's share.",
   "for_you": [
    "rozwiązujesz zadania z kilkoma działaniami",
    "chcesz sprawdzić zapisane etapy odpowiedzi"
   ],
   "for_you_en": [
    "solve tasks requiring several operations",
    "want to inspect the written solution steps"
   ],
   "how": "Polecenie lub przykłady skłaniają dekoder do generowania kroków pośrednich przed odpowiedzią. Każdy zapisany krok wchodzi do kontekstu kolejnych tokenów, zmieniając warunki generowania i dając miejsce na rozbicie zadania.",
   "how_en": "Instructions or examples guide a decoder to generate intermediate steps before answering. Each written step enters subsequent-token context, changing generation conditions and providing space for task decomposition.",
   "limits": "Płynne kroki mogą uzasadniać błędny wynik lub racjonalizować odpowiedź. Dłuższy tekst zwiększa koszt; przy prostych zadaniach dodatkowy ślad bywa zbędny, a jego wierność nie jest zapewniona.",
   "limits_en": "Fluent steps can justify wrong results or rationalise answers. Longer text increases cost; extra traces can be unnecessary for simple tasks, and their faithfulness is not assured.",
   "terms": [
    {
     "gloss": "Fragment rozwiązania używany jako kontekst dla dalszej odpowiedzi.",
     "term": "krok pośredni"
    },
    {
     "gloss": "Uzależnianie kolejnego tokenu od dotychczas wygenerowanej sekwencji.",
     "term": "warunkowanie autoregresyjne"
    }
   ],
   "terms_en": [
    {
     "gloss": "A solution fragment used as context for subsequent answering.",
     "term": "intermediate step"
    },
    {
     "gloss": "Conditioning each next token on the sequence generated so far.",
     "term": "autoregressive conditioning"
    }
   ],
   "prereq": [
    "prompting",
    "decoding"
   ],
   "keywords": [
    "least-to-most prompting",
    "self-consistency",
    "scratchpad prompting",
    "few-shot exemplars",
    "intermediate reasoning",
    "answer extraction"
   ],
   "source_ids": [
    "wei-cot-2022"
   ],
   "url": "https://aiatlasgraph.com/t/cot",
   "markdown_url": "https://aiatlasgraph.com/t/cot.md",
   "updated": "2026-10-30"
  },
  "cotmonitoring": {
   "id": "cotmonitoring",
   "parent_id": "reasoningmodels",
   "label": "Monitorowanie łańcucha myśli",
   "canonical_name": "Chain-of-thought monitoring",
   "description": "Analizowanie zapisanego łańcucha myśli modelu (automatycznie lub przez człowieka), by wykrywać sygnały niepożądanego zachowania. Użyteczność tej metody zależy m.in. od monitorowalności i wierności śladu rozumowania, które nie są gwarantowane.",
   "description_en": "Analysing a model's written chain of thought (automatically or by a human) to detect signals of undesirable behaviour. Its usefulness depends in part on the monitorability and faithfulness of the reasoning trace, which are not guaranteed.",
   "examples": "monitor CoT · wierność rozumowania · monitorowalność",
   "examples_en": "CoT monitor · reasoning faithfulness · monitorability",
   "plain": "To sprawdzanie zapisanego toku rozumowania modelu pod kątem sygnałów niepożądanego zachowania.",
   "plain_en": "This examines a model's written reasoning for signs of unwanted behaviour.",
   "solves": "Końcowa odpowiedź może wyglądać poprawnie, choć dostępne kroki zawierają sygnały obchodzenia zasad.",
   "solves_en": "A final response can look acceptable while available reasoning steps contain signs of rule evasion.",
   "does": "Człowiek lub model analizuje dostępny zapis, ale może przeoczyć zachowanie, którego ślad nie ujawnia wiernie.",
   "does_en": "A person or model analyses the available trace but can miss behaviour that the trace does not faithfully reveal.",
   "example": "Podczas testu przeglądasz dostępne kroki agenta i zauważasz wzmiankę o pominięciu wymaganego potwierdzenia działania.",
   "example_en": "During a test, you inspect an agent's available reasoning and notice a reference to skipping required action confirmation.",
   "for_you": [
    "masz dostęp do śladów rozumowania",
    "szukasz dodatkowych sygnałów niepożądanego działania"
   ],
   "for_you_en": [
    "have access to reasoning traces",
    "seek additional signals of unwanted actions"
   ],
   "how": "Monitor otrzymuje dostępny ślad rozumowania oraz kontekst zadania i ocenia sygnały niepożądanego zamiaru. Alarmy można zestawiać z działaniami i wynikami, aby oceniać skuteczność wykrywania zamiast polegać wyłącznie na deklaracjach modelu.",
   "how_en": "A monitor receives available reasoning traces and task context to assess signals of undesirable intent. Alerts can be compared with actions and outcomes to evaluate detection effectiveness rather than relying only on model statements.",
   "limits": "Ślad może pomijać istotne obliczenia, być niewierny albo niedostępny. Monitor ma własne błędy; trening i sposób udostępniania rozumowania mogą zmieniać jego monitorowalność.",
   "limits_en": "Traces can omit relevant computation, be unfaithful or unavailable. Monitors make their own errors; training and reasoning-access methods can change monitorability.",
   "terms": [
    {
     "gloss": "Stopień, w jakim dostępny ślad pozwala wykrywać istotne zachowania.",
     "term": "monitorowalność"
    },
    {
     "gloss": "Zgodność zapisanego rozumowania z czynnikami faktycznie wpływającymi na odpowiedź.",
     "term": "wierność śladu"
    }
   ],
   "terms_en": [
    {
     "gloss": "The extent to which available traces allow relevant behaviour to be detected.",
     "term": "monitorability"
    },
    {
     "gloss": "Agreement between written reasoning and factors actually influencing the answer.",
     "term": "trace faithfulness"
    }
   ],
   "prereq": [
    "tracereview",
    "judgevalidation"
   ],
   "keywords": [
    "reasoning monitors",
    "trace faithfulness",
    "monitorability",
    "intent detection",
    "action-trace consistency"
   ],
   "source_ids": [
    "cot-monitorability-2025"
   ],
   "url": "https://aiatlasgraph.com/t/cotmonitoring",
   "markdown_url": "https://aiatlasgraph.com/t/cotmonitoring.md",
   "updated": "2026-10-30"
  },
  "counterfactualexpl": {
   "id": "counterfactualexpl",
   "parent_id": "explainability",
   "label": "Wyjaśnienia „co by było, gdyby” (kontrfaktyczne)",
   "canonical_name": "Counterfactual explanations",
   "aliases": [
    "counterfactual explanations",
    "wyjaśnienia kontrfaktyczne",
    "what-if explanations"
   ],
   "description": "Najmniejsza zmiana danych wejściowych, która odwróciłaby decyzję modelu — np. co musiałoby się zmienić we wniosku, żeby kredyt został przyznany.",
   "description_en": "The smallest change to the input that would flip the model's decision — e.g. what would have to change in an application for the loan to be approved.",
   "examples": "minimalna zmiana cech · realistyczność i wykonalność zmiany · wiele alternatywnych wyjaśnień",
   "examples_en": "minimal feature change · plausibility and actionability · multiple alternative explanations",
   "plain": "To szukanie małych zmian w danych, które zmieniłyby odpowiedź modelu na inną.",
   "plain_en": "This seeks small input changes that would make a model give a different answer.",
   "solves": "Nie wiesz, jak blisko innej decyzji jest dany przypadek ani które zmiany wejścia mogłyby ją odwrócić.",
   "solves_en": "You do not know how close a case is to another decision or which input changes could reverse it.",
   "does": "Próbuje wykonalnych zmian cech i szuka odwrócenia decyzji przy małej zmianie; to opis modelu, a nie gwarancja rzeczywistego skutku.",
   "does_en": "It tries feasible feature changes and seeks a decision reversal with little alteration; this describes the model, not a guaranteed real outcome.",
   "example": "W kopii danych przesyłki szukasz zmiany daty nadania, przy której model przestaje przewidywać opóźnienie, i sprawdzasz realistyczność takiej zmiany.",
   "example_en": "In a copy of shipment data, you seek a dispatch date change that removes the model's delay prediction and check whether that change is realistic.",
   "for_you": [
    "chcesz zbadać granicę między różnymi odpowiedziami modelu",
    "potrzebujesz porównywać realistyczne zmiany danych wejściowych"
   ],
   "for_you_en": [
    "want to examine boundaries between different model answers",
    "need to compare realistic input changes"
   ],
   "how": "Optymalizacja szuka zmiany wejścia, która przekroczy granicę decyzji przy małej odległości od przykładu. Ograniczenia wykonalności i niezmiennych cech zawężają kandydatów, a model sprawdza przewidywany wynik.",
   "how_en": "Optimisation searches for a nearby input change crossing a decision boundary. Feasibility and immutable-feature constraints restrict candidates, and the model checks the predicted outcome.",
   "limits": "Mała odległość matematyczna nie oznacza wykonalnej zmiany. Różne rozwiązania bywają równie dobre, a zmiana predykcji nie gwarantuje skutku rzeczywistej interwencji.",
   "limits_en": "Small mathematical distance does not imply a feasible change. Multiple solutions may be equally valid, and changed predictions do not guarantee real intervention outcomes.",
   "terms": [
    {
     "gloss": "Alternatywne wejście dające inny wynik modelu.",
     "term": "kontrfaktyk"
    },
    {
     "gloss": "Możliwość rzeczywistego dokonania proponowanej modyfikacji wejścia.",
     "term": "wykonalność zmiany"
    }
   ],
   "terms_en": [
    {
     "gloss": "An alternative input producing a different model output.",
     "term": "counterfactual"
    },
    {
     "gloss": "Whether a proposed input modification can actually be carried out.",
     "term": "actionability"
    }
   ],
   "prereq": [
    "mathoptimization",
    "supervised"
   ],
   "keywords": [
    "DiCE",
    "Wachter counterfactuals",
    "actionable recourse",
    "minimal feature changes",
    "feasibility constraints"
   ],
   "source_ids": [
    "molnar-iml-book-3ed"
   ],
   "url": "https://aiatlasgraph.com/t/counterfactualexpl",
   "markdown_url": "https://aiatlasgraph.com/t/counterfactualexpl.md",
   "updated": "2026-10-30"
  },
  "courtanonymization": {
   "id": "courtanonymization",
   "parent_id": "legalnlp",
   "label": "Anonimizacja orzeczeń sądowych",
   "canonical_name": "Anonymisation of court decisions",
   "aliases": [
    "court decision anonymisation",
    "judgment anonymization",
    "pseudonymisation of rulings",
    "de-identification of court rulings",
    "re-identification risk",
    "anonimizacja wyroków",
    "pseudonimizacja orzeczeń"
   ],
   "description": "Automatyczne wykrywanie identyfikatorów osób w orzeczeniach i ich maskowanie przed publikacją oraz ocena ryzyka ponownej identyfikacji.",
   "description_en": "Automatically detecting personal identifiers in court decisions and masking them before publication, and assessing re-identification risk.",
   "plain": "Przed publikacją wyroku program wyszukuje w nim nazwiska, adresy i inne dane osób i zastępuje je inicjałami lub znakami zastępczymi.",
   "plain_en": "Before a ruling is published, software finds names, addresses and other personal details in it and replaces them with initials or placeholders.",
   "solves": "Sądy chcą publikować wyroki, ale ręczne zakrywanie danych na tysiącach stron jest powolne, a jedno przeoczone nazwisko narusza czyjąś prywatność.",
   "solves_en": "Courts want to publish rulings, but blacking out data on thousands of pages by hand is slow, and one missed name breaches someone's privacy.",
   "does": "Jak korektor z czarnym markerem, który podsuwa urzędnikowi gotowe skreślenia; człowiek tylko zatwierdza albo poprawia.",
   "does_en": "Like a proofreader with a black marker who hands the clerk ready-made deletions; the person only approves or corrects them.",
   "example": "Czytasz w internecie wyrok w sprawie rozwodowej z innego miasta; zamiast nazwisk widzisz same litery i kreski.",
   "example_en": "You read a divorce ruling from another city online; instead of names you see only letters and dashes.",
   "for_you": [
    "twoja sprawa sądowa może zostać opublikowana",
    "pracujesz w sądzie lub urzędzie publikującym decyzje",
    "udostępniasz dokumenty z danymi osób"
   ],
   "for_you_en": [
    "have a court case that may be published",
    "work at a court or office that publishes decisions",
    "share documents containing personal data"
   ],
   "how": "System łączy reguły (wyrażenia regularne) z klasyfikatorem tokenów, np. modelem typu BERT, najlepiej dotrenowanym na tekstach prawnych, i proponuje fragmenty do zamaskowania. Nazwiska zastępuje się symbolami zastępczymi, a anonimizator zatwierdza sugestie. Osobno bada się, czy model językowy z dostępem do prasy potrafi odgadnąć zakryte osoby.",
   "how_en": "The system combines rules (regular expressions) with a token classifier, such as a BERT-style model ideally further pretrained on legal text, and suggests spans to mask. Names are replaced with placeholders and a human anonymiser approves the suggestions. Separately, researchers test whether a language model with access to news can guess the masked people.",
   "limits": "Pełna kompletność jest trudna: przeoczony szczegół, np. zawód czy miejscowość, wystarcza do rozpoznania osoby. Zamaskowany wyrok można zestawić z artykułami prasowymi; w badaniu na szwajcarskich wyrokach duży model z wyszukiwaniem rozpoznał 5 z 7 osób. Zbyt agresywna anonimizacja usuwa informacje potrzebne do zrozumienia sprawy.",
   "limits_en": "Full recall is hard: one missed detail, such as an occupation or town, can identify someone. Masked rulings can be matched with news; in a Swiss study a large model with retrieval identified 5 of 7 people. Over-aggressive masking removes information needed to understand the case.",
   "terms": [
    {
     "gloss": "Zastąpienie danych osoby kodem lub symbolem zamiast ich usunięcia.",
     "term": "pseudonimizacja"
    },
    {
     "gloss": "Odgadnięcie, kto kryje się za zakrytymi danymi.",
     "term": "reidentyfikacja"
    },
    {
     "gloss": "Odsetek wszystkich danych osobowych, które system faktycznie znalazł.",
     "term": "recall"
    }
   ],
   "terms_en": [
    {
     "gloss": "Replacing a person's data with a code or symbol instead of deleting it.",
     "term": "pseudonymisation"
    },
    {
     "gloss": "Working out who is behind the masked data.",
     "term": "re-identification"
    },
    {
     "gloss": "The share of all personal data the system actually found.",
     "term": "recall"
    }
   ],
   "prereq": [
    "piiredaction",
    "infoextraction"
   ],
   "keywords": [
    "de-identification",
    "pseudonymisation",
    "re-identification attack",
    "token classification",
    "regex",
    "GDPR",
    "human-in-the-loop",
    "Swiss Federal Supreme Court"
   ],
   "source_ids": [
    "niklaus-swiss-anonymization-2023",
    "nyffenegger-anonymity-at-risk-2023"
   ],
   "url": "https://aiatlasgraph.com/t/courtanonymization",
   "markdown_url": "https://aiatlasgraph.com/t/courtanonymization.md",
   "updated": "2026-10-30"
  },
  "creditexplain": {
   "id": "creditexplain",
   "parent_id": "creditscoring",
   "label": "Wyjaśnianie decyzji kredytowych i równe traktowanie",
   "canonical_name": "Explaining credit decisions and fair lending",
   "aliases": [
    "adverse action reasons",
    "reason codes",
    "fair lending",
    "explainable credit scoring",
    "wyjaśnialność scoringu"
   ],
   "description": "Kody przyczyn odmowy, atrybucja cech (SHAP), wyjaśnienia kontrfaktyczne i testy dyskryminacji dla modeli kredytowych pod nadzorem regulacyjnym.",
   "description_en": "Adverse-action reason codes, feature attribution (SHAP), counterfactual explanations and discrimination testing for regulated credit models.",
   "plain": "Pokazanie klientowi, dlaczego dostał odmowę, i sprawdzenie, czy model nie krzywdzi ludzi ze względu na płeć, wiek czy pochodzenie.",
   "plain_en": "Showing customers why they were turned down and checking that the model does not harm people because of sex, age or origin.",
   "solves": "Odmowa kredytu bez podania powodu jest niesprawiedliwa i często niezgodna z prawem, a ukryte uprzedzenia modelu trudno zauważyć.",
   "solves_en": "Refusing a loan without a reason is unfair and often unlawful, and a model's hidden biases are hard to spot.",
   "does": "Wskazuje kilka cech, które najbardziej obniżyły ocenę, i podpowiada, co musiałoby się zmienić, żeby decyzja była inna.",
   "does_en": "Points to the few traits that pulled the score down most and suggests what would have to change for a different decision.",
   "example": "W odmowie czytasz: zbyt krótka historia kredytowa i wysokie zadłużenie na kartach; spłata części zadłużenia podniosłaby twoją ocenę.",
   "example_en": "Your rejection letter says: credit history too short and high card balances; paying some debt down would raise your score.",
   "for_you": [
    "dostałeś odmowę kredytu",
    "wdrażasz model kredytowy, który podlega nadzorowi"
   ],
   "for_you_en": [
    "were refused a loan",
    "deploy a credit model that is supervised"
   ],
   "how": "Dla każdej decyzji trzeba wskazać główne czynniki faktycznie użyte przez model. W karcie scoringowej można je wybrać według tego, jak bardzo wynik danej cechy odbiega od wartości typowych dla zaakceptowanych wniosków; w modelach złożonych pomocniczo stosuje się atrybucję cech, np. SHAP. Wyjaśnienia kontrfaktyczne mogą dodatkowo pokazać zmianę prowadzącą do innej decyzji, a osobno mierzy się różnice w odsetku zgód i błędach między grupami.",
   "how_en": "For each decision, the principal factors actually used by the model must be identified. In a scorecard they can be selected by how far a feature's score falls below values typical of approved applications; for complex models, feature attribution such as SHAP can assist. Counterfactual explanations can additionally show a change that would lead to a different outcome, while approval and error rates are compared separately across groups.",
   "limits": "Atrybucje dla złożonych modeli bywają niestabilne i zależą od wybranego punktu odniesienia. Usunięcie wrażliwej cechy nie usuwa dyskryminacji, bo zastępują ją inne cechy. Niektórych definicji sprawiedliwości nie da się jednocześnie spełnić, zwłaszcza gdy grupy mają różne częstości bazowe.",
   "limits_en": "Attributions for complex models can be unstable and depend on the chosen reference point. Removing a sensitive feature does not eliminate discrimination because other features can act as proxies. Some fairness definitions cannot be satisfied simultaneously, especially when groups have different base rates.",
   "terms": [
    {
     "gloss": "Krótki, ustandaryzowany powód odmowy podawany klientowi.",
     "term": "kod przyczyny"
    },
    {
     "gloss": "Cecha pośrednio zdradzająca np. pochodzenie, jak kod pocztowy.",
     "term": "zmienna zastępcza"
    },
    {
     "gloss": "Nierówny wpływ decyzji na grupy mimo neutralnych reguł.",
     "term": "disparate impact"
    }
   ],
   "terms_en": [
    {
     "gloss": "A short, standardised reason for refusal given to the customer.",
     "term": "reason code"
    },
    {
     "gloss": "A feature that indirectly reveals e.g. origin, like a postcode.",
     "term": "proxy variable"
    },
    {
     "gloss": "Unequal effect of decisions on groups despite neutral rules.",
     "term": "disparate impact"
    }
   ],
   "prereq": [
    "featureattribution",
    "fairnessmetrics"
   ],
   "keywords": [
    "adverse action notice",
    "reason codes",
    "SHAP",
    "counterfactual explanations",
    "disparate impact",
    "ECOA",
    "fair lending testing",
    "less discriminatory alternatives"
   ],
   "source_ids": [
    "eu-ai-act-annex3-credit",
    "cfpb-circular-2022-03",
    "cfpb-reg-b-1002-9-current"
   ],
   "url": "https://aiatlasgraph.com/t/creditexplain",
   "markdown_url": "https://aiatlasgraph.com/t/creditexplain.md",
   "updated": "2026-10-30"
  },
  "creditscorecards": {
   "id": "creditscorecards",
   "parent_id": "creditscoring",
   "label": "Karty scoringowe i modele PD",
   "canonical_name": "Credit scorecards and PD models",
   "aliases": [
    "scorecard",
    "WoE scorecard",
    "PD model",
    "karta scoringowa",
    "logistic regression scorecard"
   ],
   "description": "Regresja logistyczna na cechach podzielonych na przedziały i zakodowanych wagą dowodu (WoE), przeskalowana do punktów; wzorzec scoringu kredytowego.",
   "description_en": "Logistic regression on binned features encoded by weight of evidence (WoE), rescaled to points; the reference pattern for credit scoring.",
   "plain": "Tabela punktów za poszczególne cechy wnioskodawcy; suma punktów mówi, jak ryzykowne jest udzielenie mu kredytu.",
   "plain_en": "A table of points for each applicant trait; the total says how risky it is to lend to them.",
   "solves": "Decyzje kredytowe muszą być szybkie, powtarzalne i łatwe do sprawdzenia przez kontrolera, a nie zależeć od humoru doradcy.",
   "solves_en": "Credit decisions must be fast, repeatable and easy for an auditor to check, not dependent on an adviser's mood.",
   "does": "Działa jak quiz w czasopiśmie: za każdą odpowiedź dostajesz punkty, a wynik końcowy porównuje się z progiem, od którego bank mówi „tak”.",
   "does_en": "Works like a magazine quiz: each answer earns points, and the total is compared with the cut-off at which the bank says yes.",
   "example": "Za pięć lat stałej pracy w jednej firmie dostajesz dodatkowe punkty, a za kilka spóźnionych rat w zeszłym roku część punktów tracisz.",
   "example_en": "Five years in the same job earns you extra points, while a few late instalments last year cost you some.",
   "for_you": [
    "chcesz zrozumieć, co wpływa na twoją ocenę kredytową",
    "budujesz model, który musi zatwierdzić kontroler"
   ],
   "for_you_en": [
    "want to understand what drives your credit score",
    "build a model that an auditor must sign off"
   ],
   "how": "Zmienne ciągłe dzieli się na przedziały, a każdy koduje wagą dowodu, czyli logarytmem stosunku dobrych do złych klientów. Regresja logistyczna na tych cechach daje współczynniki przeliczane na punkty. W porównaniach wielu klasyfikatorów zespoły drzew często wypadają lepiej, ale karta pozostaje punktem odniesienia dzięki przejrzystości.",
   "how_en": "Continuous variables are binned and each bin is encoded by weight of evidence, the log ratio of good to bad customers. Logistic regression on these features gives coefficients that are converted into points. In wide classifier comparisons tree ensembles often do better, but the scorecard stays the benchmark thanks to its transparency.",
   "limits": "Podział na przedziały upraszcza zależności i pomija interakcje między cechami. Karta wymaga regularnej rekalibracji, gdy zmienia się gospodarka lub portfel. Wyższa trafność modelu nie zawsze przekłada się na lepszy wynik decyzji.",
   "limits_en": "Binning simplifies relationships and ignores feature interactions. The scorecard needs regular recalibration as the economy or portfolio changes. Higher model accuracy does not always translate into better decision outcomes.",
   "terms": [
    {
     "gloss": "Waga dowodu: jak przedział cechy zmienia szanse spłaty.",
     "term": "WoE"
    },
    {
     "gloss": "Wartość informacyjna: ogólna siła cechy w odróżnianiu dobrych i złych.",
     "term": "IV"
    },
    {
     "gloss": "Popularna w bankach miara jakości rankingu klientów.",
     "term": "Gini"
    }
   ],
   "terms_en": [
    {
     "gloss": "Weight of evidence: how a feature bin shifts the odds of repayment.",
     "term": "WoE"
    },
    {
     "gloss": "Information value: a feature's overall power to separate good and bad.",
     "term": "IV"
    },
    {
     "gloss": "A bank-favourite measure of how well customers are ranked.",
     "term": "Gini"
    }
   ],
   "prereq": [
    "linearmodels",
    "featureeng"
   ],
   "keywords": [
    "weight of evidence",
    "information value",
    "binning",
    "logistic regression",
    "Gini coefficient",
    "KS statistic",
    "population stability index",
    "optbinning"
   ],
   "source_ids": [
    "lessmann-credit-benchmark-2015"
   ],
   "url": "https://aiatlasgraph.com/t/creditscorecards",
   "markdown_url": "https://aiatlasgraph.com/t/creditscorecards.md",
   "updated": "2026-10-30"
  },
  "creditscoring": {
   "id": "creditscoring",
   "parent_id": "finance",
   "label": "Ocena zdolności kredytowej (scoring)",
   "canonical_name": "Credit scoring and underwriting",
   "aliases": [
    "credit scoring",
    "credit risk modelling",
    "underwriting",
    "PD model",
    "scoring kredytowy",
    "ryzyko kredytowe"
   ],
   "description": "Modele prawdopodobieństwa niewypłacalności (PD) i decyzje kredytowe: od kart scoringowych po gradient boosting, z wymogami wyjaśnialności i niedyskryminacji.",
   "description_en": "Probability-of-default (PD) models and credit decisions: from scorecards to gradient boosting, under explainability and non-discrimination requirements.",
   "plain": "Modele, które na podstawie twojej historii finansowej szacują, czy spłacisz pożyczkę, i pomagają bankowi zdecydować o kredycie.",
   "plain_en": "Models that use your financial history to estimate whether you will repay a loan and help the bank decide.",
   "solves": "Bank musi szybko zdecydować, komu pożyczyć i na jakich warunkach, nie znając osobiście tysięcy wnioskodawców.",
   "solves_en": "A bank must decide quickly whom to lend to and on what terms, without knowing thousands of applicants personally.",
   "does": "Jak doradca kredytowy, który pamięta losy setek tysięcy wcześniejszych pożyczek i na tej podstawie ocenia nową.",
   "does_en": "Like a loan officer who remembers how hundreds of thousands of earlier loans turned out and judges the new one by that.",
   "example": "Wypełniasz w sklepie internetowym wniosek o raty na telefon i po kilku minutach widzisz decyzję oraz proponowaną kwotę.",
   "example_en": "You fill in an instalment application for a phone in an online shop and within minutes see the decision and offered amount.",
   "for_you": [
    "starasz się o kredyt, raty lub kartę kredytową",
    "dostałeś odmowę i nie wiesz dlaczego",
    "budujesz modele ryzyka w banku lub fintechu"
   ],
   "for_you_en": [
    "apply for a loan, instalments or a credit card",
    "were turned down and don't know why",
    "build risk models at a bank or fintech"
   ],
   "how": "Na danych o wnioskodawcy i historii spłat uczy się klasyfikatora przewidującego niewypłacalność w ustalonym horyzoncie, a wynik zamienia na punkty i progi decyzji. Obok regresji logistycznej stosuje się zespoły drzew; liczą się kalibracja, stabilność w czasie i wyjaśnienie odmowy. W UE ocena zdolności kredytowej osób fizycznych to system wysokiego ryzyka według AI Act.",
   "how_en": "A classifier predicting default within a fixed horizon is trained on applicant data and repayment history, and its output becomes points and decision cut-offs. Alongside logistic regression, tree ensembles are used; calibration, stability over time and explaining declines matter. In the EU, creditworthiness assessment of natural persons is a high-risk system under the AI Act.",
   "limits": "Model widzi spłaty tylko osób, którym kiedyś udzielono kredytu, więc nie wie, jak zachowaliby się odrzuceni. Dokładniejszy klasyfikator nie zawsze daje lepsze decyzje biznesowe. Cechy pośrednio związane z płcią czy pochodzeniem mogą prowadzić do dyskryminacji.",
   "limits_en": "The model only sees repayments of people who were once granted credit, so it does not know how rejected applicants would behave. A more accurate classifier does not always yield better business decisions. Features indirectly tied to sex or origin can lead to discrimination.",
   "terms": [
    {
     "gloss": "Prawdopodobieństwo, że kredytobiorca przestanie spłacać w danym okresie.",
     "term": "PD"
    },
    {
     "gloss": "Szacowanie, jak spłacaliby klienci, którym odmówiono kredytu.",
     "term": "reject inference"
    },
    {
     "gloss": "Kategoria w unijnym AI Act z dodatkowymi obowiązkami.",
     "term": "system wysokiego ryzyka"
    }
   ],
   "terms_en": [
    {
     "gloss": "Probability that a borrower stops paying within a given period.",
     "term": "PD"
    },
    {
     "gloss": "Estimating how rejected applicants would have repaid.",
     "term": "reject inference"
    },
    {
     "gloss": "A category in the EU AI Act with extra obligations.",
     "term": "high-risk system"
    }
   ],
   "prereq": [
    "linearmodels",
    "calibration"
   ],
   "keywords": [
    "probability of default",
    "logistic regression scorecard",
    "weight of evidence",
    "gradient boosting",
    "reject inference",
    "Basel IRB",
    "EU AI Act Annex III",
    "adverse action",
    "credit bureau data",
    "fair lending"
   ],
   "source_ids": [
    "lessmann-credit-benchmark-2015",
    "eu-ai-act-annex3-credit"
   ],
   "url": "https://aiatlasgraph.com/t/creditscoring",
   "markdown_url": "https://aiatlasgraph.com/t/creditscoring.md",
   "updated": "2026-10-30"
  },
  "cropmapping": {
   "id": "cropmapping",
   "parent_id": "eoapps",
   "label": "Mapowanie upraw i prognoza plonów",
   "canonical_name": "Crop type mapping and yield prediction",
   "aliases": [
    "crop classification",
    "crop yield prediction",
    "precision agriculture",
    "rolnictwo precyzyjne",
    "prognozowanie plonów",
    "agricultural remote sensing"
   ],
   "description": "Klasyfikacja typów upraw z szeregów czasowych obrazów oraz regresja plonów z wskaźników roślinności, pogody i danych glebowych, na poziomie pola, regionu lub kraju.",
   "description_en": "Classifying crop types from image time series and regressing yields from vegetation indices, weather and soil data, at field, regional or national scale.",
   "plain": "Rozpoznawanie ze zdjęć satelitarnych, co rośnie na każdym polu, i przewidywanie, ile da się z niego zebrać.",
   "plain_en": "Recognising from satellite images what grows in each field and predicting how much it will yield.",
   "solves": "Rolnicy, skupy i państwa planują ceny, zapasy i pomoc w ciemno, bo o zbiorach wiadomo naprawdę dopiero po żniwach.",
   "solves_en": "Farmers, buyers and governments plan prices, stocks and aid blind, because the size of the harvest is only really known after it is in.",
   "does": "Jak doświadczony agronom, który co tydzień mija pole i po kolorze oraz tempie wzrostu ocenia, jaki będzie plon.",
   "does_en": "Like a seasoned agronomist who passes a field every week and judges the coming yield from its colour and pace of growth.",
   "example": "Rolnik widzi w aplikacji mapę pola, na której słabiej rosnące miejsca świecą na żółto, i kieruje tam lustrację przed decyzją o zabiegu.",
   "example_en": "A farmer sees a field map where weaker patches glow yellow and inspects those areas before deciding on any treatment.",
   "for_you": [
    "masz gospodarstwo albo działkę rolną",
    "zajmujesz się cenami żywności lub zapasami zboża"
   ],
   "for_you_en": [
    "run a farm or own farmland",
    "deal with food prices or grain stocks"
   ],
   "how": "Typ uprawy rozpoznaje się z przebiegu wskaźników roślinności w sezonie modelami czasowymi i segmentacją działek. Plon przewiduje się regresją sieciami rekurencyjnymi lub splotowymi na seriach wskaźników, pogody i gleby, kalibrowaną na statystykach zbiorów lub pomiarach z kombajnów.",
   "how_en": "Crop type is recognised from the seasonal course of vegetation indices using temporal models and parcel segmentation. Yield is predicted by regression with recurrent or convolutional networks over series of indices, weather and soil, calibrated on harvest statistics or combine measurements.",
   "limits": "Wiarygodne dane o plonach są rzadkie, a model z jednego regionu i roku słabo przenosi się na inne. Susze i zdarzenia nietypowe są najtrudniejsze, a właśnie wtedy prognoza jest najcenniejsza. Wyniki trudno wyjaśnić rolnikom.",
   "limits_en": "Reliable yield data are scarce, and a model from one region and year transfers poorly to others. Droughts and unusual events are hardest, exactly when forecasts matter most. Results are hard to explain to farmers.",
   "terms": [
    {
     "gloss": "Wskaźnik zieleń roślin liczony z kanału czerwonego i podczerwieni.",
     "term": "NDVI"
    },
    {
     "gloss": "Pole o znanej uprawie służące do uczenia i sprawdzania modelu.",
     "term": "działka referencyjna"
    },
    {
     "gloss": "Szacunek plonu jeszcze przed żniwami, z danych do danego dnia.",
     "term": "prognoza w sezonie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A plant greenness index computed from red and near-infrared bands.",
     "term": "NDVI"
    },
    {
     "gloss": "A field with a known crop used to train and check the model.",
     "term": "reference parcel"
    },
    {
     "gloss": "A yield estimate before harvest, from data up to a given day.",
     "term": "in-season forecast"
    }
   ],
   "prereq": [
    "sits",
    "lstmgru"
   ],
   "keywords": [
    "NDVI",
    "EVI",
    "crop type mapping",
    "yield prediction",
    "CNN-LSTM",
    "MODIS",
    "Sentinel-2",
    "PASTIS",
    "CropHarvest"
   ],
   "source_ids": [
    "garnot-pastis-utae-2021",
    "muruganantham-yield-review-2022"
   ],
   "url": "https://aiatlasgraph.com/t/cropmapping",
   "markdown_url": "https://aiatlasgraph.com/t/cropmapping.md",
   "updated": "2026-10-30"
  },
  "crossdomainfault": {
   "id": "crossdomainfault",
   "parent_id": "machinediagnostics",
   "label": "Przenoszenie diagnostyki na inne maszyny i warunki pracy",
   "canonical_name": "Cross-domain transfer learning for machine fault diagnosis",
   "aliases": [
    "domain adaptation fault diagnosis",
    "transfer learning fault diagnosis",
    "cross-condition fault diagnosis",
    "unsupervised deep transfer learning",
    "UDTL",
    "adaptacja dziedzinowa",
    "transfer wiedzy diagnostycznej"
   ],
   "description": "Nienadzorowana adaptacja dziedzinowa klasyfikatorów usterek z oznaczonych danych źródłowych na nieoznaczone dane z innych warunków lub maszyn.",
   "description_en": "Unsupervised domain adaptation of fault classifiers from labelled source data to unlabelled data from other conditions or machines.",
   "plain": "Sprawianie, żeby model rozpoznający usterki, wyuczony na jednej maszynie lub przy jednej prędkości, działał też na innej.",
   "plain_en": "Making a fault-recognition model trained on one machine or at one speed also work on another.",
   "solves": "Model diagnostyczny wyuczony w laboratorium nagle myli się na hali, bo maszyna pracuje z innym obciążeniem, a nowych opisanych awarii nie ma.",
   "solves_en": "A diagnostic model trained in the lab suddenly errs on the shop floor, because the machine runs at another load and there are no new labelled failures.",
   "does": "Jak mechanik, który nauczył się słyszeć zużyte łożysko w jednym aucie i po krótkim osłuchaniu rozpoznaje je w innym modelu.",
   "does_en": "Like a mechanic who learned to hear a worn bearing in one car and, after a short listen, recognises it in another model.",
   "example": "Firma uczy model na drganiach łożysk z jednego wentylatora i bez oznaczania nowych danych używa go na kilkunastu podobnych wentylatorach w innych halach.",
   "example_en": "A company trains a model on bearing vibrations from one fan and, without labelling new data, uses it on a dozen similar fans in other halls.",
   "for_you": [
    "masz opisane awarie tylko z jednej maszyny",
    "twoje maszyny pracują przy zmiennej prędkości i obciążeniu",
    "model z laboratorium zawodzi w zakładzie"
   ],
   "for_you_en": [
    "have labelled failures from only one machine",
    "run machines at varying speed and load",
    "see a lab model fail in the plant"
   ],
   "how": "Klasyfikator uczony na oznaczonych sygnałach drgań z warunków źródłowych dostosowuje się do nieoznaczonych danych docelowych. Rozkłady cech wyrównuje się karami rozbieżności (MMD, CORAL) albo adwersarialnie, z dyskryminatorem dziedziny (DANN). Celem są cechy usterek niezależne od obciążenia, prędkości czy egzemplarza maszyny.",
   "how_en": "A classifier trained on labelled vibration signals from source conditions is adapted to unlabelled target data. Feature distributions are aligned with discrepancy losses (MMD, CORAL) or adversarially with a domain discriminator (DANN). The goal is fault features invariant to load, speed or machine unit.",
   "limits": "Większość badań używa laboratoryjnych zbiorów łożysk ze sztucznie wywołanymi uszkodzeniami, więc zyski nie muszą się utrzymać na prawdziwych maszynach. Zdarza się negatywny transfer, gdy dziedziny różnią się za bardzo, a wynik silnie zależy od wybranej architektury.",
   "limits_en": "Most studies use lab bearing datasets with artificially induced damage, so gains may not hold on real machines. Negative transfer happens when domains differ too much, and results depend strongly on the chosen backbone.",
   "terms": [
    {
     "gloss": "Dane w użyciu różnią się rozkładem od danych treningowych.",
     "term": "przesunięcie dziedziny"
    },
    {
     "gloss": "Dopasowanie modelu do nowych danych bez ich etykiet.",
     "term": "adaptacja dziedzinowa"
    },
    {
     "gloss": "Przeniesiona wiedza pogarsza wynik zamiast go poprawiać.",
     "term": "negatywny transfer"
    }
   ],
   "terms_en": [
    {
     "gloss": "Data in use differ in distribution from the training data.",
     "term": "domain shift"
    },
    {
     "gloss": "Fitting a model to new data without their labels.",
     "term": "domain adaptation"
    },
    {
     "gloss": "Transferred knowledge worsens the result instead of improving it.",
     "term": "negative transfer"
    }
   ],
   "prereq": [
    "cnn"
   ],
   "keywords": [
    "unsupervised domain adaptation",
    "DANN",
    "MMD",
    "CORAL",
    "CWRU bearing dataset",
    "Paderborn bearing dataset",
    "negative transfer",
    "UDTL benchmark"
   ],
   "source_ids": [
    "zhao-udtl-fault-diagnosis-2021"
   ],
   "url": "https://aiatlasgraph.com/t/crossdomainfault",
   "markdown_url": "https://aiatlasgraph.com/t/crossdomainfault.md",
   "updated": "2026-10-30"
  },
  "crossembodiment": {
   "id": "crossembodiment",
   "parent_id": "robotfoundation",
   "label": "Jedna polityka dla wielu typów robotów",
   "canonical_name": "Cross-embodiment robot policies",
   "aliases": [
    "cross-embodiment",
    "cross-embodiment learning",
    "RT-X",
    "generalist robot policy",
    "uczenie między robotami"
   ],
   "description": "Trening polityk na danych z wielu platform o różnych kamerach, stawach i przestrzeniach akcji, z transferem i szybkim dostrajaniem.",
   "description_en": "Training policies on data from many platforms with different cameras, joints and action spaces, enabling transfer and quick fine-tuning.",
   "plain": "Trenowanie jednego modelu na nagraniach z różnych robotów, żeby umiejętności przechodziły z jednej maszyny na drugą.",
   "plain_en": "Training one model on recordings from different robots so skills carry over from one machine to another.",
   "solves": "Każde laboratorium ma inny robot i mało danych, więc modele uczone osobno widzą za mało przykładów.",
   "solves_en": "Every lab has a different robot and little data, so separately trained models see too few examples.",
   "does": "Jak kierowca, który po latach jazdy różnymi autami szybko oswaja nowe: model zbiera doświadczenie wielu ciał i łatwiej się douczy.",
   "does_en": "Like a driver who, after years in different cars, quickly gets used to a new one: the model pools experience across bodies and adapts faster.",
   "example": "W pracowni z jednym ramieniem robota dostrajasz gotowy model na niewielkim zbiorze własnych demonstracji zamiast trenować politykę od początku.",
   "example_en": "In a lab with one robot arm, you fine-tune a pretrained model on a small set of demonstrations instead of training a policy from scratch.",
   "for_you": [
    "masz robota, ale mało nagrań do nauki",
    "chcesz użyć otwartego modelu na własnym sprzęcie",
    "sprawdzasz, czy wspólne dane pomagają twojemu robotowi"
   ],
   "for_you_en": [
    "have a robot but few recordings to learn from",
    "want to run an open model on your own hardware",
    "check whether pooled data helps your robot"
   ],
   "how": "Dane z wielu robotów ujednolica się na poziomie epizodów, obserwacji i akcji. Model przyjmuje dostępne obserwacje oraz instrukcję językową lub obraz celu, uczy się na połączonym zbiorze, a następnie jest dostrajany do sensorów i przestrzeni akcji nowej platformy.",
   "how_en": "Data from multiple robots is harmonised at the episode, observation and action levels. A model takes the available observations plus a language instruction or goal image, learns from the pooled dataset, and is then fine-tuned to a new platform's sensors and action space.",
   "limits": "Różne znaczenie akcji, kalibracje i częstotliwości sterowania utrudniają łączenie danych. Zbiory zdominowało kilka popularnych ramion, więc transfer na nietypowe ciała bywa słaby. Ocena wymaga drogich testów na sprzęcie.",
   "limits_en": "Differing action semantics, calibrations and control rates make pooling hard. Datasets are dominated by a few popular arms, so transfer to unusual bodies can be weak. Evaluation needs costly hardware tests.",
   "terms": [
    {
     "gloss": "Konkretne ciało robota: jego czujniki, stawy i sposób ruchu.",
     "term": "embodiment"
    },
    {
     "gloss": "Zestaw poleceń, które dany robot może wykonać.",
     "term": "przestrzeń akcji"
    },
    {
     "gloss": "Krótkie douczenie gotowego modelu na nowych danych.",
     "term": "dostrajanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A robot's specific body: its sensors, joints and way of moving.",
     "term": "embodiment"
    },
    {
     "gloss": "The set of commands a given robot can execute.",
     "term": "action space"
    },
    {
     "gloss": "Briefly training a ready model further on new data.",
     "term": "fine-tuning"
    }
   ],
   "prereq": [
    "transformers",
    "teleopdata"
   ],
   "keywords": [
    "Open X-Embodiment",
    "RT-X",
    "Octo",
    "multi-robot datasets",
    "cross-platform transfer",
    "fine-tuning"
   ],
   "source_ids": [
    "octo-2024",
    "open-x-embodiment-2023"
   ],
   "url": "https://aiatlasgraph.com/t/crossembodiment",
   "markdown_url": "https://aiatlasgraph.com/t/crossembodiment.md",
   "updated": "2026-10-30"
  },
  "crosssiteshift": {
   "id": "crosssiteshift",
   "parent_id": "clinicalvalidation",
   "label": "Przenoszenie modeli między szpitalami i ukryte skróty",
   "canonical_name": "Cross-site generalisation and shortcut learning in medical AI",
   "aliases": [
    "dataset shift in healthcare",
    "shortcut learning",
    "hospital shift",
    "external validity",
    "uogólnianie między szpitalami"
   ],
   "description": "Spadek jakości modeli medycznych po zmianie ośrodka, sprzętu lub populacji, wynikający z przesunięcia rozkładu i uczenia się skrótów (czynników zakłócających).",
   "description_en": "Loss of medical model performance when the site, equipment or population changes, due to distribution shift and shortcut learning (confounders).",
   "plain": "Model uczony w jednym szpitalu często działa gorzej w innym, bo nauczył się cech tamtego miejsca zamiast samej choroby.",
   "plain_en": "A model trained in one hospital often works worse in another because it learned that place's quirks rather than the disease.",
   "solves": "Szpital kupuje program o świetnych wynikach, a na jego pacjentach i sprzęcie skuteczność wyraźnie spada, choć nikt tego nie zauważa.",
   "solves_en": "A hospital buys software with great results, but on its own patients and equipment accuracy drops noticeably, and nobody notices.",
   "does": "Jak uczeń, który zapamiętał, że trudne zadania są zawsze na czerwonym papierze: na nowym egzaminie ta sztuczka przestaje działać.",
   "does_en": "Like a pupil who learned that hard questions are always on red paper: on a new exam the trick stops working.",
   "example": "Model do zdjęć płuc po drobnych oznaczeniach na obrazie rozpoznaje, z którego szpitala ono pochodzi, i z tego zgaduje chorobę; gdzie indziej przestaje trafiać.",
   "example_en": "A chest-image model recognises from small marks on the picture which hospital it came from and guesses the disease from that; elsewhere it stops working.",
   "for_you": [
    "wdrażasz model z innego ośrodka",
    "porównujesz wyniki z artykułu z własną praktyką"
   ],
   "for_you_en": [
    "deploy a model built at another centre",
    "compare a paper's results with your own practice"
   ],
   "how": "Źródłem przesunięcia są inne aparaty i protokoły, populacja pacjentów, częstość choroby i praktyka kliniczna. Sieci potrafią rozpoznać szpital po samym zdjęciu i użyć tego jako skrótu. Przeciwdziała się walidacją zewnętrzną w wielu ośrodkach, wynikami w podgrupach, augmentacją, harmonizacją danych i monitoringiem po wdrożeniu.",
   "how_en": "Shift comes from different scanners and protocols, patient populations, disease prevalence and clinical practice. Networks can identify the hospital from the image alone and use it as a shortcut. Countermeasures include multi-site external validation, subgroup reporting, augmentation, data harmonisation and post-deployment monitoring.",
   "limits": "Żadna metoda nie gwarantuje działania w nieznanym ośrodku. Wykrycie skrótów wymaga analizy błędów i wiedzy klinicznej. Lokalne dostrajanie poprawia wynik, ale wymaga danych, etykiet i ponownej oceny.",
   "limits_en": "No method guarantees performance at an unseen site. Finding shortcuts takes error analysis and clinical knowledge. Local fine-tuning helps but needs data, labels and re-evaluation.",
   "terms": [
    {
     "gloss": "Dane w użyciu różnią się od danych treningowych.",
     "term": "przesunięcie rozkładu"
    },
    {
     "gloss": "Model opiera decyzję na przypadkowej cesze zamiast na właściwym sygnale.",
     "term": "uczenie się skrótów"
    },
    {
     "gloss": "Cecha związana i z danymi, i z wynikiem, która myli model.",
     "term": "czynnik zakłócający"
    }
   ],
   "terms_en": [
    {
     "gloss": "Data in use differ from the training data.",
     "term": "distribution shift"
    },
    {
     "gloss": "The model relies on an incidental cue instead of the real signal.",
     "term": "shortcut learning"
    },
    {
     "gloss": "A factor linked to both the input and the outcome that misleads the model.",
     "term": "confounder"
    }
   ],
   "prereq": [
    "driftdetection",
    "ooddetection"
   ],
   "keywords": [
    "dataset shift",
    "shortcut learning",
    "external validation",
    "domain generalization",
    "hidden stratification",
    "harmonization",
    "site effects",
    "subgroup analysis"
   ],
   "source_ids": [
    "zech-2018"
   ],
   "url": "https://aiatlasgraph.com/t/crosssiteshift",
   "markdown_url": "https://aiatlasgraph.com/t/crosssiteshift.md",
   "updated": "2026-10-30"
  },
  "crossval": {
   "id": "crossval",
   "parent_id": "modelselection",
   "label": "Walidacja krzyżowa",
   "canonical_name": "Cross-validation",
   "description": "Wielokrotne dzielenie danych na część treningową i sprawdzającą (np. na 5 części), żeby ocena nie zależała od jednego szczęśliwego podziału.",
   "description_en": "Repeatedly splitting data into training and validation parts (e.g. 5 folds) so the estimate does not depend on one lucky split.",
   "examples": "k-fold · stratyfikacja · podział czasowy · walidacja zagnieżdżona",
   "examples_en": "k-fold · stratification · time-series split · nested CV",
   "plain": "To sprawdzanie modelu na kilku oddzielnych podziałach danych, żeby ocena mniej zależała od jednego podziału.",
   "plain_en": "This checks a model across several separate data splits so the assessment depends less on one split.",
   "solves": "Dobry wynik może być przypadkiem, jeśli akurat odłożone przykłady były łatwiejsze niż pozostałe.",
   "solves_en": "A good result may be accidental if the examples set aside happened to be easier than the others.",
   "does": "Powtarza naukę i sprawdzanie na różnych częściach danych, przestrzegając ich kolejności lub grupowania, gdy wymaga tego zadanie.",
   "does_en": "It repeats learning and evaluation on different data portions, respecting their order or grouping when the task requires it.",
   "example": "Porównujesz modele przewidujące dostawy na różnych odłożonych częściach historii, żeby wybór nie zależał od wyjątkowo łatwego okresu.",
   "example_en": "You compare delivery models using different reserved portions of history so the choice does not depend on an unusually easy period.",
   "for_you": [
    "masz mało danych do wiarygodnego porównania modeli",
    "chcesz ograniczyć wpływ pojedynczego podziału na ocenę"
   ],
   "for_you_en": [
    "have limited data for a reliable model comparison",
    "want to reduce one data split's influence on evaluation"
   ],
   "how": "Każda iteracja dopasowuje model na części danych i ocenia go na innym foldzie. Agregacja wyników ogranicza zależność od jednego podziału, a zagnieżdżona procedura oddziela strojenie od oceny.",
   "how_en": "Each iteration fits a model on part of the data and evaluates another fold. Aggregating scores reduces dependence on one split, while nesting separates tuning from evaluation.",
   "limits": "Foldy mogą być zależne i nie symulować przyszłego użycia. Transformacje trzeba dopasować osobno w każdej iteracji; wybór na tych samych wynikach zawyża ocenę.",
   "limits_en": "Folds can be dependent and fail to simulate future use. Transformations must be fitted separately each iteration; selecting on the same scores inflates evaluation.",
   "terms": [
    {
     "gloss": "Część danych pełniąca rolę walidacyjną w jednej iteracji.",
     "term": "fold"
    },
    {
     "gloss": "Oddzielne pętle podziałów do strojenia i oceny całej procedury.",
     "term": "walidacja zagnieżdżona"
    }
   ],
   "terms_en": [
    {
     "gloss": "A data partition serving as validation in one iteration.",
     "term": "fold"
    },
    {
     "gloss": "Separate splitting loops for tuning and evaluating the complete procedure.",
     "term": "nested cross-validation"
    }
   ],
   "prereq": [
    "splitstrategies",
    "hypothesistesting"
   ],
   "keywords": [
    "KFold",
    "StratifiedKFold",
    "TimeSeriesSplit",
    "GroupKFold",
    "nested cross-validation"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "sklearn-pitfalls"
   ],
   "url": "https://aiatlasgraph.com/t/crossval",
   "markdown_url": "https://aiatlasgraph.com/t/crossval.md",
   "updated": "2026-10-30"
  },
  "crossviewgeo": {
   "id": "crossviewgeo",
   "parent_id": "geolocalization",
   "label": "Dopasowanie zdjęcia z ulicy do mapy satelitarnej",
   "canonical_name": "Cross-view geo-localisation",
   "aliases": [
    "cross-view geolocalization",
    "ground-to-aerial geolocation",
    "geolokalizacja międzywidokowa"
   ],
   "description": "Wyszukiwanie i lokalizacja metryczna zdjęcia naziemnego przez dopasowanie do georeferencjonowanych obrazów lotniczych lub satelitarnych.",
   "description_en": "Retrieving and metrically localising a ground-level image by matching it against georeferenced aerial or satellite imagery.",
   "plain": "Ustalanie, gdzie zrobiono zdjęcie z poziomu ulicy, przez odnalezienie tego samego miejsca na zdjęciach z satelity.",
   "plain_en": "Working out where a street-level photo was taken by finding the same spot in satellite images.",
   "solves": "Sygnał GPS w gęstej zabudowie bywa mylący o dziesiątki metrów, a wiele zdjęć w ogóle nie ma zapisanego miejsca.",
   "solves_en": "GPS in dense cities can be off by tens of metres, and many photos have no stored location at all.",
   "does": "Jak ktoś, kto stojąc na skrzyżowaniu, porównuje układ budynków i dróg z planem miasta, żeby wskazać swoje miejsce na mapie.",
   "does_en": "Like someone at a crossroads comparing the layout of buildings and streets with a city plan to point to where they stand.",
   "example": "Robot dostawczy na wąskiej uliczce poprawia swoją pozycję, porównując widok z kamery z mapą z góry.",
   "example_en": "A delivery robot in a narrow street corrects its position by comparing its camera view with an overhead map.",
   "for_you": [
    "potrzebujesz dokładnej pozycji tam, gdzie GPS zawodzi",
    "weryfikujesz, gdzie naprawdę zrobiono zdjęcie"
   ],
   "for_you_en": [
    "need a precise position where GPS fails",
    "verify where a photo was really taken"
   ],
   "how": "Dwie gałęzie sieci kodują widok naziemny i wycinek z góry do wspólnej przestrzeni; uczenie kontrastowe zbliża pary z tego samego miejsca. Nowsze układy dopuszczają, by zapytanie leżało w dowolnym punkcie wycinka, i dodają regresję przesunięcia, co daje lokalizację z dokładnością do metrów.",
   "how_en": "Two network branches encode the ground view and an overhead tile into a shared space; contrastive learning pulls same-place pairs together. Newer setups let the query lie anywhere within a tile and add offset regression, giving metre-level localisation.",
   "limits": "Na obszarach niewidzianych w treningu trafność wyraźnie spada. Zdjęcia satelitarne są starsze niż widok z ulicy, a pora roku, drzewa i przesłonięcia zmieniają wygląd. Należy pamiętać o ryzyku nadużyć przy lokalizowaniu osób.",
   "limits_en": "Accuracy drops sharply in areas unseen during training. Satellite tiles are older than the street view, and season, trees and occlusions change appearance. There is a risk of misuse for locating people.",
   "terms": [
    {
     "gloss": "porównywanie dwóch bardzo różnych punktów widzenia tego samego miejsca",
     "term": "cross-view"
    },
    {
     "gloss": "podanie pozycji w metrach, nie tylko najbliższego obrazu",
     "term": "metric localisation"
    },
    {
     "gloss": "jak często pierwszy zwrócony wynik jest właściwy",
     "term": "recall@1"
    }
   ],
   "terms_en": [
    {
     "gloss": "comparing two very different viewpoints of the same place",
     "term": "cross-view"
    },
    {
     "gloss": "giving a position in metres, not just the nearest image",
     "term": "metric localisation"
    },
    {
     "gloss": "how often the first returned result is correct",
     "term": "recall@1"
    }
   ],
   "prereq": [
    "clipcontrastive"
   ],
   "keywords": [
    "VIGOR",
    "CVUSA",
    "CVACT",
    "University-1652",
    "Sample4Geo",
    "SAFA",
    "contrastive learning",
    "fine-grained localization"
   ],
   "source_ids": [
    "vigor-2021"
   ],
   "url": "https://aiatlasgraph.com/t/crossviewgeo",
   "markdown_url": "https://aiatlasgraph.com/t/crossviewgeo.md",
   "updated": "2026-10-30"
  },
  "crystalgen": {
   "id": "crystalgen",
   "parent_id": "materials",
   "label": "Generowanie nowych kryształów",
   "canonical_name": "Generative crystal and materials design",
   "aliases": [
    "crystal structure generation",
    "generative materials design",
    "inverse materials design",
    "MatterGen",
    "odwrotne projektowanie materiałów"
   ],
   "description": "Generatywne modele struktur krystalicznych (głównie dyfuzyjne) warunkowane składem chemicznym, symetrią i docelowymi właściwościami.",
   "description_en": "Generative models of crystal structures (mainly diffusion-based) conditioned on chemical composition, symmetry and target properties.",
   "plain": "Modele, które proponują od zera ułożenia atomów w nowych kryształach o zamówionych właściwościach.",
   "plain_en": "Models that propose, from scratch, atom arrangements for new crystals with the properties you ask for.",
   "solves": "Przesiewanie znanych struktur ma granice: materiał o potrzebnej twardości czy przewodnictwie może nie być jeszcze nigdzie opisany.",
   "solves_en": "Screening known structures has limits: a material with the hardness or conductivity you need may not be described anywhere yet.",
   "does": "Projektowanie od drugiej strony: mówisz, jakiej właściwości potrzebujesz, a model szkicuje pasujące ułożenia atomów.",
   "does_en": "Design in reverse: you say which property you need, and the model sketches atom arrangements that fit.",
   "example": "Inżynier szuka materiału na magnes bez rzadkich, drogich pierwiastków i dostaje propozycje struktur do dalszych obliczeń.",
   "example_en": "An engineer looks for a magnet material without rare, expensive elements and gets proposed structures for further calculation.",
   "for_you": [
    "szukasz materiału o konkretnej właściwości",
    "chcesz ograniczyć drogie lub rzadkie surowce"
   ],
   "for_you_en": [
    "are looking for a material with a specific property",
    "want to cut down on expensive or scarce raw materials"
   ],
   "how": "Model dyfuzyjny wspólnie odszumia typy atomów, współrzędne i parametry sieci krystalicznej, z uwzględnieniem okresowości. Warunkowanie lub dostrojenie kieruje generowanie ku zadanym właściwościom (np. przerwa energetyczna, sztywność, grupa przestrzenna), a kandydatów odsiewają uczone potencjały i obliczenia DFT.",
   "how_en": "A diffusion model jointly denoises atom types, coordinates and lattice parameters while respecting periodicity. Conditioning or fine-tuning steers generation towards target properties (e.g. band gap, stiffness, space group), and candidates are filtered with learned potentials and DFT.",
   "limits": "Tylko część struktur jest naraz nowa, stabilna i syntezowalna, a nowę trudno ocenić wobec znanych baz. Pojedyncze udane syntezy potwierdzają podejście, ale nie dowodzą przewagi nad przesiewaniem.",
   "limits_en": "Only some structures are at once new, stable and synthesisable, and novelty is hard to judge against known databases. Individual successful syntheses support the approach but do not prove it beats screening.",
   "terms": [
    {
     "gloss": "Regularny, powtarzalny szkielet, w którego węzłach siedzą atomy kryształu.",
     "term": "sieć krystaliczna"
    },
    {
     "gloss": "Opis symetrii kryształu; jedna z 230 możliwych.",
     "term": "grupa przestrzenna"
    },
    {
     "gloss": "Wyjście od pożądanej właściwości i szukanie pasującej struktury.",
     "term": "projektowanie odwrotne"
    }
   ],
   "terms_en": [
    {
     "gloss": "The regular, repeating framework whose points hold a crystal's atoms.",
     "term": "lattice"
    },
    {
     "gloss": "A description of a crystal's symmetry; one of 230 possibilities.",
     "term": "space group"
    },
    {
     "gloss": "Starting from a desired property and searching for a matching structure.",
     "term": "inverse design"
    }
   ],
   "prereq": [
    "diffusion"
   ],
   "keywords": [
    "MatterGen",
    "CDVAE",
    "DiffCSP",
    "GNoME",
    "MatterSim",
    "Materials Project",
    "space group conditioning"
   ],
   "source_ids": [
    "gnome-2023",
    "mattergen-2025"
   ],
   "url": "https://aiatlasgraph.com/t/crystalgen",
   "markdown_url": "https://aiatlasgraph.com/t/crystalgen.md",
   "updated": "2026-10-30"
  },
  "csp": {
   "id": "csp",
   "parent_id": "search",
   "label": "Problemy z ograniczeniami (CSP)",
   "canonical_name": "Constraint satisfaction problems (CSP)",
   "description": "Przypisywanie wartości zmiennym tak, by spełnić wszystkie ograniczenia — harmonogramy, układy, sudoku.",
   "description_en": "Assigning values to variables so all constraints hold — schedules, layouts, sudoku.",
   "examples": "Backtracking · propagacja ograniczeń · układanie grafików · solwery SAT",
   "examples_en": "Backtracking · constraint propagation · timetabling · SAT solvers",
   "plain": "To szukanie układu, w którym wszystkie zapisane warunki są spełnione jednocześnie.",
   "plain_en": "This finds an arrangement that satisfies all recorded conditions at once.",
   "solves": "Wiele wyborów zależy od siebie, więc poprawienie jednego fragmentu może zepsuć inny.",
   "solves_en": "Many choices depend on each other, so fixing one part can break another.",
   "does": "Odrzuca wartości sprzeczne z warunkami, sprawdza pozostałe połączenia i cofa wcześniejsze wybory, gdy prowadzą do sprzeczności.",
   "does_en": "It rules out values that violate conditions, tests remaining combinations and revisits earlier choices when they create contradictions.",
   "example": "Układasz spotkania tak, żeby uczestnicy byli dostępni, sale się nie nakładały, a potrzebny sprzęt był na miejscu.",
   "example_en": "You schedule meetings so participants are available, rooms are not double booked and the required equipment is present.",
   "for_you": [
    "musisz spełnić wiele warunków jednocześnie",
    "układasz harmonogram, przydział lub rozmieszczenie rzeczy"
   ],
   "for_you_en": [
    "need to satisfy several conditions at once",
    "arrange schedules, assignments or the placement of objects"
   ],
   "how": "Zmienne mają dziedziny wartości, a ograniczenia określają dopuszczalne kombinacje. Propagacja usuwa wartości bez wsparcia, natomiast przeszukiwanie z nawrotami wybiera przypisania i cofa te prowadzące do konfliktu.",
   "how_en": "Variables have value domains, and constraints define permitted combinations. Propagation removes unsupported values, while backtracking search selects assignments and reverses those leading to conflicts.",
   "limits": "Lokalna zgodność nie gwarantuje rozwiązania całego układu. Trudność zależy od struktury i siły ograniczeń; słaba propagacja pozostawia dużą przestrzeń przeszukiwania.",
   "limits_en": "Local consistency does not guarantee a complete solution. Difficulty depends on constraint structure and strength; weak propagation leaves a large search space.",
   "terms": [
    {
     "gloss": "Zbiór wartości dopuszczonych dla danej zmiennej.",
     "term": "dziedzina"
    },
    {
     "gloss": "Usuwanie kandydatów niespełniających warunków wynikających z innych zmiennych.",
     "term": "propagacja ograniczeń"
    }
   ],
   "terms_en": [
    {
     "gloss": "The set of allowed values for a variable.",
     "term": "domain"
    },
    {
     "gloss": "Removing candidates violating conditions implied by other variables.",
     "term": "constraint propagation"
    }
   ],
   "prereq": [
    "fol",
    "uninformedsearch"
   ],
   "keywords": [
    "backtracking",
    "constraint propagation",
    "arc consistency",
    "AC-3",
    "SAT solving",
    "constraint programming"
   ],
   "source_ids": [
    "cs188fa25",
    "aima4"
   ],
   "url": "https://aiatlasgraph.com/t/csp",
   "markdown_url": "https://aiatlasgraph.com/t/csp.md",
   "updated": "2026-10-30"
  },
  "ctianalysis": {
   "id": "ctianalysis",
   "parent_id": "secopsai",
   "label": "Analiza raportów o zagrożeniach (CTI)",
   "canonical_name": "Cyber threat intelligence analysis with language models",
   "aliases": [
    "CTI extraction",
    "threat intelligence NLP",
    "ATT&CK technique mapping",
    "IOC extraction",
    "analiza wywiadu o zagrożeniach"
   ],
   "description": "Modele językowe wyciągające z raportów i biuletynów techniki ataku, wskaźniki kompromitacji i powiązania z podatnościami w ustrukturyzowanej formie.",
   "description_en": "Language models extracting attack techniques, indicators of compromise and links to vulnerabilities from reports and bulletins in structured form.",
   "plain": "Modele, które czytają raporty o nowych atakach i zamieniają je w gotowe listy: kto atakuje, jak i po czym go poznać.",
   "plain_en": "Models that read reports on new attacks and turn them into ready lists: who attacks, how, and how to recognise them.",
   "solves": "Codziennie ukazują się dziesiątki raportów o zagrożeniach, a zespół nie zdąży ich przeczytać i przenieść do swoich systemów.",
   "solves_en": "Dozens of threat reports come out daily, and a team can't read them and carry them into its systems in time.",
   "does": "Jak bibliotekarz, który każdą nową książkę od razu opisuje w katalogu, tak że można ją znaleźć po temacie, autorze i słowach kluczowych.",
   "does_en": "Like a librarian who catalogues each new book at once, so it can be found by subject, author and keyword.",
   "example": "Rano ukazuje się raport o nowej kampanii; po kwadransie system ma listę adresów serwerów atakujących i opis ich metod przypięty do znanego katalogu technik.",
   "example_en": "A report on a new campaign appears in the morning; within fifteen minutes the system has the attackers' server addresses and their methods mapped to a known catalogue of techniques.",
   "for_you": [
    "śledzisz nowe zagrożenia dla swojej firmy",
    "budujesz ekstrakcję informacji z długich dokumentów",
    "przygotowujesz reguły wykrywania"
   ],
   "for_you_en": [
    "track new threats to your company",
    "build information extraction from long documents",
    "write detection rules"
   ],
   "how": "Model czyta raport lub biuletyn i zwraca dane strukturalne. Benchmark CTIBench sprawdza między innymi wiedzę o cyberzagrożeniach, mapowanie CVE do typu słabości CWE, przewidywanie wektora CVSS, wydobywanie technik MITRE ATT&CK i atrybucję aktora zagrożenia.",
   "how_en": "The model reads a report or bulletin and returns structured data. CTIBench evaluates tasks including cyber-threat knowledge, CVE-to-CWE root-cause mapping, CVSS vector prediction, MITRE ATT&CK technique extraction and threat-actor attribution.",
   "limits": "Skuteczność różni się między zadaniami, takimi jak mapowanie ATT&CK i CWE. Wiedza modelu szybko się starzeje bez dostępu do bieżących źródeł, a wygenerowane wskaźniki i atrybucje wymagają walidacji przed użyciem operacyjnym.",
   "limits_en": "Performance varies across tasks such as ATT&CK and CWE mapping. Model knowledge goes stale without current sources, and generated indicators and attributions require validation before operational use.",
   "terms": [
    {
     "gloss": "Wiedza o atakujących, ich celach i metodach, zbierana do obrony.",
     "term": "CTI"
    },
    {
     "gloss": "Publiczny katalog taktyk i technik używanych przez atakujących.",
     "term": "MITRE ATT&CK"
    },
    {
     "gloss": "Standardowy format wymiany informacji o zagrożeniach.",
     "term": "STIX"
    }
   ],
   "terms_en": [
    {
     "gloss": "Knowledge about attackers, their goals and methods, gathered for defence.",
     "term": "CTI"
    },
    {
     "gloss": "A public catalogue of attacker tactics and techniques.",
     "term": "MITRE ATT&CK"
    },
    {
     "gloss": "A standard format for exchanging threat information.",
     "term": "STIX"
    }
   ],
   "prereq": [
    "infoextraction",
    "retrieval"
   ],
   "keywords": [
    "MITRE ATT&CK",
    "CTIBench",
    "IOC extraction",
    "STIX/TAXII",
    "CVE to CWE mapping",
    "TTP extraction",
    "threat report summarization"
   ],
   "source_ids": [
    "alam-ctibench-2024"
   ],
   "url": "https://aiatlasgraph.com/t/ctianalysis",
   "markdown_url": "https://aiatlasgraph.com/t/ctianalysis.md",
   "updated": "2026-10-30"
  },
  "curiosity": {
   "id": "curiosity",
   "parent_id": "offline",
   "label": "Eksploracja z ciekawości (nagroda wewnętrzna)",
   "canonical_name": "Curiosity-driven exploration and intrinsic rewards",
   "description": "Agent dostaje dodatkową nagrodę za odkrywanie nowego lub trudnego do przewidzenia, co pomaga, gdy zewnętrzna nagroda pojawia się rzadko.",
   "description_en": "The agent earns an extra reward for novel or hard-to-predict situations, which helps when external reward is sparse.",
   "examples": "Moduł ciekawości (ICM) · Random Network Distillation · bonusy za nowość",
   "examples_en": "Intrinsic Curiosity Module (ICM) · Random Network Distillation · novelty bonuses",
   "plain": "To zachęcanie uczącego się programu do odkrywania nowych lub trudnych do przewidzenia sytuacji.",
   "plain_en": "This encourages learning software to discover new or hard to predict situations.",
   "solves": "Gdy nagroda za sukces pojawia się rzadko, program może nie znaleźć działań, z których warto się uczyć.",
   "solves_en": "When success rewards are rare, software may fail to find actions that provide useful learning experience.",
   "does": "Dodaje ocenę za nowość lub błąd przewidywania, żeby kierować próby także w mniej poznane części otoczenia.",
   "does_en": "It adds a score for novelty or prediction error to direct trials towards less explored parts of the environment.",
   "example": "Postać w grze otrzymuje dodatkową ocenę za zwiedzanie nowych miejsc, zanim znajdzie właściwą drogę do odległego celu.",
   "example_en": "A game character receives extra scores for visiting new places before finding a route to a distant goal.",
   "for_you": [
    "sukces jest rzadki i trudno zacząć naukę",
    "chcesz nagradzać odkrywanie nowych doświadczeń"
   ],
   "for_you_en": [
    "have rare successes that make learning hard to start",
    "want to reward discovery of new experiences"
   ],
   "how": "Model przewidujący kolejną reprezentację stanu tworzy dodatkową nagrodę z błędu predykcji lub nowości. Polityka maksymalizuje połączenie tego sygnału z nagrodą zadania, kierując eksplorację ku nieznanym sytuacjom.",
   "how_en": "A model predicting the next state representation derives extra reward from prediction error or novelty. The policy maximises this signal together with task reward, directing exploration toward unfamiliar situations.",
   "limits": "Nieprzewidywalny szum może stale przyciągać agenta bez użytecznej nauki. Skala nagrody wewnętrznej i reprezentacja stanu muszą ograniczać odchodzenie od rzeczywistego zadania.",
   "limits_en": "Unpredictable noise can continually attract the agent without useful learning. Intrinsic-reward scale and state representations must limit diversion from the actual task.",
   "terms": [
    {
     "gloss": "Sygnał eksploracji wyliczany przez agenta, dodatkowy wobec nagrody zadania.",
     "term": "nagroda wewnętrzna"
    },
    {
     "gloss": "Model przewidujący zmianę stanu po wykonaniu działania.",
     "term": "model dynamiki"
    }
   ],
   "terms_en": [
    {
     "gloss": "An agent-computed exploration signal additional to the task reward.",
     "term": "intrinsic reward"
    },
    {
     "gloss": "A model predicting state changes following an action.",
     "term": "dynamics model"
    }
   ],
   "prereq": [
    "mdp",
    "neuralbasics"
   ],
   "keywords": [
    "Intrinsic Curiosity Module",
    "Random Network Distillation",
    "intrinsic motivation",
    "novelty bonuses",
    "prediction error"
   ],
   "source_ids": [
    "rl",
    "icm-curiosity-2017"
   ],
   "url": "https://aiatlasgraph.com/t/curiosity",
   "markdown_url": "https://aiatlasgraph.com/t/curiosity.md",
   "updated": "2026-10-30"
  },
  "customaccelerators": {
   "id": "customaccelerators",
   "parent_id": "hardware",
   "label": "Wyspecjalizowane akceleratory AI (TPU, NPU)",
   "canonical_name": "Specialised AI accelerators (ASICs and NPUs)",
   "aliases": [
    "AI ASIC",
    "TPU",
    "NPU",
    "Neural Engine",
    "systolic array",
    "macierz systoliczna"
   ],
   "description": "Specjalizowane układy lub bloki obliczeniowe zoptymalizowane pod operacje sieci neuronowych, często wykorzystujące macierze mnożąco-sumujące i niską precyzję. Obejmują akceleratory centrów danych, takie jak TPU, oraz NPU zintegrowane z telefonami i laptopami.",
   "description_en": "Specialised chips or compute blocks optimised for neural-network operations, often using multiply-accumulate arrays and low-precision arithmetic. They include datacenter accelerators such as TPUs and NPUs integrated into phones and laptops.",
   "examples": "macierz systoliczna (MXU) · akceleratory TPU w centrach danych · NPU w telefonach i laptopach · arytmetyka 8-bitowa",
   "examples_en": "systolic array (MXU) · datacenter TPUs · NPUs in phones and laptops · 8-bit arithmetic",
   "plain": "To układy zaprojektowane szczególnie do obliczeń potrzebnych sieciom neuronowym.",
   "plain_en": "These chips are designed specifically for computations used by neural networks.",
   "solves": "Ogólny procesor zużywa dużo czasu lub energii na często powtarzane działania modelu.",
   "solves_en": "A general processor spends substantial time or energy on a model's repeated operations.",
   "does": "Sprzęt łączy wiele prostych operacji na tabelach liczb i korzysta z oszczędnych formatów, dopasowując wykonanie do obsługiwanych modeli.",
   "does_en": "Hardware combines many simple operations on number arrays and uses compact formats, tailoring execution to supported models.",
   "example": "Telefon wykorzystuje wyspecjalizowany układ do przetworzenia zdjęcia bez wysyłania go na serwer.",
   "example_en": "A phone uses a specialised chip to process a photo without sending it to a server.",
   "for_you": [
    "model ma działać oszczędnie na urządzeniu",
    "porównujesz specjalizowany sprzęt z ogólnym procesorem"
   ],
   "for_you_en": [
    "need efficient on-device model execution",
    "compare specialised hardware with general processors"
   ],
   "how": "Specjalizowane macierze mnożąco-sumujące wielokrotnie wykorzystują dane podczas operacji tensorowych. Kompilator mapuje graf na obsługiwane operatory i pamięci, dobierając precyzję oraz kolejność transferów do konstrukcji układu.",
   "how_en": "Specialised multiply–accumulate arrays reuse data during tensor operations. A compiler maps graphs onto supported operators and memories, selecting precision and transfer order for the chip design.",
   "limits": "Nieobsługiwane operatory mogą trafić na wolniejszą ścieżkę. Ograniczenia pamięci, kształtów i precyzji wymagają dostosowania modelu; sama specjalizacja nie zapewnia przyspieszenia każdego zadania.",
   "limits_en": "Unsupported operators can fall back to slower paths. Memory, shape and precision limits require model adaptation; specialisation alone cannot accelerate every task.",
   "terms": [
    {
     "gloss": "Operacja mnożenia i dodawania używana w iloczynach tensorów.",
     "term": "MAC"
    },
    {
     "gloss": "Przypisanie operacji grafu do jednostek i instrukcji dostępnego sprzętu.",
     "term": "mapowanie operatorów"
    }
   ],
   "terms_en": [
    {
     "gloss": "A multiply–accumulate operation used in tensor products.",
     "term": "MAC"
    },
    {
     "gloss": "Assigning graph operations to available hardware units and instructions.",
     "term": "operator mapping"
    }
   ],
   "prereq": [
    "gemm",
    "linearalgebra"
   ],
   "keywords": [
    "TPU",
    "NPU",
    "systolic arrays",
    "matrix multiplication unit",
    "multiply-accumulate",
    "INT8 inference",
    "operator mapping"
   ],
   "source_ids": [
    "tpu-v1-jouppi-2017",
    "scaling-book-tpus",
    "apple-afm-2025"
   ],
   "url": "https://aiatlasgraph.com/t/customaccelerators",
   "markdown_url": "https://aiatlasgraph.com/t/customaccelerators.md",
   "updated": "2026-10-30"
  },
  "cyberai": {
   "id": "cyberai",
   "parent_id": null,
   "label": "AI w cyberbezpieczeństwie",
   "canonical_name": "AI for cybersecurity",
   "aliases": [
    "AI in cybersecurity",
    "AI for cyber defence",
    "security AI",
    "LLM4Security",
    "AI w cyberobronie",
    "sztuczna inteligencja w bezpieczeństwie IT"
   ],
   "description": "Uczenie maszynowe i modele językowe w obronie systemów IT: wykrywanie włamań i malware, szukanie podatności, praca SOC oraz ataki wspomagane przez AI.",
   "description_en": "Machine learning and language models in defending IT systems: intrusion and malware detection, vulnerability discovery, SOC work and AI-assisted attacks.",
   "plain": "Programy, które pomagają pilnować komputerów i sieci: wyłapują włamania, wirusy i dziury w oprogramowaniu, zanim wykorzysta je przestępca.",
   "plain_en": "Software that helps guard computers and networks, catching break-ins, viruses and software holes before criminals use them.",
   "solves": "Ataków jest tak dużo, a specjalistów tak mało, że ludzie nie nadążają czytać alarmów ani łatać dziur w kodzie.",
   "solves_en": "There are so many attacks and so few specialists that people can't keep up with the alarms or patch holes in code.",
   "does": "Jak strażnik z setką kamer, który nie męczy się w nocy: przegląda wszystko naraz, a ludziom zostawia decyzje w trudnych sprawach.",
   "does_en": "Like a guard watching a hundred cameras who never tires at night: scans everything at once and leaves the hard calls to people.",
   "example": "Pocztowy filtr odsyła do kwarantanny fałszywy mail z „fakturą” od rzekomego kontrahenta, zanim ktokolwiek w biurze go otworzy.",
   "example_en": "The mail filter quarantines a fake email with an 'invoice' from a supposed supplier before anyone in the office opens it.",
   "for_you": [
    "dostajesz podejrzane maile lub esemesy",
    "odpowiadasz za komputery w firmie lub szkole",
    "piszesz oprogramowanie używane przez innych"
   ],
   "for_you_en": [
    "get suspicious emails or text messages",
    "look after computers at a company or school",
    "write software that other people use"
   ],
   "how": "Klasyczne podejścia to klasyfikatory i detektory anomalii na ruchu sieciowym, logach i plikach wykonywalnych. Od kilku lat modele językowe i agenci z dostępem do narzędzi czytają kod, generują testy fuzzingowe, analizują alerty i raporty o zagrożeniach, a w eksperymentach samodzielnie wykonują etapy testów penetracyjnych.",
   "how_en": "Classic approaches are classifiers and anomaly detectors on network traffic, logs and executables. More recently, language models and tool-using agents read code, generate fuzz targets, investigate alerts and threat reports, and in experiments carry out stages of penetration tests on their own.",
   "limits": "Przeciwnik aktywnie się dostosowuje, więc modele szybko się starzeją. Dane są poufne, słabo oznaczone i niezbalansowane, a fałszywe alarmy kosztują uwagę analityków. Te same zdolności pomagają atakującym, a wyniki z publikacji często zawyżają skuteczność wdrożeń.",
   "limits_en": "The adversary adapts, so models age quickly. Data are confidential, poorly labelled and imbalanced, and false alarms drain analyst attention. The same capabilities help attackers, and published results often overstate real-world effectiveness.",
   "terms": [
    {
     "gloss": "Zespół, który całodobowo monitoruje alarmy bezpieczeństwa w organizacji.",
     "term": "SOC"
    },
    {
     "gloss": "Błąd w oprogramowaniu, który atakujący może wykorzystać.",
     "term": "podatność"
    },
    {
     "gloss": "Złośliwe oprogramowanie: wirusy, trojany, ransomware.",
     "term": "malware"
    },
    {
     "gloss": "Ta sama technika służy obrońcom i atakującym.",
     "term": "podwójne zastosowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A team that monitors an organisation's security alerts around the clock.",
     "term": "SOC"
    },
    {
     "gloss": "A software flaw an attacker can exploit.",
     "term": "vulnerability"
    },
    {
     "gloss": "Malicious software: viruses, trojans, ransomware.",
     "term": "malware"
    },
    {
     "gloss": "The same technique serves defenders and attackers.",
     "term": "dual use"
    }
   ],
   "prereq": [
    "anomalydetection",
    "agentsnode"
   ],
   "keywords": [
    "LLM4Security",
    "intrusion detection",
    "malware classification",
    "vulnerability detection",
    "AI-assisted fuzzing",
    "AIxCC",
    "SOC automation",
    "alert triage",
    "cyber threat intelligence",
    "MITRE ATT&CK",
    "phishing detection",
    "penetration testing agents",
    "Cybench",
    "EMBER"
   ],
   "source_ids": [
    "xu-llm4security-survey-2024",
    "lazer-agentic-ai-cybersecurity-2026",
    "arp-dos-donts-ml-security-2020"
   ],
   "url": "https://aiatlasgraph.com/t/cyberai",
   "markdown_url": "https://aiatlasgraph.com/t/cyberai.md",
   "updated": "2026-10-30"
  },
  "cyberreasoning": {
   "id": "cyberreasoning",
   "parent_id": "vulndiscovery",
   "label": "Systemy automatycznego znajdowania i łatania błędów",
   "canonical_name": "Cyber reasoning systems for automated find-and-patch",
   "aliases": [
    "cyber reasoning system",
    "CRS",
    "AIxCC",
    "automated vulnerability repair",
    "autonomiczne łatanie podatności",
    "AI patching"
   ],
   "description": "Autonomiczne systemy łączące fuzzing, analizę statyczną i modele językowe, które znajdują podatność, potwierdzają ją i generują przetestowaną łatkę.",
   "description_en": "Autonomous systems combining fuzzing, static analysis and language models that find a vulnerability, confirm it and generate a tested patch.",
   "plain": "Zautomatyzowane systemy, które bez udziału człowieka znajdują błąd bezpieczeństwa w programie, udowadniają go i piszą poprawkę.",
   "plain_en": "Automated systems that, without human help, find a security bug in a program, prove it and write the fix.",
   "solves": "Nawet gdy błąd jest znany, jego naprawa w darmowym projekcie czeka tygodniami, bo opiekunowie mają za mało czasu.",
   "solves_en": "Even once a bug is known, fixing it in a free project can wait weeks, because maintainers lack time.",
   "does": "Jak pogotowie techniczne, które samo zauważa wyciek, zakręca zawór, wymienia rurę i zostawia notatkę, co zrobiło.",
   "does_en": "Like an emergency repair crew that spots a leak itself, shuts the valve, replaces the pipe and leaves a note on what it did.",
   "example": "Podczas zawodów system wskazuje błąd w bibliotece Javy, dołącza dane wywołujące awarię i proponuje łatkę sprawdzoną wobec błędu i dostępnych testów.",
   "example_en": "During a contest, a system flags a bug in a Java library, attaches the crashing input and proposes a patch checked against the bug and available tests.",
   "for_you": [
    "utrzymujesz projekt open source",
    "zarządzasz łataniem podatności w firmie",
    "śledzisz, jak daleko sięga autonomia agentów"
   ],
   "for_you_en": [
    "maintain an open-source project",
    "manage vulnerability patching at a company",
    "follow how far agent autonomy reaches"
   ],
   "how": "System uruchamia fuzzery i analizę statyczną, a modele językowe kierują poszukiwaniem, generują dane wejściowe i proponują łatki. Znalezisko potwierdza się danymi wywołującymi błąd, a poprawkę sprawdza się tymi danymi i testami projektu. DARPA poinformowała później, że wszystkie siedem systemów finalistów AIxCC udostępniono jako open source.",
   "how_en": "The system runs fuzzers and static analysis while language models steer the search, generate inputs and propose patches. A finding is confirmed with a crashing input, and a patch is checked against that input and project tests. DARPA later reported that all seven AIxCC finalist systems had been open-sourced.",
   "limits": "W konkursie systemy znalazły większość wstrzykniętych błędów, ale załatały wyraźnie mniej. Łatka przechodząca testy może zmienić zachowanie programu w sposób niewidoczny dla testów. Uruchomienie takiego systemu wymaga dużej mocy obliczeniowej i budżetu na modele.",
   "limits_en": "In the contest, systems found most injected bugs but patched noticeably fewer. A patch that passes tests can change program behaviour in ways tests don't see. Running such a system takes substantial compute and model budget.",
   "terms": [
    {
     "gloss": "Autonomiczny system obrony: znajduje, potwierdza i łata błędy.",
     "term": "cyber reasoning system"
    },
    {
     "gloss": "Dane wejściowe, które dowodzą istnienia błędu, wywołując awarię.",
     "term": "proof of vulnerability"
    },
    {
     "gloss": "Generowanie poprawek kodu bez udziału programisty.",
     "term": "automatyczna naprawa programów"
    }
   ],
   "terms_en": [
    {
     "gloss": "An autonomous defence system that finds, confirms and patches bugs.",
     "term": "cyber reasoning system"
    },
    {
     "gloss": "Input that proves a bug exists by triggering a crash.",
     "term": "proof of vulnerability"
    },
    {
     "gloss": "Generating code fixes without a programmer.",
     "term": "automated program repair"
    }
   ],
   "prereq": [
    "agentharness",
    "makerchecker"
   ],
   "keywords": [
    "AIxCC",
    "cyber reasoning system",
    "Buttercup",
    "automated program repair",
    "proof of vulnerability",
    "DARPA Cyber Grand Challenge",
    "patch validation"
   ],
   "source_ids": [
    "darpa-aixcc-results-2025"
   ],
   "url": "https://aiatlasgraph.com/t/cyberreasoning",
   "markdown_url": "https://aiatlasgraph.com/t/cyberreasoning.md",
   "updated": "2026-10-30"
  },
  "d3pm": {
   "id": "d3pm",
   "parent_id": "dllm",
   "label": "Dyskretna dyfuzja ze strukturalną macierzą przejść",
   "canonical_name": "Structured discrete diffusion (D3PM)",
   "aliases": [
    "D3PM",
    "multinomial diffusion",
    "discrete denoising diffusion",
    "dyfuzja wielomianowa"
   ],
   "description": "Dyskretna dyfuzja z macierzą przejść: jednostajną, sąsiedzką albo z maską jako stanem pochłaniającym.",
   "description_en": "Discrete diffusion with a transition matrix: uniform, neighbour-based, or with a mask as an absorbing state.",
   "plain": "Generator tekstu uczy się cofać celowe psucie słów, w którym każde słowo może przejść w inne albo w maskę.",
   "plain_en": "A text generator learns to undo deliberate word corruption, where each word may change into another or into a mask.",
   "solves": "Trudno przenieść odszumianie obrazów na tekst, bo słowa są etykietami, a nie liczbami, które da się lekko przesunąć.",
   "solves_en": "Image denoising does not transfer cleanly to text, because words are labels, not numbers you can nudge slightly.",
   "does": "Ustala się, jak słowa mogą się psuć, a sieć uczy się odgadywać pierwotne słowo z wersji zepsutej.",
   "does_en": "You fix how words may be corrupted, and a network learns to guess the original word from the corrupted version.",
   "example": "Model widzi zdanie z częścią słów zamienioną na maskę i ćwiczy odtworzenie brakujących słów z sąsiedztwa.",
   "example_en": "A model sees a sentence with some words replaced by a mask and practises restoring the missing words from their neighbours.",
   "for_you": [
    "chcesz zrozumieć, jak dyfuzja działa na słowach",
    "porównujesz sposoby psucia tekstu w treningu",
    "budujesz generator, który nie idzie tylko w prawo"
   ],
   "for_you_en": [
    "want to see how diffusion works on words",
    "compare ways of corrupting text in training",
    "build a generator that does not only move right"
   ],
   "how": "Proces w przód to łańcuch Markowa na tokenach. Macierz pochłaniająca prowadzi do maski i łączy dyfuzję z modelami maskowymi. Sieć przewiduje token pierwotny, a krok wstecz liczy się z tej predykcji i znanej macierzy. Strata łączy ograniczenie wariacyjne z dodatkową entropią krzyżową.",
   "how_en": "The forward process is a Markov chain on tokens. An absorbing matrix leads to a mask and links diffusion with mask-based models. A network predicts the original token, and the reverse step is computed from that prediction and the known matrix. The loss mixes a variational bound with auxiliary cross-entropy.",
   "limits": "Macierz przejść trzeba dobrać do rodzaju danych, a jej wybór wpływa na jakość. Pełna gęsta macierz rośnie kwadratowo ze słownikiem, dlatego skalowalne warianty wykorzystują strukturę, na przykład stan maski lub sąsiedztwo w przestrzeni reprezentacji. Praca źródłowa badała generowanie znaków oraz zbiór LM1B, a nie współczesne modele językowe w dużej skali.",
   "limits_en": "The transition matrix must suit the data, and its choice affects quality. A full dense matrix grows quadratically with vocabulary size, so scalable variants exploit structure such as a mask state or neighbourhoods in representation space. The source paper studied character generation and LM1B, not modern large-scale language models.",
   "terms": [
    {
     "gloss": "Tabela szans, że token zmieni się w inny token.",
     "term": "macierz przejść"
    },
    {
     "gloss": "Sieć zgaduje czysty token, a nie sam krok szumu.",
     "term": "predykcja oryginału"
    }
   ],
   "terms_en": [
    {
     "gloss": "A table of chances that a token changes into another token.",
     "term": "transition matrix"
    },
    {
     "gloss": "The network guesses the clean token, not the noise step itself.",
     "term": "original-token prediction"
    }
   ],
   "prereq": [
    "tokenization",
    "distributions"
   ],
   "keywords": [
    "D3PM",
    "transition matrices",
    "absorbing state",
    "multinomial diffusion",
    "categorical diffusion",
    "x0 prediction"
   ],
   "source_ids": [
    "austin-d3pm-2021"
   ],
   "url": "https://aiatlasgraph.com/t/d3pm",
   "markdown_url": "https://aiatlasgraph.com/t/d3pm.md",
   "updated": "2026-10-30"
  },
  "dagger": {
   "id": "dagger",
   "parent_id": "imitation",
   "label": "Imitacja z korektą eksperta (DAgger)",
   "canonical_name": "Interactive imitation learning (DAgger)",
   "description": "Ekspert etykietuje poprawne akcje także w sytuacjach osiągniętych przez uczącą się politykę, a nowe przykłady są dołączane do danych. Metoda ogranicza kumulowanie się błędów klonowania zachowań.",
   "description_en": "An expert labels correct actions in states reached by the learning policy, and the new examples are added to the dataset. This mitigates compounding error in behavioural cloning.",
   "examples": "DAgger · korekty człowieka w pętli · agregacja danych",
   "examples_en": "DAgger · human-in-the-loop corrections · dataset aggregation",
   "plain": "To uczenie z pokazów uzupełnianych korektami człowieka w sytuacjach, do których program sam dotarł.",
   "plain_en": "This learns from demonstrations supplemented with human corrections in situations reached by the program itself.",
   "solves": "Po pierwszej pomyłce program trafia w nieznaną sytuację, której nie było w poprawnych pokazach, i dalej błądzi.",
   "solves_en": "After an initial mistake, software enters a situation absent from correct demonstrations and continues going wrong.",
   "does": "Zbiera od człowieka poprawne działania dla nowych obserwacji programu, dołącza je do wcześniejszych pokazów i ponownie uczy wybory.",
   "does_en": "It collects correct human actions for new situations encountered by the program, adds them to earlier demonstrations and relearns choices.",
   "example": "Robot źle chwyta ręcznik; człowiek wskazuje ruch poprawiający tę sytuację, a nowy przykład trafia do danych kolejnej nauki.",
   "example_en": "A robot grips a towel incorrectly; a person identifies a corrective move, and that example becomes part of the next training data.",
   "for_you": [
    "program gubi się poza sytuacjami z pokazów",
    "możesz dostarczać korekty dla napotkanych nowych przypadków"
   ],
   "for_you_en": [
    "find that software struggles beyond demonstrated situations",
    "can provide corrections for newly encountered cases"
   ],
   "how": "Polityka wykonuje zadanie, a ekspert oznacza działania właściwe w odwiedzonych przez nią stanach. Nowe przykłady dodaje się do zbioru demonstracji i ponownie dopasowuje politykę.",
   "how_en": "The policy executes the task, and an expert labels appropriate actions in states it visits. New examples are added to the demonstration dataset and the policy is refitted.",
   "limits": "Ekspert musi być dostępny dla stanów wywołanych przez uczący się model. Zbieranie takich danych może być kosztowne i wymagać bezpiecznej kontroli wykonania.",
   "limits_en": "An expert must be available for states reached by the learning model. Collecting this data can be costly and require safe execution controls.",
   "terms": [
    {
     "gloss": "Łączenie kolejnych rund przykładów w zbiór treningowy.",
     "term": "agregacja danych"
    },
    {
     "gloss": "Źródło właściwego działania dla stanu przedstawionego przez algorytm.",
     "term": "oracle ekspercki"
    }
   ],
   "terms_en": [
    {
     "gloss": "Combining successive rounds of examples into a training dataset.",
     "term": "dataset aggregation"
    },
    {
     "gloss": "A source of appropriate actions for states presented by the algorithm.",
     "term": "expert oracle"
    }
   ],
   "prereq": [
    "behaviorcloning"
   ],
   "keywords": [
    "dataset aggregation",
    "expert relabeling",
    "on-policy data collection",
    "no-regret learning",
    "human corrections"
   ],
   "source_ids": [
    "dagger-2011"
   ],
   "url": "https://aiatlasgraph.com/t/dagger",
   "markdown_url": "https://aiatlasgraph.com/t/dagger.md",
   "updated": "2026-10-30"
  },
  "dangerouscapevals": {
   "id": "dangerouscapevals",
   "parent_id": "safetyevals",
   "label": "Ewaluacje niebezpiecznych zdolności (cyber, bio, autonomia)",
   "canonical_name": "Dangerous capability evaluations",
   "description": "Testy sprawdzające, czy model potrafi realnie pomóc w groźnych działaniach — cyberatakach, broni biologicznej lub chemicznej, perswazji, samodzielnym powielaniu się czy automatyzacji badań nad AI. Wyniki uruchamiają progi w politykach bezpieczeństwa firm.",
   "description_en": "Tests of whether a model can meaningfully help with dangerous activities — cyberattacks, biological or chemical weapons, persuasion, self-proliferation or automating AI research. Results trigger thresholds in companies' safety policies.",
   "examples": "perswazja i oszukiwanie · cyberofensywa · samopowielanie · rozumowanie o sobie",
   "examples_en": "persuasion and deception · cyber-offence · self-proliferation · self-reasoning",
   "plain": "To kontrolowane sprawdzanie, czy model może znacząco pomagać w działaniach powodujących poważne szkody.",
   "plain_en": "This tests under controlled conditions whether a model can substantially assist activities causing serious harm.",
   "solves": "Nie wiesz, czy nowe możliwości modelu zwiększają zdolność do niebezpiecznych działań poza zwykłymi błędnymi odpowiedziami.",
   "solves_en": "You do not know whether new model capabilities increase dangerous activity beyond ordinary incorrect responses.",
   "does": "Testy mierzą możliwości w wybranych obszarach zagrożeń i porównują wyniki z progami wymagającymi silniejszej kontroli.",
   "does_en": "Tests measure capabilities in selected threat areas and compare results with thresholds requiring stronger controls.",
   "example": "Przed udostępnieniem agenta zespół ocenia w zamkniętej symulacji, czy potrafi obchodzić ograniczenia dostępu do chronionych zasobów.",
   "example_en": "Before releasing an agent, a team evaluates in a closed simulation whether it can bypass restrictions on protected resources.",
   "for_you": [
    "model zyskuje silniejsze możliwości działania",
    "ustalasz progi wymagające dodatkowych zabezpieczeń"
   ],
   "for_you_en": [
    "develop models with more powerful action capabilities",
    "set thresholds requiring additional safeguards"
   ],
   "how": "Kontrolowane zadania mierzą zdolności istotne dla określonego modelu szkody, porównując wykonanie z punktem odniesienia. Dostępne narzędzia, pomoc i budżet definiują warunki próby, a progi zdolności wiążą wynik z polityką zabezpieczeń.",
   "how_en": "Controlled tasks measure capabilities relevant to a specified harm model against a baseline. Tools, assistance and budgets define trial conditions, while capability thresholds link results to safeguard policies.",
   "limits": "Zadanie zastępcze może słabo reprezentować rzeczywiste możliwości szkody. Niewydobyta zdolność nie oznacza jej braku; potrzebne są izolowane środowisko, ograniczenie dostępu i ostrożna interpretacja wyników.",
   "limits_en": "Proxy tasks can poorly represent real harm capabilities. Unelicited capabilities are not necessarily absent; isolated environments, restricted access and careful interpretation are required.",
   "terms": [
    {
     "gloss": "Poziom wyniku uruchamiający określone wymagania zabezpieczenia.",
     "term": "próg zdolności"
    },
    {
     "gloss": "Narzędzia i sterowanie udostępnione modelowi w badanym zadaniu.",
     "term": "scaffold ewaluacyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A performance level triggering specified safeguard requirements.",
     "term": "capability threshold"
    },
    {
     "gloss": "Tools and control supplied to a model for the assessed task.",
     "term": "evaluation scaffold"
    }
   ],
   "prereq": [
    "agenteval",
    "evalstats"
   ],
   "keywords": [
    "capability elicitation",
    "cybersecurity evaluations",
    "autonomous replication",
    "persuasion evaluations",
    "self-reasoning",
    "agent scaffolding",
    "capability thresholds"
   ],
   "source_ids": [
    "international-ai-safety-report-2026",
    "dangerous-capability-evals-2024",
    "metr-common-elements-2025"
   ],
   "url": "https://aiatlasgraph.com/t/dangerouscapevals",
   "markdown_url": "https://aiatlasgraph.com/t/dangerouscapevals.md",
   "updated": "2026-10-30"
  },
  "data": {
   "id": "data",
   "parent_id": null,
   "label": "Dane dla AI",
   "canonical_name": "Data for AI",
   "description": "Pozyskiwanie, przygotowanie, selekcja i kontrola danych używanych przez modele.",
   "description_en": "Sourcing, preparing, selecting and controlling the data models are built on.",
   "examples": "Crawling · filtrowanie jakości · mieszanki danych · etykietowanie · dane syntetyczne",
   "examples_en": "Crawling · quality filtering · data mixtures · labelling · synthetic data",
   "plain": "To przygotowanie informacji i przykładów, z których modele uczą się i na których są sprawdzane.",
   "plain_en": "This prepares the information and examples that models learn from and are tested on.",
   "solves": "Błędne, przypadkowe lub niepełne przykłady mogą nauczyć model złych nawyków.",
   "solves_en": "Incorrect, irrelevant or incomplete examples can teach a model the wrong patterns.",
   "does": "Zbiera materiały, sprawdza ich pochodzenie, poprawia błędy i wybiera przykłady odpowiednie do nauki oraz osobnego sprawdzianu.",
   "does_en": "It collects material, checks its origins, fixes problems and selects examples for learning and a separate assessment.",
   "example": "Przygotowujesz zdjęcia produktów do rozpoznawania uszkodzeń: oznaczasz wady, usuwasz powtórzenia i odkładasz część zdjęć do sprawdzenia modelu.",
   "example_en": "You prepare product photos for damage detection, label defects, remove duplicates and set some photos aside to test the model.",
   "for_you": [
    "chcesz nauczyć model pracy na własnych materiałach",
    "zastanawiasz się, skąd biorą się błędy modelu"
   ],
   "for_you_en": [
    "want a model to learn from your own material",
    "wonder where a model's mistakes come from"
   ],
   "how": "Proces łączy pozyskiwanie próbek, nadawanie etykiet i transformacje z kontrolą pochodzenia. Podziały zbioru i pomiary jakości pozwalają sprawdzić, czy rozkład danych odpowiada zadaniu i warunkom użycia modelu.",
   "how_en": "The process combines acquisition, labelling and transformations with provenance tracking. Dataset splits and quality measurements test whether the data distribution fits the task and the model's intended operating conditions.",
   "limits": "Większy zbiór nie kompensuje błędnych etykiet ani brakujących przypadków. Koszt obejmuje anotację, przechowywanie, prawa do użycia i utrzymanie jakości podczas zmian źródeł.",
   "limits_en": "More data cannot compensate for incorrect labels or missing cases. Costs include annotation, storage, usage rights and maintaining quality as sources change.",
   "terms": [
    {
     "gloss": "Częstości i zależności przypadków występujących w zbiorze.",
     "term": "rozkład danych"
    },
    {
     "gloss": "Informacja o źródłach próbek i wykonanych na nich operacjach.",
     "term": "pochodzenie"
    },
    {
     "gloss": "Odpowiedź referencyjna przypisana przykładowi podczas przygotowania danych.",
     "term": "etykieta"
    }
   ],
   "terms_en": [
    {
     "gloss": "Frequencies and relationships of cases occurring in a dataset.",
     "term": "data distribution"
    },
    {
     "gloss": "Information about sample origins and operations performed on them.",
     "term": "provenance"
    },
    {
     "gloss": "A reference answer assigned to an example during data preparation.",
     "term": "label"
    }
   ],
   "prereq": [
    "supervised"
   ],
   "keywords": [
    "web crawling",
    "data provenance",
    "data cleaning",
    "quality filtering",
    "data annotation",
    "weak supervision",
    "data augmentation",
    "synthetic data generation",
    "dataset versioning",
    "data mixtures",
    "train-validation-test splits",
    "data leakage"
   ],
   "source_ids": [
    "fsdl",
    "cs336",
    "dcai-mit",
    "llm-x-data-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/data",
   "markdown_url": "https://aiatlasgraph.com/t/data.md",
   "updated": "2026-10-30"
  },
  "datacurriculum": {
   "id": "datacurriculum",
   "parent_id": "dataselection",
   "label": "Kolejność danych i uczenie z programem nauczania (curriculum learning)",
   "canonical_name": "Data ordering and curriculum learning",
   "aliases": [
    "curriculum learning",
    "data ordering",
    "self-paced learning",
    "uczenie z programem nauczania"
   ],
   "description": "Sterowanie kolejnością i tempem podawania danych: curriculum od łatwiejszych do trudniejszych przykładów oraz automatyczne self-paced learning.",
   "description_en": "Controlling the order and pace of data: curricula from easier to harder examples and automatic self-paced learning.",
   "plain": "Ustalanie, w jakiej kolejności model widzi przykłady, np. najpierw łatwe, potem trudne, tak jak w szkole.",
   "plain_en": "Deciding the order in which a model sees examples, such as easy ones first and hard ones later, like at school.",
   "solves": "Losowa kolejność marnuje część treningu, a najlepsze dane podane w złym momencie dają mniej, niż mogłyby.",
   "solves_en": "Random order wastes part of training, and the best data given at the wrong moment delivers less than it could.",
   "does": "Jak plan zajęć: ktoś ocenia trudność przykładów, a harmonogram decyduje, kiedy i jak szybko wprowadzać trudniejsze.",
   "does_en": "Like a timetable: something rates how hard examples are, and a schedule decides when and how fast harder ones come in.",
   "example": "Model najpierw ćwiczy na łatwiejszych przykładach, a harmonogram stopniowo dopuszcza trudniejsze.",
   "example_en": "A model first practises on easier examples, and a schedule gradually admits harder ones.",
   "for_you": [
    "trenujesz model i masz dane różnej jakości",
    "zastanawiasz się, czemu kolejność danych ma znaczenie"
   ],
   "for_you_en": [
    "train a model on data of mixed quality",
    "wonder why data order matters"
   ],
   "how": "Klasyczny schemat łączy miernik trudności z harmonogramem treningu. Curriculum może być zaprojektowane ręcznie albo automatycznie: model sam dobiera przykłady, z którymi już częściowo sobie radzi, bądź kolejność ustala model-nauczyciel lub agent RL.",
   "how_en": "The classic scheme combines a difficulty measurer with a training scheduler. A curriculum can be hand-designed or automatic: the model selects examples it can partly handle, or a teacher model or RL agent sets the order.",
   "limits": "Korzyści zależą od zadania, miernika trudności i harmonogramu. Ocena trudności sama kosztuje, a źle dobrana kolejność może spowolnić trening lub nadmiernie ograniczyć różnorodność przykładów.",
   "limits_en": "Benefits depend on the task, difficulty measure and schedule. Rating difficulty has its own cost, and a poor order can slow training or restrict example diversity too much.",
   "terms": [
    {
     "gloss": "Sposób oceny, jak trudny dla modelu jest dany przykład.",
     "term": "miernik trudności"
    },
    {
     "gloss": "Model sam dobiera przykłady, z którymi już sobie częściowo radzi.",
     "term": "self-paced learning"
    }
   ],
   "terms_en": [
    {
     "gloss": "A way to rate how hard an example is for the model.",
     "term": "difficulty measurer"
    },
    {
     "gloss": "The model picks examples it can already partly handle.",
     "term": "self-paced learning"
    }
   ],
   "prereq": [
    "lrschedules"
   ],
   "keywords": [
    "curriculum learning",
    "self-paced learning",
    "teacher-student curriculum",
    "RL teacher",
    "anti-curriculum",
    "competence-based curriculum"
   ],
   "source_ids": [
    "wang-2020-curriculum-survey"
   ],
   "url": "https://aiatlasgraph.com/t/datacurriculum",
   "markdown_url": "https://aiatlasgraph.com/t/datacurriculum.md",
   "updated": "2026-10-30"
  },
  "dataenhance": {
   "id": "dataenhance",
   "parent_id": "synthetic",
   "label": "Wzbogacanie próbek",
   "canonical_name": "Sample enhancement",
   "description": "Poprawianie wygenerowanych przykładów: sprawdzanie odpowiedzi, wybór najlepszej z kilku, komplikowanie zadań.",
   "description_en": "Improving generated examples: checking answers, picking the best of several, making tasks harder.",
   "examples": "weryfikacja testami lub solverem · rejection sampling · Auto-Evol · persony · chain of thought",
   "examples_en": "verification by tests or solvers · rejection sampling · Auto-Evol · personas · chain of thought",
   "plain": "To poprawianie wygenerowanych przykładów, zanim posłużą do nauki modelu.",
   "plain_en": "This improves generated examples before they are used to train a model.",
   "solves": "Wygenerowane zadania bywają błędne, zbyt proste lub mało zróżnicowane, więc nie są gotowym materiałem do nauki.",
   "solves_en": "Generated tasks can be incorrect, too easy or repetitive, making them unsuitable as learning material without further work.",
   "does": "Sprawdza odpowiedzi, porównuje warianty i może komplikować zadania, zachowując przykłady spełniające ustalone kryteria.",
   "does_en": "It checks answers, compares alternatives and can make tasks harder, keeping examples that meet chosen criteria.",
   "example": "Tworzysz ćwiczenia do pracy z arkuszem, a program sprawdza obliczenia i odrzuca zadania z niepoprawnymi odpowiedziami.",
   "example_en": "You create spreadsheet exercises, and software checks the calculations and rejects tasks with incorrect answers.",
   "for_you": [
    "generujesz przykłady do nauki",
    "chcesz sprawdzać odpowiedzi i zwiększać różnorodność ćwiczeń"
   ],
   "for_you_en": [
    "generate examples for learning",
    "want answers checked and more varied exercises"
   ],
   "how": "Wygenerowane odpowiedzi porównuje się z regułami, testami lub ocenami niezależnego recenzenta. Selekcja kandydatów, korekta i zwiększanie trudności zadań tworzą kolejne wersje, które ponownie przechodzą kontrolę.",
   "how_en": "Generated answers are checked against rules, tests or independent reviewer judgements. Candidate selection, correction and increased task difficulty produce new versions that undergo further checks.",
   "limits": "Recenzent może podzielać błędy generatora. Trudniejsze zadanie bywa nierozwiązywalne, a wybór najlepiej ocenionych odpowiedzi może zmniejszać różnorodność i premiować styl zamiast poprawności.",
   "limits_en": "Reviewers may share generator errors. Harder tasks can become unsolvable, while selecting top-rated answers may reduce diversity and reward style over correctness.",
   "terms": [
    {
     "gloss": "Procedura oceniająca poprawność odpowiedzi według określonych kryteriów.",
     "term": "weryfikator"
    },
    {
     "gloss": "Wybór przykładów spośród kilku wygenerowanych wariantów.",
     "term": "selekcja kandydatów"
    }
   ],
   "terms_en": [
    {
     "gloss": "A procedure checking answer correctness against specified criteria.",
     "term": "verifier"
    },
    {
     "gloss": "Choosing examples from several generated variants.",
     "term": "candidate selection"
    }
   ],
   "prereq": [
    "judges",
    "evalsets"
   ],
   "keywords": [
    "rejection sampling",
    "verifier-guided generation",
    "execution-based verification",
    "Evol-Instruct",
    "chain-of-thought data",
    "persona conditioning"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/dataenhance",
   "markdown_url": "https://aiatlasgraph.com/t/dataenhance.md",
   "updated": "2026-10-30"
  },
  "datalicensing": {
   "id": "datalicensing",
   "parent_id": "sourcing",
   "label": "Licencje i zgody na użycie danych",
   "canonical_name": "Data licensing and consent",
   "aliases": [
    "dataset licensing",
    "consent",
    "opt-out"
   ],
   "description": "Sprawdzanie, na jakich warunkach można pozyskać i wykorzystać dane do trenowania modeli: licencje zbiorów, regulaminy, zgody i sygnały sprzeciwu. Reguły robots.txt określają dostęp crawlera, ale same nie są licencją ani prawną autoryzacją użycia danych.",
   "description_en": "Checking the terms under which data may be collected and used for model training: dataset licences, terms of service, consent, and opt-out signals. Robots.txt rules govern crawler access but are not themselves a licence or legal authorization to use the data.",
   "examples": "Licencje komercyjne vs niekomercyjne · regulaminy serwisów · blokady crawlerów AI",
   "examples_en": "Commercial vs non-commercial licences · terms of service · AI crawler blocks",
   "plain": "To sprawdzanie, czy materiały można wykorzystać do wybranego celu i na jakich warunkach.",
   "plain_en": "This checks whether material may be used for a chosen purpose and under what conditions.",
   "solves": "Dostępne materiały mogą mieć ograniczenia użycia, których nie widać przy zwykłym przeglądaniu.",
   "solves_en": "Available material may carry usage restrictions that are not apparent when you simply browse it.",
   "does": "Sprawdza licencje, warunki udostępnienia i zgody, zapisując wymagania oraz ograniczenia dla planowanego wykorzystania danych.",
   "does_en": "It checks licences, sharing terms and consent, recording the requirements and restrictions that apply to the intended use.",
   "example": "Przed dodaniem zdjęć do zbioru sprawdzasz warunki ich użycia i zapisujesz potrzebne zgody lub ograniczenia.",
   "example_en": "Before adding photos to a collection, you check their usage terms and record any needed consent or restrictions.",
   "for_you": [
    "wykorzystujesz cudze teksty, zdjęcia lub nagrania",
    "planujesz użyć zbioru do nauki modelu"
   ],
   "for_you_en": [
    "use other people's text, photos or recordings",
    "plan to use a collection to train a model"
   ],
   "how": "Dla każdego źródła zapisuje się licencję, ograniczenia, warunki dostępu i podstawę zgody, gdy jest potrzebna. Planowane pobieranie oraz użycie porównuje się z tymi warunkami, oddzielając reguły dostępu robotów od uprawnień do treści.",
   "how_en": "Each source records its licence, restrictions, access terms and consent basis where required. Planned collection and use are checked against these conditions, separating crawler-access rules from content permissions.",
   "limits": "Licencja zbioru może nie obejmować wszystkich zawartych materiałów. Ocena zależy od pochodzenia, celu użycia i właściwego prawa; sam plik robots.txt nie rozstrzyga praw do treningu.",
   "limits_en": "A dataset licence may not cover every included item. Assessment depends on provenance, intended use and applicable law; robots.txt alone does not determine training rights.",
   "terms": [
    {
     "gloss": "Warunki określające dozwolone sposoby korzystania z chronionego materiału.",
     "term": "licencja"
    },
    {
     "gloss": "Plik z regułami dostępu dla robotów, odrębny od licencji treści.",
     "term": "robots.txt"
    }
   ],
   "terms_en": [
    {
     "gloss": "Terms specifying permitted uses of protected material.",
     "term": "licence"
    },
    {
     "gloss": "A file specifying crawler-access rules, separate from content licensing.",
     "term": "robots.txt"
    }
   ],
   "prereq": [
    "datalineage"
   ],
   "keywords": [
    "Creative Commons",
    "CC BY 4.0",
    "CC BY-NC 4.0",
    "SPDX",
    "robots.txt",
    "terms of service",
    "consent management"
   ],
   "source_ids": [
    "data-provenance-initiative-2023",
    "consent-in-crisis-2024",
    "rfc9309-robots"
   ],
   "url": "https://aiatlasgraph.com/t/datalicensing",
   "markdown_url": "https://aiatlasgraph.com/t/datalicensing.md",
   "updated": "2026-10-30"
  },
  "datalineage": {
   "id": "datalineage",
   "parent_id": "sourcing",
   "label": "Śledzenie pochodzenia danych (lineage)",
   "canonical_name": "Data lineage and traceability",
   "aliases": [
    "data provenance",
    "lineage",
    "traceability"
   ],
   "description": "Zapisywanie, skąd pochodzi każdy fragment zbioru, kto go stworzył i jak był przetwarzany — żeby dało się go audytować, poprawić lub usunąć.",
   "description_en": "Recording where each part of a dataset came from, who created it and how it was processed, so it can be audited, fixed or removed.",
   "examples": "Metadane źródła i twórców · audyt licencji · Data Provenance Explorer",
   "examples_en": "Source and creator metadata · licence audit · Data Provenance Explorer",
   "plain": "To zapisywanie, skąd pochodzą dane i co z nimi zrobiono po drodze.",
   "plain_en": "This records where data came from and what happened to it along the way.",
   "solves": "Nie potrafisz znaleźć źródła błędnego wpisu ani ustalić, gdzie trafił po przetworzeniu.",
   "solves_en": "You cannot find the source of an incorrect record or establish where it went after processing.",
   "does": "Łączy materiał źródłowy z kolejnymi przekształceniami i zbiorami, tworząc ślad pozwalający prześledzić drogę każdego przykładu.",
   "does_en": "It links source material to later transformations and collections, leaving a trail that lets you trace an example's path.",
   "example": "Odkrywasz błąd w artykule i dzięki zapisanym powiązaniom znajdujesz jego fragmenty w przygotowanym zbiorze do nauki.",
   "example_en": "You find an error in an article and use recorded links to locate its passages in a prepared training collection.",
   "for_you": [
    "łączysz i przekształcasz dane z różnych miejsc",
    "musisz odnaleźć przykłady wymagające poprawy lub usunięcia"
   ],
   "for_you_en": [
    "combine and transform data from different places",
    "need to locate examples requiring correction or removal"
   ],
   "how": "Identyfikatory źródeł i wersji wiążą próbki z transformacjami w grafie pochodzenia. Zależności pozwalają prześledzić materiał od pozyskania do zbioru treningowego i wskazać rezultaty wymagające ponownego przetworzenia.",
   "how_en": "Source and version identifiers link samples to transformations in a provenance graph. Dependencies trace material from acquisition to the training dataset and identify outputs requiring reprocessing.",
   "limits": "Śledzenie działa tylko dla zapisanych relacji. Scalanie, agregacja i brak identyfikatorów mogą zatrzeć pochodzenie, a usunięcie próbki nie oznacza automatycznego usunięcia jej wpływu z modelu.",
   "limits_en": "Tracking only covers recorded relationships. Merging, aggregation and missing identifiers can obscure origins, while deleting a sample does not automatically remove its influence from a model.",
   "terms": [
    {
     "gloss": "Sieć powiązań między źródłami, przetworzeniami i wynikowymi danymi.",
     "term": "graf pochodzenia"
    },
    {
     "gloss": "Ustalanie, które rezultaty zależą od zmienionego lub usuniętego wejścia.",
     "term": "analiza wpływu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A network linking sources, transformations and resulting data.",
     "term": "lineage graph"
    },
    {
     "gloss": "Identifying outputs that depend on a changed or deleted input.",
     "term": "impact analysis"
    }
   ],
   "prereq": [
    "dataversioning"
   ],
   "keywords": [
    "provenance graphs",
    "W3C PROV",
    "Data Provenance Explorer",
    "source attribution",
    "transformation lineage"
   ],
   "source_ids": [
    "dolma-2024",
    "data-provenance-initiative-2023",
    "tracing-data-trail-2026"
   ],
   "url": "https://aiatlasgraph.com/t/datalineage",
   "markdown_url": "https://aiatlasgraph.com/t/datalineage.md",
   "updated": "2026-10-30"
  },
  "datamixing": {
   "id": "datamixing",
   "parent_id": "dataselection",
   "label": "Dobór mieszanki danych (DoReMi, RegMix)",
   "canonical_name": "Data mixture optimisation",
   "aliases": [
    "data mixture",
    "domain weights",
    "DoReMi",
    "RegMix"
   ],
   "description": "Ustalanie, jaki udział w treningu mają mieć poszczególne źródła (strony, kod, książki, nauka), np. na podstawie małych modeli próbnych.",
   "description_en": "Setting how much each source (web, code, books, science) contributes to training, e.g. using small proxy models.",
   "examples": "Wagi domen z małego modelu (DoReMi) · regresja na wynikach wielu małych treningów (RegMix)",
   "examples_en": "Domain weights from a small proxy model (DoReMi) · regression over many small training runs (RegMix)",
   "plain": "To ustalanie, ile materiału z każdego źródła trafi do nauki modelu.",
   "plain_en": "This sets how much material from each source contributes to a model's learning.",
   "solves": "Największe źródło dominuje w nauce, choć mniejsze mogą dostarczać potrzebnych umiejętności.",
   "solves_en": "The largest source dominates learning even though smaller sources may teach important skills.",
   "does": "Próbne treningi na mniejszych modelach pomagają dobrać udziały różnych materiałów przed kosztowniejszą nauką dużego modelu.",
   "does_en": "Trial training with smaller models helps choose source proportions before more expensive training of a large model.",
   "example": "Budując model do pracy z dokumentami, porównujesz mieszanki zwykłych tekstów, instrukcji i tabel na mniejszym modelu próbnym.",
   "example_en": "When building a model for documents, you compare mixtures of ordinary text, instructions and tables using a smaller trial model.",
   "for_you": [
    "łączysz dane z kilku bardzo różnych źródeł",
    "chcesz sprawdzić proporcje przed drogim treningiem"
   ],
   "for_you_en": [
    "combine data from several very different sources",
    "want to test proportions before expensive training"
   ],
   "how": "Wagi domen wyznaczają prawdopodobieństwa pobierania dokumentów podczas treningu. Małe modele próbne lub regresja wyników eksperymentów pomagają porównać mieszanki przed użyciem ich w większym treningu.",
   "how_en": "Domain weights determine document sampling probabilities during training. Small proxy models or regression over experimental results help compare mixtures before using them in larger training runs.",
   "limits": "Wyniki małego modelu nie muszą przenosić się na większą skalę. Optymalizacja pod wybrane domeny może pogarszać pozostałe; ograniczenia obejmują dostępność danych i koszty prób.",
   "limits_en": "Small-model results may not transfer to larger scales. Optimising selected domains can hurt others; constraints include data availability and experimental costs.",
   "terms": [
    {
     "gloss": "Udział danego źródła lub typu danych w próbkowaniu treningowym.",
     "term": "waga domeny"
    },
    {
     "gloss": "Mniejszy model używany do taniego porównywania wariantów treningu.",
     "term": "model próbny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A source or data type's share in training sampling.",
     "term": "domain weight"
    },
    {
     "gloss": "A smaller model used to compare training variants cheaply.",
     "term": "proxy model"
    }
   ],
   "prereq": [
    "distributions",
    "supervised"
   ],
   "keywords": [
    "DoReMi",
    "RegMix",
    "Group DRO",
    "domain weights",
    "proxy models",
    "mixture sampling"
   ],
   "source_ids": [
    "dclm-2024",
    "doremi-2023",
    "regmix-2024"
   ],
   "url": "https://aiatlasgraph.com/t/datamixing",
   "markdown_url": "https://aiatlasgraph.com/t/datamixing.md",
   "updated": "2026-10-30"
  },
  "dataselection": {
   "id": "dataselection",
   "parent_id": "data",
   "label": "Selekcja i proporcje danych",
   "canonical_name": "Data selection and mixing",
   "aliases": [
    "data selection",
    "data curation",
    "data mixture"
   ],
   "description": "Decydowanie, które przykłady i w jakich proporcjach trafią do treningu, aby poprawić jakość modelu lub wykorzystanie budżetu, gdy źródła danych różnią się jakością i przydatnością.",
   "description_en": "Deciding which examples, and in what proportions, enter training to improve model quality or budget efficiency when data sources differ in quality and usefulness.",
   "examples": "Mieszanki domen · selekcja danych do dostrajania · mniej, ale lepszych danych",
   "examples_en": "Domain mixtures · selecting fine-tuning data · less but better data",
   "plain": "To wybieranie przykładów i ich proporcji tak, żeby materiał do nauki pasował do potrzeb modelu.",
   "plain_en": "This chooses examples and their proportions so learning material fits what the model needs to do.",
   "solves": "Uczenie na przypadkowej mieszance zajmuje czas, a potrzebne umiejętności mogą ginąć w mało przydatnych przykładach.",
   "solves_en": "Learning from a random mixture takes time, while needed skills can get lost among less useful examples.",
   "does": "Porównuje przydatność źródeł, wybiera pasujące przykłady i ustala, jak często model będzie spotykał każdy rodzaj materiału.",
   "does_en": "It compares sources, picks relevant examples and sets how often the model encounters each kind of material.",
   "example": "Przygotowujesz asystenta do odpowiedzi na zgłoszenia i dobierasz przykłady różnych spraw, żeby proste pytania nie przykryły trudniejszych.",
   "example_en": "You prepare a support assistant and select examples from different request types so simple questions do not crowd out harder cases.",
   "for_you": [
    "masz więcej materiałów, niż możesz wykorzystać do nauki",
    "źródła danych różnią się przydatnością"
   ],
   "for_you_en": [
    "have more material than you can use for learning",
    "have data sources that differ in usefulness"
   ],
   "how": "Próbkom przypisuje się oceny jakości, podobieństwa do zadania lub przewidywanego wpływu na uczenie. Selekcja i ważenie zmieniają rozkład treningowy, a niezależna walidacja porównuje strategie przy wspólnym budżecie.",
   "how_en": "Samples receive scores for quality, task similarity or expected training influence. Selection and weighting change the training distribution, while independent validation compares strategies under a shared budget.",
   "limits": "Dobór pod znany test grozi przeuczeniem procesu selekcji. Wysoki wynik lokalny może kosztować utratę różnorodności i pogorszyć zadania nieobjęte walidacją.",
   "limits_en": "Selecting for a known test risks overfitting the selection process. Strong local scores can cost diversity and harm tasks outside validation.",
   "terms": [
    {
     "gloss": "Współczynnik określający wpływ przykładu na trening.",
     "term": "waga próbki"
    },
    {
     "gloss": "Reguła punktująca lub wybierająca dane do konkretnego celu.",
     "term": "funkcja selekcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A coefficient determining an example's influence on training.",
     "term": "sample weight"
    },
    {
     "gloss": "A rule scoring or selecting data for a particular objective.",
     "term": "selection function"
    }
   ],
   "prereq": [
    "splits",
    "evalsets"
   ],
   "keywords": [
    "quality scoring",
    "importance sampling",
    "diversity sampling",
    "gradient similarity",
    "curriculum learning",
    "domain reweighting"
   ],
   "source_ids": [
    "dclm-2024",
    "data-selection-survey-2024",
    "llm-x-data-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/dataselection",
   "markdown_url": "https://aiatlasgraph.com/t/dataselection.md",
   "updated": "2026-10-30"
  },
  "datasetdiscovery": {
   "id": "datasetdiscovery",
   "parent_id": "sourcing",
   "label": "Wyszukiwanie i ocena gotowych zbiorów danych",
   "canonical_name": "Finding and assessing public datasets",
   "aliases": [
    "dataset discovery",
    "dataset hubs",
    "dataset catalogues",
    "huby zbiorów danych"
   ],
   "description": "Korzystanie z hubów i katalogów zbiorów danych oraz ich metadanych (karty zbiorów, Croissant) do wyboru, inspekcji i ładowania danych.",
   "description_en": "Using dataset hubs, catalogues and their metadata (dataset cards, Croissant) to select, inspect and load data.",
   "plain": "Znajdowanie gotowych, otwartych zbiorów danych do swojego zadania i sprawdzanie, czy naprawdę się nadają, zanim je pobierzesz.",
   "plain_en": "Finding ready-made open datasets for your task and checking whether they really fit before you download them.",
   "solves": "Zbieranie danych od zera trwa miesiącami, a pobrany na ślepo zbiór może mieć złą licencję, błędy albo inny format.",
   "solves_en": "Collecting data from scratch takes months, and a dataset grabbed blindly may have the wrong licence, errors or format.",
   "does": "Jak czytanie etykiety i składu przed zakupem: opis zbioru mówi, skąd dane są, jak je podzielono i do czego wolno ich użyć.",
   "does_en": "Like reading the label and ingredients before buying: the dataset's description says where data came from, how it is split and what use is allowed.",
   "example": "Szukasz nagrań polskiej mowy, przeglądasz opisy kilku zbiorów i wybierasz ten z licencją na użytek komercyjny.",
   "example_en": "You look for recordings of Polish speech, compare several dataset descriptions and pick the one licensed for commercial use.",
   "for_you": [
    "zaczynasz projekt i nie masz własnych danych",
    "chcesz porównać model z innymi na tych samych danych"
   ],
   "for_you_en": [
    "are starting a project without your own data",
    "want to compare a model with others on the same data"
   ],
   "how": "Huby i wyszukiwarki indeksują zbiory z kartami opisującymi pochodzenie, podziały, cechy i licencję. Biblioteki pozwalają podejrzeć metadane, konfiguracje i podziały bez pobierania całości, a dane wczytać strumieniowo. Format Croissant opisuje zbiór maszynowo czytelnym JSON-LD, więc da się go załadować w różnych frameworkach.",
   "how_en": "Hubs and search engines index datasets with cards describing provenance, splits, features and licence. Libraries let you inspect metadata, configurations and splits without a full download, and stream the data. The Croissant format describes a dataset in machine-readable JSON-LD, so it loads across frameworks.",
   "limits": "Karty bywają niepełne lub nieaktualne, a deklarowana licencja nie zawsze odpowiada prawom do treści w środku. Popularne zbiory testowe mogą już być w danych treningowych modeli, z którymi się porównujesz.",
   "limits_en": "Cards are often incomplete or outdated, and a declared licence does not always match the rights to the content inside. Popular test sets may already be in the training data of models you compare against.",
   "terms": [
    {
     "gloss": "Opis zbioru danych: skład, pochodzenie, licencja, znane ograniczenia.",
     "term": "karta zbioru"
    },
    {
     "gloss": "Wariant zbioru, np. jedna wersja językowa w zbiorze wielojęzycznym.",
     "term": "konfiguracja"
    },
    {
     "gloss": "Format zapisu metadanych zrozumiały dla programów i wyszukiwarek.",
     "term": "JSON-LD"
    }
   ],
   "terms_en": [
    {
     "gloss": "Dataset description: contents, provenance, licence, known limitations.",
     "term": "dataset card"
    },
    {
     "gloss": "A dataset variant, e.g. one language subset of a multilingual set.",
     "term": "configuration"
    },
    {
     "gloss": "Metadata format readable by programs and search engines.",
     "term": "JSON-LD"
    }
   ],
   "prereq": [
    "datalicensing"
   ],
   "keywords": [
    "Hugging Face Hub",
    "Croissant",
    "Kaggle Datasets",
    "Google Dataset Search",
    "OpenML",
    "Papers with Code datasets",
    "load_dataset",
    "dataset cards"
   ],
   "source_ids": [
    "hf-datasets-load-hub",
    "akhtar-2024-croissant"
   ],
   "url": "https://aiatlasgraph.com/t/datasetdiscovery",
   "markdown_url": "https://aiatlasgraph.com/t/datasetdiscovery.md",
   "updated": "2026-10-30"
  },
  "datashapley": {
   "id": "datashapley",
   "parent_id": "datavaluation",
   "label": "Wycena danych wartością Shapleya (Data Shapley)",
   "canonical_name": "Data Shapley valuation",
   "aliases": [
    "Data Shapley",
    "data valuation with Shapley values",
    "wycena danych wartością Shapleya"
   ],
   "description": "Wartość Shapleya z kooperacyjnej teorii gier zastosowana do przykładów treningowych, szacowana próbkowaniem Monte Carlo lub gradientowo.",
   "description_en": "The cooperative-game Shapley value applied to training examples, estimated by Monte Carlo sampling or gradient methods.",
   "plain": "Przypisywanie każdemu przykładowi treningowemu wartości według tego, ile średnio poprawia model w różnych zestawach danych.",
   "plain_en": "Assigning each training example a value by how much it improves the model on average across many data mixes.",
   "solves": "Nie wiadomo, za które dane warto płacić, a które psują model, bo wkład jednego przykładu zależy od reszty zbioru.",
   "solves_en": "It is unclear which data is worth paying for and which harms the model, because one example's value depends on the rest.",
   "does": "Jak podział nagrody w drużynie: sprawdza, ile wynik rośnie, gdy przykład dołącza do różnych losowych składów.",
   "does_en": "Like splitting a team prize: it checks how much the score rises when an example joins many random line-ups.",
   "example": "Szpital sprzedający dane do modelu diagnostycznego dostaje rozliczenie, które rekordy pomogły, a które były błędne.",
   "example_en": "A hospital selling data for a diagnostic model gets a breakdown of which records helped and which were faulty.",
   "for_you": [
    "kupujesz lub sprzedajesz dane do trenowania",
    "chcesz odchudzić zbiór bez utraty jakości"
   ],
   "for_you_en": [
    "buy or sell data for training",
    "want to slim a dataset without losing quality"
   ],
   "how": "Wynik modelu na zbiorze walidacyjnym traktuje się jak wypłatę koalicji przykładów. Wartość przykładu to średni przyrost wyniku po dodaniu go do losowych permutacji danych; w praktyce próbkuje się permutacje z obcinaniem albo używa przybliżeń, np. dla k-najbliższych sąsiadów. Niska wartość wskazuje odstające lub uszkodzone przykłady.",
   "how_en": "Model performance on a validation set is treated as the payoff of a coalition of examples. An example's value is its average marginal gain when added to random data permutations; in practice truncated permutation sampling or approximations such as k-nearest-neighbour are used. Low values flag outliers and corrupted examples.",
   "limits": "Dokładne obliczenie wymaga wykładniczo wielu treningów, więc przybliżenia są kosztowne i szumne. Wartość zależy od wybranego modelu i metryki, a nie jest obiektywną ceną rynkową danych.",
   "limits_en": "Exact computation needs exponentially many trainings, so approximations are costly and noisy. The value depends on the chosen model and metric and is not an objective market price for data.",
   "terms": [
    {
     "gloss": "O ile poprawia się wynik, gdy dodamy jeden przykład do zbioru.",
     "term": "wkład krańcowy"
    },
    {
     "gloss": "Szacowanie średniej przez losowanie wielu przypadków zamiast liczenia wszystkich.",
     "term": "Monte Carlo"
    }
   ],
   "terms_en": [
    {
     "gloss": "How much the score improves when one example is added.",
     "term": "marginal contribution"
    },
    {
     "gloss": "Estimating an average by sampling many cases instead of enumerating all.",
     "term": "Monte Carlo"
    }
   ],
   "prereq": [
    "shapleyvalue"
   ],
   "keywords": [
    "TMC-Shapley",
    "KNN-Shapley",
    "Beta Shapley",
    "Data Banzhaf",
    "OpenDataVal",
    "leave-one-out"
   ],
   "source_ids": [
    "ghorbani-zou-2019-datashapley"
   ],
   "url": "https://aiatlasgraph.com/t/datashapley",
   "markdown_url": "https://aiatlasgraph.com/t/datashapley.md",
   "updated": "2026-10-30"
  },
  "datavalidation": {
   "id": "datavalidation",
   "parent_id": "pipelines",
   "label": "Walidacja i testy danych",
   "canonical_name": "Data validation and testing",
   "aliases": [
    "data validation",
    "data tests",
    "Great Expectations",
    "schema"
   ],
   "description": "Automatyczne sprawdzanie, czy dane wejściowe mają oczekiwany schemat, zakresy i rozkłady, zanim trafią do treningu lub modelu w produkcji.",
   "description_en": "Automatically checking that incoming data has the expected schema, ranges and distributions before it reaches training or a production model.",
   "examples": "Schemat danych · asercje (Great Expectations) · rozjazd danych treningowych i produkcyjnych",
   "examples_en": "Data schema · assertions (Great Expectations) · training/serving skew",
   "plain": "To automatyczne sprawdzanie danych, zanim trafią do uczenia lub działającego modelu.",
   "plain_en": "This automatically checks data before it reaches model training or a working model.",
   "solves": "Brakujące pola, błędne wartości lub nagła zmiana danych mogą zepsuć wyniki, choć program nadal działa.",
   "solves_en": "Missing fields, incorrect values or sudden data changes can spoil results even while the software keeps running.",
   "does": "Sprawdza wymagane pola, dopuszczalne wartości i niespodziewane zmiany proporcji danych, a niezgodności kieruje do wyjaśnienia.",
   "does_en": "It checks required fields, allowed values and collection patterns, then flags mismatches for investigation.",
   "example": "Przed uruchomieniem prognozy program zauważa, że nowy plik zamówień nie zawiera dat, i zgłasza problem do sprawdzenia.",
   "example_en": "Before running a forecast, software notices that a new order file lacks dates and flags the problem for review.",
   "for_you": [
    "model otrzymuje regularnie nowe pliki lub wpisy",
    "chcesz wykrywać problemy, zanim wpłyną na odpowiedzi"
   ],
   "for_you_en": [
    "have a model receiving new files or records regularly",
    "want problems caught before they affect answers"
   ],
   "how": "Kontrakt danych definiuje schemat, zakresy i relacje między polami. Testy porównują bieżące statystyki z oczekiwaniami lub próbką referencyjną, blokując albo oznaczając partie z naruszeniami.",
   "how_en": "A data contract defines schemas, ranges and relationships between fields. Tests compare current statistics with expectations or a reference sample, blocking or flagging batches with violations.",
   "limits": "Zgodny schemat nie dowodzi poprawności znaczenia. Progi rozkładów muszą uwzględniać sezonowość i wielokrotne porównania, aby nie mylić zwykłych zmian z błędem.",
   "limits_en": "Schema compliance does not prove semantic correctness. Distribution thresholds must account for seasonality and multiple comparisons to avoid mistaking normal changes for errors.",
   "terms": [
    {
     "gloss": "Zapis oczekiwanej struktury i warunków poprawności danych.",
     "term": "kontrakt danych"
    },
    {
     "gloss": "Dane stanowiące punkt odniesienia dla porównań jakości i rozkładów.",
     "term": "próbka referencyjna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A specification of expected structure and data-validity conditions.",
     "term": "data contract"
    },
    {
     "gloss": "Data serving as a baseline for quality and distribution comparisons.",
     "term": "reference sample"
    }
   ],
   "prereq": [
    "distributions",
    "hypothesistesting"
   ],
   "keywords": [
    "Great Expectations",
    "schema checks",
    "data contracts",
    "training-serving skew",
    "distribution tests",
    "data assertions"
   ],
   "source_ids": [
    "breck-data-validation-2019",
    "great-expectations-docs"
   ],
   "url": "https://aiatlasgraph.com/t/datavalidation",
   "markdown_url": "https://aiatlasgraph.com/t/datavalidation.md",
   "updated": "2026-10-30"
  },
  "datavaluation": {
   "id": "datavaluation",
   "parent_id": "data",
   "label": "Atrybucja i wycena danych treningowych",
   "canonical_name": "Training data attribution and valuation",
   "aliases": [
    "data attribution",
    "data valuation",
    "training data attribution",
    "TDA",
    "wycena danych"
   ],
   "description": "Metody szacujące wpływ przykładów treningowych na predykcje lub ich wartość dla jakości modelu, m.in. funkcje wpływu, TRAK i wartości Shapleya.",
   "description_en": "Methods estimating the influence of training examples on predictions or their value for model quality, including influence functions, TRAK and Shapley values.",
   "plain": "Szacowanie, które przykłady z materiału treningowego były najbardziej związane z konkretną odpowiedzią modelu i jak wpływają na jego jakość.",
   "plain_en": "Estimating which training examples were most associated with a model response and how they affect model quality.",
   "solves": "Gdy model się myli, trudno wskazać przykłady treningowe najbardziej związane z błędem ani ocenić, które dane poprawiają wybraną metrykę.",
   "solves_en": "When a model errs, it is hard to identify the training examples most associated with the error or estimate which data improves a chosen metric.",
   "does": "Jak księgowy rozliczający wkład wspólników: każdemu przykładowi przypisuje udział w wyniku, dodatni lub ujemny.",
   "does_en": "Like an accountant settling partners' shares: each example gets a stake in the result, positive or negative.",
   "example": "Asystent podał błędną radę, a analiza wskazuje garść stron z forum, które go tego nauczyły i warto je usunąć.",
   "example_en": "An assistant gave wrong advice, and the analysis points to a handful of forum pages that taught it this and should go.",
   "for_you": [
    "chcesz wiedzieć, skąd model wziął konkretną odpowiedź",
    "płacisz za dane i chcesz wiedzieć, które się opłacają",
    "szukasz zepsutych przykładów w dużym zbiorze"
   ],
   "for_you_en": [
    "want to know where a model got a specific answer",
    "pay for data and want to know which pays off",
    "hunt for broken examples in a large dataset"
   ],
   "how": "Atrybucja szacuje, jak zmieniłaby się predykcja po usunięciu lub przeważeniu danego przykładu. Dokładna odpowiedź wymaga ponownego trenowania, więc przybliża się ją gradientami i hesjanem (funkcje wpływu), losowo rzutowanymi gradientami (TRAK) albo wielokrotnym próbkowaniem koalicji danych (Data Shapley). Wycena agreguje taki wkład do liczby zależnej od modelu i metryki.",
   "how_en": "Attribution estimates how a prediction would change if an example were removed or reweighted. The exact answer requires retraining, so it is approximated with gradients and the Hessian (influence functions), randomly projected gradients (TRAK), or repeated sampling of data coalitions (Data Shapley). Valuation aggregates such contributions into a number tied to a model and metric.",
   "limits": "W głębokich, niewypukłych sieciach przybliżenia bywają niestabilne i zależne od ziarna losowego. Dla dużych modeli językowych koszty są wysokie, a wynik wskazuje korelację z danymi, nie dowód prawny pochodzenia.",
   "limits_en": "In deep, non-convex networks the approximations can be unstable and seed-dependent. For large language models the cost is high, and results show association with data, not legal proof of provenance.",
   "terms": [
    {
     "gloss": "Wpływ przykładu mierzony różnicą wyniku po jego usunięciu i ponownym treningu.",
     "term": "leave-one-out"
    },
    {
     "gloss": "Przybliżenie efektu usunięcia lub przeważenia przykładu bez pełnego ponownego treningu.",
     "term": "funkcja wpływu"
    }
   ],
   "terms_en": [
    {
     "gloss": "An example's effect measured by retraining without it and comparing results.",
     "term": "leave-one-out"
    },
    {
     "gloss": "Approximation of removing or reweighting an example without full retraining.",
     "term": "influence function"
    }
   ],
   "prereq": [
    "featureattribution",
    "shapleyvalue"
   ],
   "keywords": [
    "influence functions",
    "TRAK",
    "Data Shapley",
    "EK-FAC",
    "LoGra",
    "data markets",
    "dattri"
   ],
   "source_ids": [
    "park-2023-trak",
    "koh-liang-2017-influence",
    "ghorbani-zou-2019-datashapley"
   ],
   "url": "https://aiatlasgraph.com/t/datavaluation",
   "markdown_url": "https://aiatlasgraph.com/t/datavaluation.md",
   "updated": "2026-10-30"
  },
  "dataversioning": {
   "id": "dataversioning",
   "parent_id": "pipelines",
   "label": "Wersjonowanie zbiorów danych",
   "canonical_name": "Dataset versioning",
   "aliases": [
    "DVC",
    "data version control"
   ],
   "description": "Zapisywanie kolejnych wersji danych tak jak kodu, żeby każdy model dało się powiązać z dokładnym zbiorem, na którym powstał.",
   "description_en": "Keeping versions of data the way you keep versions of code, so every model can be tied to the exact dataset it was built on.",
   "examples": "DVC · wersje zbiorów w repozytorium · rejestr danych",
   "examples_en": "DVC · dataset versions in the repo · data registry",
   "plain": "To zachowywanie kolejnych wersji zbioru, żeby wiedzieć, na jakich danych powstał model.",
   "plain_en": "This keeps versions of a collection so you know exactly which data produced a model.",
   "solves": "Po poprawkach w danych nie potrafisz odtworzyć wcześniejszego wyniku ani ustalić, co zmieniło zachowanie modelu.",
   "solves_en": "After data edits, you cannot reproduce an earlier result or establish what changed the model's behaviour.",
   "does": "Nadaje wersjom osobne oznaczenia i zapisuje zmiany, wiążąc każdy trening z konkretną wersją materiałów.",
   "does_en": "It gives versions distinct identifiers and records changes, linking each training run to a particular version of the material.",
   "example": "Poprawiasz błędne oznaczenia opinii, zapisujesz nową wersję zbioru i możesz porównać modele uczone przed poprawką oraz po niej.",
   "example_en": "You fix incorrect review labels, save a new collection version and compare models trained before and after the correction.",
   "for_you": [
    "zmieniasz dane między kolejnymi próbami",
    "chcesz ustalić, z jakiego zbioru korzystał model"
   ],
   "for_you_en": [
    "change data between successive attempts",
    "want to identify which collection a model used"
   ],
   "how": "Manifesty wskazują konkretne pliki, ich skróty i wersje transformacji. Duże artefakty przechowuje się oddzielnie od lekkich metadanych, które wiążą eksperyment z dokładnym stanem zbioru.",
   "how_en": "Manifests identify specific files, their hashes and transformation versions. Large artifacts are stored separately from lightweight metadata linking an experiment to the exact dataset state.",
   "limits": "Wersjonowanie nie naprawia danych ani nie gwarantuje dostępności starych plików. Potrzebne są retencja, kontrola dostępu i zapis zależności, zwłaszcza gdy źródło można usunąć.",
   "limits_en": "Versioning neither repairs data nor guarantees old files remain available. Retention, access controls and dependency records are needed, especially when sources can be deleted.",
   "terms": [
    {
     "gloss": "Spis plików i identyfikatorów tworzących konkretną wersję zbioru.",
     "term": "manifest"
    },
    {
     "gloss": "Identyfikator wyliczany z zawartości pliku, pomagający wykrywać zmiany.",
     "term": "skrót treści"
    }
   ],
   "terms_en": [
    {
     "gloss": "A list of files and identifiers forming a particular dataset version.",
     "term": "manifest"
    },
    {
     "gloss": "An identifier computed from file contents to help detect changes.",
     "term": "content hash"
    }
   ],
   "prereq": [
    "experimenttracking",
    "datalineage"
   ],
   "keywords": [
    "DVC",
    "dataset manifests",
    "content hashes",
    "data registries",
    "content-addressed storage"
   ],
   "source_ids": [
    "dvc-docs"
   ],
   "url": "https://aiatlasgraph.com/t/dataversioning",
   "markdown_url": "https://aiatlasgraph.com/t/dataversioning.md",
   "updated": "2026-10-30"
  },
  "dda": {
   "id": "dda",
   "parent_id": "playermodeling",
   "label": "Dynamiczne dopasowanie trudności",
   "canonical_name": "Dynamic difficulty adjustment (DDA)",
   "aliases": [
    "dynamic difficulty adjustment",
    "DDA",
    "adaptive difficulty",
    "dynamic game difficulty balancing",
    "adaptacyjna trudność",
    "dopasowanie poziomu trudności"
   ],
   "description": "Bieżące dostosowywanie parametrów gry do umiejętności lub stanu emocjonalnego gracza, oszacowanych z wyników rozgrywki lub sygnałów fizjologicznych.",
   "description_en": "Real-time tuning of game parameters to the player's skill or emotional state, estimated from gameplay performance or physiological signals.",
   "plain": "Gra sama, w trakcie rozgrywki, robi się trochę łatwiejsza albo trudniejsza, zależnie od tego, jak ci idzie.",
   "plain_en": "The game itself gets a little easier or harder during play, depending on how you are doing.",
   "solves": "Jeden poziom trudności dla wszystkich sprawia, że początkujący odpadają z frustracji, a doświadczeni ziewają z nudów.",
   "solves_en": "One difficulty for everyone makes beginners quit in frustration while experienced players yawn with boredom.",
   "does": "Jak dobry trener tenisa, który odbija piłkę tak, żeby uczeń ledwo, ale jednak ją odbierał.",
   "does_en": "Like a good tennis coach who hits the ball so the student can just barely return it.",
   "example": "Po trzeciej porażce z bossem gra po cichu daje ci więcej apteczek, a gdy wygrywasz bez straty życia, przysyła silniejszych wrogów.",
   "example_en": "After your third loss to a boss the game quietly gives you more health packs, and when you win flawlessly it sends tougher enemies.",
   "for_you": [
    "projektujesz grę dla graczy o różnych umiejętnościach",
    "tworzysz aplikację edukacyjną lub treningową"
   ],
   "for_you_en": [
    "design a game for players of mixed skill",
    "build a learning or training app"
   ],
   "how": "System mierzy wskaźniki gry, np. trafienia, czas reakcji, zdrowie i wygrane, a czasem sygnały z czujników, jak tętno czy przewodnictwo skóry. Na tej podstawie model ocenia umiejętność lub stan gracza i zmienia siłę oraz liczbę wrogów, zasoby albo tempo.",
   "how_en": "The system tracks game metrics such as hits, reaction time, health and wins, and sometimes sensor signals such as heart rate or skin conductance. A model estimates the player's skill or state and changes enemy strength and numbers, resources or pace.",
   "limits": "Gracze często wyczuwają ukryte zmiany i odbierają je jako niesprawiedliwe lub odbierające satysfakcję z wygranej. Sygnały fizjologiczne są szumne i wymagają kalibracji. Mechanizm można też nadużyć, by wydłużać sesje lub zachęcać do zakupów.",
   "limits_en": "Players often sense hidden changes and find them unfair or robbing wins of satisfaction. Physiological signals are noisy and need calibration. The mechanism can also be abused to lengthen sessions or push purchases.",
   "terms": [
    {
     "gloss": "Pełne zaangażowanie, gdy wyzwanie pasuje do umiejętności.",
     "term": "stan przepływu"
    },
    {
     "gloss": "Zmiana trudności na podstawie wyników w grze.",
     "term": "adaptacja wydajnościowa"
    },
    {
     "gloss": "Zmiana trudności na podstawie odczytanych emocji gracza.",
     "term": "adaptacja afektywna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Full engagement when challenge matches skill.",
     "term": "flow state"
    },
    {
     "gloss": "Changing difficulty from in-game results.",
     "term": "performance-based adaptation"
    },
    {
     "gloss": "Changing difficulty from the player's sensed emotions.",
     "term": "affective adaptation"
    }
   ],
   "prereq": [
    "supervised"
   ],
   "keywords": [
    "dynamic difficulty adjustment",
    "flow theory",
    "rubber banding",
    "AI Director",
    "affective computing",
    "player skill estimation"
   ],
   "source_ids": [
    "fisher-kulshreshth-dda-2025"
   ],
   "url": "https://aiatlasgraph.com/t/dda",
   "markdown_url": "https://aiatlasgraph.com/t/dda.md",
   "updated": "2026-10-30"
  },
  "ddim": {
   "id": "ddim",
   "parent_id": "fewstepdiffusion",
   "label": "Szybsze samplery bez ponownego treningu (DDIM, solvery ODE)",
   "canonical_name": "Fast training-free samplers (DDIM, ODE solvers)",
   "aliases": [
    "DDIM",
    "denoising diffusion implicit models",
    "DPM-Solver",
    "probability flow ODE",
    "deterministic sampling",
    "sampler"
   ],
   "description": "Deterministyczne lub mniej losowe procedury próbkowania dla wytrenowanych modeli dyfuzyjnych, oparte na niemarkowskim procesie i solverach równań przepływu prawdopodobieństwa.",
   "description_en": "Deterministic or less stochastic sampling procedures for trained diffusion models, based on non-Markovian processes and probability-flow ODE solvers.",
   "plain": "Sprytniejszy sposób odszumiania, który pozwala już wytrenowanemu modelowi stworzyć obraz w kilkudziesięciu krokach zamiast w tysiącu.",
   "plain_en": "A smarter way of denoising that lets an already trained model create an image in dozens of steps instead of a thousand.",
   "solves": "Pierwsze modele dyfuzyjne potrzebowały setek przejść sieci na jeden obraz, a ponowny trening, by to skrócić, jest bardzo drogi.",
   "solves_en": "Early diffusion models needed hundreds of network passes per image, and retraining to shorten that is very expensive.",
   "does": "Jak schodzenie z góry dużymi, przemyślanymi krokami zamiast drobnych kroczków: ta sama ścieżka, mniej przystanków.",
   "does_en": "Like descending a mountain in large, well-judged strides rather than tiny shuffles: the same trail, fewer stops.",
   "example": "W programie do generowania obrazów zmieniasz ustawienie „liczba kroków” na mniejszą i obraz pojawia się kilka razy szybciej.",
   "example_en": "In an image-generation program you lower the ‘number of steps’ setting and the image appears several times faster.",
   "for_you": [
    "widzisz w generatorze obrazów wybór samplera lub kroków",
    "chcesz przyspieszyć gotowy model bez trenowania"
   ],
   "for_you_en": [
    "see a sampler or step setting in an image generator",
    "want to speed up a ready model without training"
   ],
   "how": "DDIM definiuje niemarkowski proces zaszumiania z tą samą funkcją celu co DDPM, więc używa tego samego modelu, ale pozwala przeskakiwać kroki i próbkować deterministycznie. Nowsze solvery wyższego rzędu, np. DPM-Solver, rozwiązują równanie przepływu prawdopodobieństwa dokładniej, osiągając dobrą jakość w 10–20 krokach.",
   "how_en": "DDIM defines a non-Markovian noising process with the same training objective as DDPM, so it reuses the same model while allowing skipped steps and deterministic sampling. Newer higher-order solvers such as DPM-Solver integrate the probability-flow ODE more accurately, reaching good quality in 10–20 steps.",
   "limits": "Przyspieszenie bez ponownego treningu nadal przybliża trajektorię odszumiania: mniejsza liczba wywołań sieci oznacza większe kroki i może obniżać jakość. Wyniki zależą od wybranego solvera oraz harmonogramu kroków.",
   "limits_en": "Training-free acceleration still approximates the denoising trajectory: fewer network evaluations mean larger steps and can reduce quality. Results depend on the chosen solver and step schedule.",
   "terms": [
    {
     "gloss": "Każdy krok może zależeć od początkowych danych, nie tylko od poprzedniego kroku.",
     "term": "proces niemarkowski"
    },
    {
     "gloss": "Deterministyczne równanie opisujące drogę od szumu do danych dla modelu dyfuzyjnego.",
     "term": "ODE dyfuzji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Each step can depend on the original data, not only on the previous step.",
     "term": "non-Markovian process"
    },
    {
     "gloss": "A deterministic equation describing the path from noise to data for a diffusion model.",
     "term": "diffusion ODE"
    }
   ],
   "prereq": [
    "calculus"
   ],
   "keywords": [
    "DDIM",
    "DPM-Solver",
    "diffusion ODE",
    "high-order solver",
    "training-free sampling",
    "noise schedule"
   ],
   "source_ids": [
    "song-ddim-2020",
    "lu-dpmsolver-2022"
   ],
   "url": "https://aiatlasgraph.com/t/ddim",
   "markdown_url": "https://aiatlasgraph.com/t/ddim.md",
   "updated": "2026-10-30"
  },
  "ddpgtd3": {
   "id": "ddpgtd3",
   "parent_id": "rlalgorithms",
   "label": "Deterministyczne gradienty polityki",
   "canonical_name": "Deterministic policy-gradient methods",
   "aliases": [
    "deterministic policy gradient",
    "DPG"
   ],
   "description": "Off-policy metody aktor–krytyk dla akcji ciągłych z deterministycznym aktorem; TD3 dodaje poprawki ograniczające przeszacowanie wartości w DDPG.",
   "description_en": "Off-policy actor–critic methods for continuous actions with a deterministic actor; TD3 adds fixes that curb DDPG's value overestimation.",
   "plain": "Metoda uczenia płynnego sterowania, w której program od razu wskazuje jedną konkretną wartość, np. jak mocno skręcić kierownicą.",
   "plain_en": "A method for learning smooth control where the program names one exact value right away, such as how far to turn a wheel.",
   "solves": "Przy płynnym sterowaniu nie da się sprawdzić wszystkich możliwych ruchów, a zbyt optymistyczne oceny prowadzą agenta na manowce.",
   "solves_en": "In smooth control you cannot check every possible movement, and overly optimistic estimates lead the agent astray.",
   "does": "Jak pilot, który pyta dwóch ostrożnych doradców i słucha bardziej sceptycznego, a kurs zmienia rzadziej niż dostaje opinie.",
   "does_en": "Like a pilot who consults two cautious advisers and heeds the more sceptical one, adjusting course less often than advice arrives.",
   "example": "Symulowane ramię robota uczy się płynnie przesuwać kubek po stole, dobierając dokładne napięcie każdego silnika.",
   "example_en": "A simulated robot arm learns to slide a cup smoothly across a table by choosing the exact voltage for each motor.",
   "for_you": [
    "sterujesz silnikami, kierownicą lub innymi płynnymi wartościami",
    "chcesz ponownie wykorzystywać zebrane wcześniej doświadczenia"
   ],
   "for_you_en": [
    "you control motors, steering or other continuous values",
    "you want to reuse previously collected experience"
   ],
   "how": "Aktor wyznacza akcję deterministycznie, a jego gradient płynie przez krytyka Q względem akcji; eksplorację zapewnia dodany szum. TD3 bierze minimum z dwóch krytyków w celu (clipped double Q), aktualizuje aktora rzadziej niż krytyka i wygładza akcję docelową szumem.",
   "how_en": "The actor outputs an action deterministically and its gradient flows through the Q critic with respect to the action; exploration comes from added noise. TD3 takes the minimum of two critics in the target (clipped double Q), updates the actor less often than the critic and smooths the target action with noise.",
   "limits": "Działa tylko dla akcji ciągłych. Eksploracja szumem bywa słaba w zadaniach z rzadką nagrodą, a metoda jest wrażliwa na hiperparametry; w praktyce często konkuruje z SAC.",
   "limits_en": "It works only for continuous actions. Noise-based exploration is weak with sparse rewards and the method is sensitive to hyperparameters; in practice it often competes with SAC.",
   "terms": [
    {
     "gloss": "Systematyczne zawyżanie ocen działań przez maksymalizację nad zaszumionymi szacunkami.",
     "term": "overestimation bias"
    },
    {
     "gloss": "Branie mniejszej z dwóch ocen, żeby nie być zbyt optymistycznym.",
     "term": "clipped double Q"
    },
    {
     "gloss": "Wolniej zmieniana kopia sieci, stabilizująca cele uczenia.",
     "term": "target network"
    }
   ],
   "terms_en": [
    {
     "gloss": "Systematic inflation of action values from maximising over noisy estimates.",
     "term": "overestimation bias"
    },
    {
     "gloss": "Taking the smaller of two estimates to avoid over-optimism.",
     "term": "clipped double Q"
    },
    {
     "gloss": "A slowly updated network copy that stabilises learning targets.",
     "term": "target network"
    }
   ],
   "prereq": [
    "policygradient",
    "qlearning"
   ],
   "keywords": [
    "DDPG",
    "TD3",
    "DPG",
    "clipped double Q-learning",
    "target policy smoothing",
    "Ornstein-Uhlenbeck noise",
    "MuJoCo",
    "Stable-Baselines3"
   ],
   "source_ids": [
    "td3-2018"
   ],
   "url": "https://aiatlasgraph.com/t/ddpgtd3",
   "markdown_url": "https://aiatlasgraph.com/t/ddpgtd3.md",
   "updated": "2026-10-30"
  },
  "ddpm": {
   "id": "ddpm",
   "parent_id": "diffusion",
   "label": "Zaszumianie i odszumianie krok po kroku (DDPM)",
   "canonical_name": "Forward noising and learned denoising (DDPM)",
   "aliases": [
    "DDPM",
    "denoising diffusion",
    "forward diffusion",
    "reverse diffusion",
    "noise schedule"
   ],
   "description": "Podstawowa konstrukcja probabilistycznych modeli dyfuzyjnych: proces w przód stopniowo dodaje szum do danych, a model uczy się odwracać zaszumianie, często przez przewidywanie dodanego szumu. Liczba kroków próbkowania wpływa na koszt i jakość, a osobne techniki szybszego próbkowania lub destylacji mogą ją zmniejszać.",
   "description_en": "The basic construction of denoising diffusion probabilistic models: a forward process gradually adds noise to data, while a model learns to reverse the corruption, often by predicting the added noise. Sampling-step count affects cost and quality, and separate fast-sampling or distillation techniques can reduce it.",
   "examples": "harmonogram szumu · przewidywanie szumu · odwrócony proces dyfuzji",
   "examples_en": "noise schedule · noise prediction · reverse diffusion process",
   "plain": "To konstrukcja generatora uczącego się odwracać stopniowe dodawanie losowego szumu do danych.",
   "plain_en": "This generator design learns to reverse the gradual addition of random noise to data.",
   "solves": "Potrzebujesz jasnego ćwiczenia, które nauczy model przejścia od losowych plam do wiarygodnego obrazu.",
   "solves_en": "You need a clear training exercise that teaches a model to move from random patches to a convincing image.",
   "does": "Trening dodaje szum o różnej sile do przykładów, a sieć uczy się wskazywać go lub przewidywać mniej zaszumioną wersję.",
   "does_en": "Training adds noise at different strengths to examples, and a network learns to identify it or predict a less noisy version.",
   "example": "Podczas uczenia generator ogląda zaszumione zdjęcie kwiatu i ćwiczy poprawkę potrzebną do jego odtworzenia.",
   "example_en": "During training, a generator sees a noisy flower photo and practises the correction needed to reconstruct it.",
   "for_you": [
    "poznajesz podstawy generatorów dyfuzyjnych",
    "chcesz rozumieć ich ćwiczenia treningowe"
   ],
   "for_you_en": [
    "study the basics of diffusion generators",
    "want to understand their training exercises"
   ],
   "how": "Ustalony proces Markowa dodaje szum gaussowski, pozwalając bezpośrednio uzyskać próbkę na wybranym poziomie. Sieć przewiduje szum lub równoważną wielkość, a wyuczony proces odwrotny stopniowo przekształca początkowy szum w dane.",
   "how_en": "A fixed Markov process adds Gaussian noise, allowing direct sampling at a selected level. A network predicts noise or an equivalent quantity, and the learned reverse process gradually transforms initial noise into data.",
   "limits": "Przybliżenie odwrotnych przejść i liczba kroków wpływają na błędy oraz koszt. Inny sampler może przyspieszyć generowanie, ale wymaga oceny jakości i zgodności z parametryzacją modelu.",
   "limits_en": "Approximated reverse transitions and step counts affect errors and cost. Alternative samplers can accelerate generation but require quality and model-parameterisation checks.",
   "terms": [
    {
     "gloss": "Ustalona procedura stopniowego zaszumiania przykładów danych.",
     "term": "proces w przód"
    },
    {
     "gloss": "Wyuczony mechanizm rekonstruujący dane z zaszumionych stanów.",
     "term": "proces odwrotny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A fixed procedure for progressively adding noise to data examples.",
     "term": "forward process"
    },
    {
     "gloss": "A learned mechanism reconstructing data from noisy states.",
     "term": "reverse process"
    }
   ],
   "prereq": [
    "distributions",
    "lossfunctions"
   ],
   "keywords": [
    "variance schedules",
    "epsilon prediction",
    "forward diffusion",
    "reverse diffusion",
    "noise estimation"
   ],
   "source_ids": [
    "ddpm-2020",
    "lilianweng-diffusion-2021",
    "hf-diffusion-course"
   ],
   "url": "https://aiatlasgraph.com/t/ddpm",
   "markdown_url": "https://aiatlasgraph.com/t/ddpm.md",
   "updated": "2026-10-30"
  },
  "deadlytriad": {
   "id": "deadlytriad",
   "parent_id": "rlbasics",
   "label": "„Śmiertelna triada” w RL",
   "canonical_name": "The deadly triad in reinforcement learning",
   "aliases": [
    "deadly triad",
    "śmiertelna triada",
    "zabójcza triada"
   ],
   "description": "Uogólnianie funkcji wartości przez aproksymatory oraz niestabilność wynikająca z połączenia aproksymacji, bootstrappingu i uczenia off-policy.",
   "description_en": "Generalising value functions with approximators, and the instability arising from combining approximation, bootstrapping and off-policy learning.",
   "plain": "Gdy oceny sytuacji liczy aproksymator, pewne połączenie sposobów uczenia może sprawić, że oceny wymkną się spod kontroli.",
   "plain_en": "When an approximator computes situation scores, a certain mix of learning mechanisms can make those scores spiral out of control.",
   "solves": "Agent uczący się skrótami bywa nieprzewidywalny: trening nagle się sypie, a powodu nie widać na pierwszy rzut oka.",
   "solves_en": "An agent learning through shortcuts can be unpredictable: training suddenly collapses and the cause isn't obvious.",
   "does": "Wskazuje trzy składniki, które osobno pomagają, a razem mogą się wzajemnie napędzać jak sprzężenie mikrofonu z głośnikiem.",
   "does_en": "It names three ingredients that help on their own but together can feed each other like microphone feedback.",
   "example": "Podczas trenowania agenta do gier oceny ruchów nagle rosną do absurdalnych wartości, a wyniki gry spadają do zera.",
   "example_en": "While training a game agent, move scores suddenly climb to absurd values and game results drop to zero.",
   "for_you": [
    "trening twojego agenta niespodziewanie się rozpada",
    "chcesz zrozumieć, po co są sieci docelowe i bufory"
   ],
   "for_you_en": [
    "your agent's training unexpectedly falls apart",
    "you want to see why target networks and buffers exist"
   ],
   "how": "Aproksymacja sprawia, że aktualizacja jednego stanu zmienia oceny innych. Bootstrapping używa własnych, błędnych ocen jako celów, a dane off-policy nie odpowiadają rozkładowi odwiedzin ocenianej polityki. Razem mogą prowadzić do rozbieżności; łagodzą to sieci docelowe, podwójne Q i dłuższe zwroty wielokrokowe.",
   "how_en": "Approximation means updating one state changes others' values. Bootstrapping uses the agent's own, possibly wrong estimates as targets, and off-policy data does not match the evaluated policy's visitation. Together they can diverge; target networks, double Q and longer multi-step returns mitigate this.",
   "limits": "Triada opisuje ryzyko, a nie pewną awarię: w praktyce głębokie sieci często działają mimo niej, a rozbieżność bywa łagodna. Brakuje ogólnych gwarancji zbieżności dla nieliniowych aproksymatorów.",
   "limits_en": "The triad describes a risk, not a certain failure: deep networks often work despite it and divergence is often mild. General convergence guarantees for nonlinear approximators are lacking.",
   "terms": [
    {
     "gloss": "Uczenie oceny na podstawie innej, też niepewnej oceny.",
     "term": "bootstrapping"
    },
    {
     "gloss": "Uczenie z danych zebranych przez inne zachowanie niż oceniane.",
     "term": "off-policy"
    },
    {
     "gloss": "Oceny rosną bez ograniczenia zamiast się stabilizować.",
     "term": "divergence"
    }
   ],
   "terms_en": [
    {
     "gloss": "Learning an estimate from another, also uncertain estimate.",
     "term": "bootstrapping"
    },
    {
     "gloss": "Learning from data gathered by behaviour other than the one evaluated.",
     "term": "off-policy"
    },
    {
     "gloss": "Estimates grow without bound instead of settling.",
     "term": "divergence"
    }
   ],
   "prereq": [
    "tdlearning",
    "neuralbasics"
   ],
   "keywords": [
    "deadly triad",
    "bootstrapping",
    "off-policy learning",
    "target networks",
    "linear function approximation",
    "Baird's counterexample",
    "gradient TD",
    "emphatic TD"
   ],
   "source_ids": [
    "deadly-triad-2018",
    "sutton-barto-rl-2018"
   ],
   "url": "https://aiatlasgraph.com/t/deadlytriad",
   "markdown_url": "https://aiatlasgraph.com/t/deadlytriad.md",
   "updated": "2026-10-30"
  },
  "decisionrag": {
   "id": "decisionrag",
   "parent_id": "retrieval",
   "label": "Hierarchiczna nawigacja dokumentów modelami decyzyjnymi",
   "canonical_name": "Hierarchical document navigation with decision models",
   "aliases": [
    "DecisionRAG",
    "retriever-free retrieval",
    "decision-based hierarchical retrieval"
   ],
   "description": "Nawigacja hierarchią korpusu, w której model decyzyjny ocenia równolegle gałęzie na każdym poziomie bez autoregresyjnego generowania tekstu.",
   "description_en": "Navigation through a corpus hierarchy in which a decision model evaluates branches jointly at each level without autoregressive text generation.",
   "plain": "Model decyzyjny przegląda strukturę dokumentów poziom po poziomie i wybiera, które gałęzie warto otworzyć.",
   "plain_en": "A decision model browses the structure of documents level by level and chooses which branches are worth opening.",
   "solves": "Klasyczny potok najpierw wybiera kandydatów prostszym retrieverem, więc ważny fragment może odpaść, zanim dokładniejszy model porówna go z innymi.",
   "solves_en": "A conventional pipeline first selects candidates with a simpler retriever, so an important passage may be discarded before a stronger model compares it with the alternatives.",
   "does": "Na każdym poziomie w jednym przejściu ocenia dostępne gałęzie, zachowuje najbardziej obiecujące i schodzi do ich dzieci, aż dotrze do fragmentów.",
   "does_en": "At each level, one forward pass evaluates the available branches, retains the most promising ones and descends to their children until reaching passages.",
   "example": "Pytasz o procedurę zwrotu w regulaminie, a system schodzi od tematów do sekcji i akapitu, oceniając kolejne poziomy zamiast najpierw pobierać płaską listę kandydatów.",
   "example_en": "You ask about a return procedure in the terms, and the system descends from topics to sections and a paragraph, evaluating successive levels instead of first retrieving a flat candidate list.",
   "for_you": [
    "szukasz odpowiedzi w dużych, ustrukturyzowanych zbiorach dokumentów",
    "chcesz użyć struktury dokumentów zamiast płaskiego pierwszego etapu wyszukiwania"
   ],
   "for_you_en": [
    "search for answers in large structured document collections",
    "want to use document structure instead of a flat first-stage retrieval step"
   ],
   "how": "Model decyzyjny ocenia kandydatów równolegle w wspólnym kontekście, zwracając prawdopodobieństwa bez autoregresji. Na każdym poziomie zachowuje top-k gałęzi, a ich dzieci są oceniane dalej, aż do fragmentów.",
   "how_en": "A decision model evaluates candidates in parallel within a shared context, returning probabilities without autoregression. At each level it retains the top-k branches whose children are evaluated next, down to passages.",
   "limits": "Metoda wymaga użytecznej hierarchii i opisów węzłów; dla płaskiego korpusu trzeba je zbudować offline, na przykład przez klasteryzację. Przycinanie jest nieodwracalne, a większy budżet zwiększa liczbę ocen i koszt. Wyniki pochodzą z jednego preprintu i konkretnych konfiguracji serwowania; nie są uniwersalną gwarancją szybkości ani przewagi nad klasycznym wyszukiwaniem.",
   "limits_en": "The method requires a useful hierarchy and informative node descriptions; a flat corpus needs an offline construction step such as clustering. Pruning is irreversible, while a larger budget increases the number and cost of judgments. Results come from one preprint and specific serving configurations, so they do not guarantee universal speed or superiority over conventional retrieval.",
   "terms": [
    {
     "gloss": "Model oceniający pytania w jednym przejściu bez generowania tekstu.",
     "term": "model decyzyjny"
    },
    {
     "gloss": "Schodzenie po strukturze dokumentów, przycinając nieobiecujące gałęzie.",
     "term": "hierarchiczna nawigacja"
    },
    {
     "gloss": "Wszyscy kandydaci oceniani są na tle tych samych informacji.",
     "term": "wspólny kontekst"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model that evaluates questions in one pass without generating text.",
     "term": "decision model"
    },
    {
     "gloss": "Descending a document structure while pruning unpromising branches.",
     "term": "hierarchical navigation"
    },
    {
     "gloss": "All candidates are scored against the same background information.",
     "term": "shared context"
    }
   ],
   "prereq": [
    "chunking"
   ],
   "keywords": [
    "DecisionRAG",
    "decision models",
    "hierarchical retrieval",
    "parallel binary judgments",
    "retriever-free retrieval",
    "single forward pass",
    "pruning budgets"
   ],
   "source_ids": [
    "decisionrag-arxiv-2610.35868"
   ],
   "url": "https://aiatlasgraph.com/t/decisionrag",
   "markdown_url": "https://aiatlasgraph.com/t/decisionrag.md",
   "updated": "2026-10-30"
  },
  "decisions": {
   "id": "decisions",
   "parent_id": null,
   "label": "Uczenie ze wzmocnieniem i decyzje",
   "canonical_name": "Reinforcement learning and sequential decision-making",
   "aliases": [
    "reinforcement learning",
    "RL",
    "sequential decision-making",
    "uczenie ze wzmocnieniem"
   ],
   "description": "Uczenie działania na podstawie rezultatów i interakcji ze środowiskiem.",
   "description_en": "Learning to act from outcomes and interaction with an environment.",
   "plain": "To uczenie programów i robotów, jak wybierać działania na podstawie ich skutków oraz pokazów.",
   "plain_en": "This teaches programs and robots to choose actions using their consequences and demonstrations.",
   "solves": "Dobry wybór teraz może prowadzić do złego wyniku później, a ręczne zapisanie wszystkich zasad działania jest trudne.",
   "solves_en": "A good choice now can lead to a poor outcome later, and writing every action rule by hand is difficult.",
   "does": "Korzysta z prób, zapisanych doświadczeń, demonstracji i przewidywania skutków, żeby poprawiać kolejne wybory oraz sterowanie w otoczeniu.",
   "does_en": "It uses trials, recorded experience, demonstrations and predicted consequences to improve successive choices and control within an environment.",
   "example": "Wózek magazynowy uczy się dojeżdżać do półki, porównując skutki tras w symulacji i uwzględniając ruch innych wózków.",
   "example_en": "A warehouse cart learns to reach a shelf by comparing route outcomes in simulation and accounting for other carts' movement.",
   "for_you": [
    "zadanie wymaga kolejnych działań i oceny ich skutków",
    "chcesz uczyć program lub robota z doświadczeń"
   ],
   "for_you_en": [
    "have tasks requiring successive actions and outcome assessment",
    "want to teach software or a robot from experience"
   ],
   "how": "Polityka wybiera działania, a doświadczenia łączą obserwacje z nagrodami i kolejnymi stanami. Uczenie wartości, optymalizacja polityki, imitacja demonstracji lub planowanie z modelem środowiska poprawiają sekwencje decyzji.",
   "how_en": "A policy selects actions, and experience links observations to rewards and subsequent states. Value learning, policy optimisation, demonstration imitation or planning with an environment model improve decision sequences.",
   "limits": "Źle zdefiniowana nagroda kieruje uczenie ku niepożądanemu zachowaniu. Długie horyzonty, koszt interakcji i różnice między symulacją a światem ograniczają transfer.",
   "limits_en": "Poorly defined rewards direct learning toward unwanted behaviour. Long horizons, interaction costs and simulation–reality differences limit transfer.",
   "terms": [
    {
     "gloss": "Reguła lub model wybierający działania na podstawie dostępnej informacji.",
     "term": "polityka"
    },
    {
     "gloss": "Suma nagród w sekwencji decyzji, często z dyskontowaniem przyszłości.",
     "term": "zwrot"
    },
    {
     "gloss": "Zapis kolejnych obserwacji, działań i nagród.",
     "term": "trajektoria"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule or model selecting actions from available information.",
     "term": "policy"
    },
    {
     "gloss": "The rewards accumulated along a decision sequence, often discounting the future.",
     "term": "return"
    },
    {
     "gloss": "A record of successive observations, actions and rewards.",
     "term": "trajectory"
    }
   ],
   "prereq": [
    "probability",
    "mathoptimization"
   ],
   "keywords": [
    "Markov decision processes",
    "policy gradients",
    "Q-learning",
    "actor-critic",
    "PPO",
    "offline RL",
    "imitation learning",
    "world models",
    "Monte Carlo tree search",
    "multi-agent RL",
    "contextual bandits",
    "Gymnasium"
   ],
   "source_ids": [
    "rl",
    "cs221"
   ],
   "url": "https://aiatlasgraph.com/t/decisions",
   "markdown_url": "https://aiatlasgraph.com/t/decisions.md",
   "updated": "2026-10-30"
  },
  "decisiontransformer": {
   "id": "decisiontransformer",
   "parent_id": "offline",
   "label": "RL jako modelowanie sekwencji (Decision Transformer)",
   "canonical_name": "RL as sequence modelling (Decision Transformer)",
   "description": "Traktowanie trajektorii jak tekstu: transformer przewiduje kolejną akcję na podstawie historii i oczekiwanego wyniku.",
   "description_en": "Treating trajectories like text: a transformer predicts the next action from history and a desired return.",
   "examples": "Decision Transformer · warunkowanie na docelowej nagrodzie (return-to-go)",
   "examples_en": "Decision Transformer · return-to-go conditioning",
   "plain": "To wybieranie następnego działania z historii wcześniejszych kroków i wskazanego docelowego wyniku.",
   "plain_en": "This chooses the next action from a history of previous steps and a specified target outcome.",
   "solves": "Masz zapisane przebiegi zadań, ale potrzebujesz wykorzystać je do wybierania kolejnych działań przy zadanym celu.",
   "solves_en": "You have recorded task sequences but need to use them to choose actions for a target outcome.",
   "does": "Uczy się przewidywać kolejny ruch w zapisanych sekwencjach, odczytując dotychczasową sytuację, działania i oczekiwaną pozostałą nagrodę.",
   "does_en": "It learns to predict the next move in recorded sequences from situations, previous actions and the desired remaining reward.",
   "example": "Program dostaje historię ruchów w grze i oczekiwany wynik, a potem proponuje kolejny ruch podobny do odpowiednich zapisanych przebiegów.",
   "example_en": "Software receives a game's action history and desired score, then proposes a next move informed by suitable recorded sequences.",
   "for_you": [
    "masz historie działań wraz z ich wynikami",
    "chcesz warunkować kolejne wybory oczekiwanym rezultatem"
   ],
   "for_you_en": [
    "have action histories with their outcomes",
    "want future choices conditioned on a desired result"
   ],
   "how": "Trajektorię zapisuje się jako sekwencję pożądanego pozostałego zwrotu, stanów i działań. Transformer z maską przyczynową przewiduje akcję warunkowaną historią i zadanym poziomem zwrotu.",
   "how_en": "A trajectory is represented as a sequence of desired remaining returns, states and actions. A causally masked transformer predicts actions conditioned on history and a requested return level.",
   "limits": "Wysoki zadany zwrot nie gwarantuje jego osiągnięcia. Model zależy od pokrycia trajektorii i może nie uogólniać na cele lub stany niewystępujące w danych.",
   "limits_en": "Requesting a high return does not guarantee achieving it. The model depends on trajectory coverage and may fail to generalise to unseen goals or states.",
   "terms": [
    {
     "gloss": "Suma nagród pozostałych w trajektorii, używana jako warunek generowania akcji.",
     "term": "return-to-go"
    },
    {
     "gloss": "Ograniczenie dostępu modelu do przyszłych elementów sekwencji.",
     "term": "maska przyczynowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Remaining trajectory rewards used to condition action generation.",
     "term": "return-to-go"
    },
    {
     "gloss": "A restriction preventing access to future sequence elements.",
     "term": "causal mask"
    }
   ],
   "prereq": [
    "transformers",
    "mdp"
   ],
   "keywords": [
    "return-to-go",
    "causal transformer",
    "trajectory modeling",
    "return conditioning",
    "sequence prediction"
   ],
   "source_ids": [
    "decision-transformer-2021"
   ],
   "url": "https://aiatlasgraph.com/t/decisiontransformer",
   "markdown_url": "https://aiatlasgraph.com/t/decisiontransformer.md",
   "updated": "2026-10-30"
  },
  "decisiontrees": {
   "id": "decisiontrees",
   "parent_id": "ensembles",
   "label": "Drzewa decyzyjne",
   "canonical_name": "Decision trees",
   "description": "Model zadający serię pytań o cechy (jeśli–to), aż dojdzie do odpowiedzi. Łatwy do odczytania, ale pojedynczy łatwo się przeucza; jest cegiełką lasów losowych i boostingu.",
   "description_en": "A model that asks a series of if–then questions about features until it reaches an answer. Easy to read but a single tree overfits easily; it is the building block of random forests and boosting.",
   "examples": "podział wg Gini/entropii · przycinanie · głębokość drzewa",
   "examples_en": "Gini/entropy splits · pruning · tree depth",
   "plain": "To modele dochodzące do odpowiedzi przez serię pytań o cechy przykładu.",
   "plain_en": "These models reach an answer through a sequence of questions about an example's features.",
   "solves": "Chcesz przewidywać odpowiedzi i móc prześledzić, które warunki doprowadziły do konkretnego wyniku.",
   "solves_en": "You want predictions whose conditions you can follow to understand how a particular result was reached.",
   "does": "Dzieli przykłady kolejnymi pytaniami, a na końcu każdej ścieżki przypisuje kategorię lub liczbę na podstawie danych do nauki.",
   "does_en": "It splits examples through successive questions and assigns a category or number at each path's end using the learning data.",
   "example": "Model szacuje czas naprawy, pytając kolejno o rodzaj usterki, dostępność części i wiek urządzenia.",
   "example_en": "A model estimates repair time by asking about fault type, parts availability and equipment age in sequence.",
   "for_you": [
    "chcesz widzieć kolejne warunki prowadzące do odpowiedzi",
    "szukasz prostego modelu dla danych w tabeli"
   ],
   "for_you_en": [
    "want to see the conditions leading to an answer",
    "seek a simple model for tabular data"
   ],
   "how": "Algorytm wybiera podziały cech zmniejszające niejednorodność etykiet lub błąd w potomnych grupach. Rekurencyjne rozgałęzienia kończą się liśćmi zwracającymi klasę, rozkład lub wartość, z ograniczeniami głębokości i wielkości prób.",
   "how_en": "The algorithm selects feature splits reducing label impurity or error in child groups. Recursive branches end in leaves returning classes, distributions or values, constrained by depth and sample-size limits.",
   "limits": "Małe zmiany danych mogą zmienić strukturę drzewa. Głębokie podziały przeuczają się, a zachłanny dobór nie gwarantuje najlepszej struktury globalnie.",
   "limits_en": "Small data changes can alter tree structure. Deep splits overfit, and greedy selection does not guarantee the globally best structure.",
   "terms": [
    {
     "gloss": "Miara mieszania różnych etykiet w węźle drzewa.",
     "term": "niejednorodność"
    },
    {
     "gloss": "Końcowy węzeł przypisujący predykcję przykładom spełniającym warunki ścieżki.",
     "term": "liść"
    }
   ],
   "terms_en": [
    {
     "gloss": "A measure of label mixing within a tree node.",
     "term": "impurity"
    },
    {
     "gloss": "A terminal node predicting for examples satisfying its path conditions.",
     "term": "leaf"
    }
   ],
   "prereq": [
    "infotheory",
    "classmetrics"
   ],
   "keywords": [
    "Gini impurity",
    "information gain",
    "cost-complexity pruning",
    "tree depth",
    "CART"
   ],
   "source_ids": [
    "sklearn-user-guide"
   ],
   "url": "https://aiatlasgraph.com/t/decisiontrees",
   "markdown_url": "https://aiatlasgraph.com/t/decisiontrees.md",
   "updated": "2026-10-30"
  },
  "decoding": {
   "id": "decoding",
   "parent_id": "serving",
   "label": "Strategie dekodowania",
   "canonical_name": "Decoding strategies",
   "description": "Sposób wyboru kolejnego tokenu z rozkładu modelu.",
   "description_en": "How the next token is picked from the model's distribution.",
   "examples": "greedy · beam search · temperatura · top-p (nucleus)",
   "examples_en": "greedy · beam search · temperature · top-p (nucleus)",
   "plain": "To zasady wybierania kolejnych kawałków tekstu spośród możliwości przewidywanych przez model.",
   "plain_en": "These rules select successive text pieces from the possibilities predicted by a model.",
   "solves": "Ten sam model może tworzyć odpowiedzi zbyt monotonne albo zbyt przypadkowe dla twojego zadania.",
   "solves_en": "The same model can produce responses that are too repetitive or too random for your task.",
   "does": "System wybiera najbardziej prawdopodobny fragment albo losuje z ograniczonej puli, regulując różnorodność; te ustawienia nie zapewniają prawdziwości odpowiedzi.",
   "does_en": "A system chooses the likeliest fragment or samples from a restricted pool, controlling variety; these settings do not ensure truthful answers.",
   "example": "Do nazw potraw dopuszczasz większą różnorodność, a dla powtarzalnego formularza wybierasz bardziej przewidywalne generowanie.",
   "example_en": "You allow more variety when suggesting dish names and choose more predictable generation for a repeatable form.",
   "for_you": [
    "odpowiedzi są zbyt losowe lub powtarzalne",
    "dobierasz styl generowania do zadania"
   ],
   "for_you_en": [
    "find responses too random or repetitive",
    "match generation behaviour to a task"
   ],
   "how": "Logity modelu zamienia się na rozkład tokenów, opcjonalnie zmieniając temperaturę i ograniczając zbiór kandydatów. Wybór maksimum, losowanie lub przeszukiwanie sekwencji wyznacza następny token i aktualizuje kontekst aż do warunku zakończenia.",
   "how_en": "Model logits become token probabilities, optionally modified by temperature and candidate restrictions. Argmax, sampling or sequence search selects the next token and updates context until a stopping condition.",
   "limits": "Zmiana rozkładu wpływa na różnorodność, powtarzalność i błędy. Najbardziej prawdopodobna sekwencja nie musi być poprawna; przeszukiwanie zwiększa koszt, a losowość utrudnia porównywanie pojedynczych prób.",
   "limits_en": "Distribution changes affect diversity, repetition and errors. The most probable sequence need not be correct; search raises costs, and randomness complicates single-trial comparisons.",
   "terms": [
    {
     "gloss": "Parametr przeskalowujący logity przed zamianą na prawdopodobieństwa.",
     "term": "temperature"
    },
    {
     "gloss": "Losowanie z najmniejszego zbioru tokenów obejmującego zadany udział prawdopodobieństwa.",
     "term": "top-p"
    }
   ],
   "terms_en": [
    {
     "gloss": "A parameter rescaling logits before conversion to probabilities.",
     "term": "temperature"
    },
    {
     "gloss": "Sampling from the smallest token set covering a specified probability mass.",
     "term": "top-p"
    }
   ],
   "prereq": [
    "probability",
    "tokenization"
   ],
   "keywords": [
    "greedy decoding",
    "beam search",
    "temperature sampling",
    "top-k sampling",
    "top-p sampling",
    "repetition penalty"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/decoding",
   "markdown_url": "https://aiatlasgraph.com/t/decoding.md",
   "updated": "2026-10-30"
  },
  "dedup": {
   "id": "dedup",
   "parent_id": "cleaning",
   "label": "Deduplikacja i dekontaminacja",
   "canonical_name": "Deduplication and decontamination",
   "description": "Usuwanie powtórzeń i prawie-powtórzeń oraz wycinanie z danych treningowych przykładów, które pokrywają się z testami.",
   "description_en": "Removing duplicates and near-duplicates, and cutting training examples that overlap with test sets.",
   "examples": "MinHash · podobieństwo embeddingów · dekontaminacja n-gramowa",
   "examples_en": "MinHash · embedding similarity · n-gram decontamination",
   "plain": "To usuwanie powtórzeń oraz przykładów, które mogłyby zdradzić modelowi odpowiedzi ze sprawdzianu.",
   "plain_en": "This removes duplicates and learning examples that could reveal answers from a model's test.",
   "solves": "Powtórzenia wypaczają materiał do nauki, a znane pytania sprawdzianu zawyżają ocenę modelu.",
   "solves_en": "Repeated material distorts learning, while familiar test questions make a model's score look better than it should.",
   "does": "Porównuje treści pod kątem kopii i podobnych fragmentów, także między materiałem do nauki a zbiorem do sprawdzania.",
   "does_en": "It compares content for copies and similar passages, including overlaps between learning material and the test collection.",
   "example": "Przygotowując materiały szkoleniowe, usuwasz kopie tego samego artykułu i fragmenty pokrywające się z pytaniami sprawdzianu.",
   "example_en": "When preparing learning material, you remove copies of an article and passages that overlap with test questions.",
   "for_you": [
    "łączysz zbiory, które mogą zawierać te same treści",
    "chcesz sprawdzić model na nieznanych mu przykładach"
   ],
   "for_you_en": [
    "combine collections that might contain the same material",
    "want to test a model on unfamiliar examples"
   ],
   "how": "Dokładne powtórzenia wykrywa się skrótami, a podobne fragmenty indeksami podobieństwa i porównaniem tekstu. Dekontaminacja dodatkowo porównuje dane treningowe z materiałem ewaluacyjnym, usuwając znalezione nakładanie.",
   "how_en": "Exact duplicates are found with hashes, while near-duplicate passages use similarity indexes and text comparison. Decontamination additionally compares training data against evaluation material, removing detected overlap.",
   "limits": "Próg podobieństwa może usuwać użyteczne warianty lub przepuszczać parafrazy. Nieznany zbiór treningowy i ukryte testy uniemożliwiają pełną kontrolę kontaminacji.",
   "limits_en": "Similarity thresholds may remove useful variations or miss paraphrases. Unknown training corpora and hidden tests prevent complete contamination checks.",
   "terms": [
    {
     "gloss": "Przybliżony podpis zbioru fragmentów, używany do wyszukiwania podobnych dokumentów.",
     "term": "MinHash"
    },
    {
     "gloss": "Obecność materiału ewaluacyjnego lub jego odpowiedników w danych treningowych.",
     "term": "kontaminacja testu"
    }
   ],
   "terms_en": [
    {
     "gloss": "An approximate set signature used to find similar documents.",
     "term": "MinHash"
    },
    {
     "gloss": "Evaluation material or its equivalents appearing in training data.",
     "term": "test contamination"
    }
   ],
   "prereq": [
    "textembeddings",
    "evalsets"
   ],
   "keywords": [
    "MinHash",
    "locality-sensitive hashing",
    "exact hashing",
    "n-gram overlap",
    "semantic similarity",
    "benchmark decontamination"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/dedup",
   "markdown_url": "https://aiatlasgraph.com/t/dedup.md",
   "updated": "2026-10-30"
  },
  "defectsynthesis": {
   "id": "defectsynthesis",
   "parent_id": "visualinspection",
   "label": "Generowanie syntetycznych obrazów wad",
   "canonical_name": "Few-shot synthetic defect image generation",
   "aliases": [
    "defect image generation",
    "anomaly image synthesis",
    "few-shot defect generation",
    "AnomalyDiffusion",
    "DFMGAN",
    "syntetyczne wady",
    "generowanie anomalii"
   ],
   "description": "Generowanie par obraz–maska z wadami na podstawie kilku przykładów wad i wielu obrazów poprawnych, jako augmentacja do uczenia detektorów.",
   "description_en": "Generating defect image–mask pairs from a few defect examples and many normal images, as augmentation for training detectors.",
   "plain": "Dorysowywanie realistycznych rys, wgnieceń i plam na zdjęciach dobrych produktów, żeby było na czym uczyć system wykrywania wad.",
   "plain_en": "Painting realistic scratches, dents and stains onto photos of good products, so there is something to train a defect detector on.",
   "solves": "Dobra linia produkuje bardzo mało wadliwych sztuk, więc zebranie setek zdjęć każdego rodzaju wady trwałoby miesiącami.",
   "solves_en": "A good line makes very few faulty parts, so collecting hundreds of photos of each defect type would take months.",
   "does": "Jak charakteryzator filmowy, który z kilku zdjęć prawdziwych ran uczy się malować wiarygodne rany w dowolnym miejscu.",
   "does_en": "Like a film make-up artist who learns from a few photos of real wounds to paint convincing ones anywhere.",
   "example": "Producent kabli ma tylko kilka zdjęć przeciętej izolacji, więc generuje z nich setki wariantów w różnych miejscach i uczy na nich kamerę kontrolną.",
   "example_en": "A cable maker has only a few photos of cut insulation, so it generates hundreds of variants in different spots and trains the inspection camera on them.",
   "for_you": [
    "masz za mało zdjęć wadliwych produktów",
    "potrzebujesz dokładnych masek wad do uczenia segmentacji",
    "wprowadzasz nowy produkt bez historii wad"
   ],
   "for_you_en": [
    "have too few photos of faulty products",
    "need precise defect masks to train segmentation",
    "are launching a product with no defect history"
   ],
   "how": "Model generatywny najpierw uczy się wyglądu poprawnych sztuk, a następnie na kilku przykładach wad uczy się osobno wyglądu wady i jej położenia. Warianty dyfuzyjne wpisują wadę w wybrane miejsce poprawnego obrazu na podstawie maski, warianty GAN dokładają małą gałąź edytującą lokalne cechy. Powstają obrazy z dokładnymi maskami do uczenia detekcji i segmentacji.",
   "how_en": "A generative model first learns what good parts look like, then from a few defect examples learns the defect's appearance and location separately. Diffusion variants inpaint a defect into a chosen spot of a normal image from a mask; GAN variants add a small branch that edits local features. The output is images with exact masks for training detection and segmentation.",
   "limits": "Wygenerowane wady przybliżają tylko te kilka prawdziwych przykładów, więc nowe rodzaje usterek pozostają niepokryte. Realistyczny wygląd nie gwarantuje poprawy detektora na innej linii. Generowanie dyfuzyjne jest powolne.",
   "limits_en": "Generated defects only approximate the few real examples, so new kinds of faults stay uncovered. Realistic looks do not guarantee a better detector on another line. Diffusion sampling is slow.",
   "terms": [
    {
     "gloss": "Obraz zaznaczający piksel po pikselu, gdzie jest wada.",
     "term": "maska wady"
    },
    {
     "gloss": "Uczenie z zaledwie kilku przykładów danej klasy.",
     "term": "few-shot"
    },
    {
     "gloss": "Dorysowanie nowej treści w wybranym fragmencie obrazu.",
     "term": "inpainting"
    }
   ],
   "terms_en": [
    {
     "gloss": "An image marking pixel by pixel where the defect is.",
     "term": "defect mask"
    },
    {
     "gloss": "Learning from only a handful of examples of a class.",
     "term": "few-shot"
    },
    {
     "gloss": "Filling in new content in a chosen part of an image.",
     "term": "inpainting"
    }
   ],
   "prereq": [
    "diffusion",
    "gan"
   ],
   "keywords": [
    "AnomalyDiffusion",
    "DFMGAN",
    "latent diffusion inpainting",
    "StyleGAN2",
    "MVTec AD",
    "defect segmentation",
    "data augmentation",
    "copy-paste augmentation"
   ],
   "source_ids": [
    "hu-anomalydiffusion-2023",
    "duan-dfmgan-2023"
   ],
   "url": "https://aiatlasgraph.com/t/defectsynthesis",
   "markdown_url": "https://aiatlasgraph.com/t/defectsynthesis.md",
   "updated": "2026-10-30"
  },
  "deforestationdrivers": {
   "id": "deforestationdrivers",
   "parent_id": "eoapps",
   "label": "Rozpoznawanie przyczyn wylesiania",
   "canonical_name": "Deforestation driver classification",
   "aliases": [
    "drivers of deforestation",
    "forest loss attribution",
    "przyczyny utraty lasu"
   ],
   "description": "Klasyfikacja bezpośredniej przyczyny utraty lasu na obrazach wokół wykrytych zdarzeń wylesienia; w ForestNet były to plantacje, rolnictwo drobne, trawy lub zarośla oraz klasa „inne”.",
   "description_en": "Classifying the direct cause of forest loss from imagery around detected deforestation events; ForestNet used plantation, smallholder agriculture, grass or shrubland, and an other class.",
   "plain": "Ustalanie na podstawie zdjęć satelitarnych, czy las w danym miejscu ustąpił m.in. plantacji, drobnemu rolnictwu, trawom lub zaroślom.",
   "plain_en": "Working out from satellite imagery whether forest loss at a place led, for example, to plantation, smallholder agriculture, grass or shrubland.",
   "solves": "Wiadomo, gdzie ubywa lasu, ale bez znajomości przyczyny trudno ustalić odpowiedzialnych i dobrać właściwe przepisy czy sankcje.",
   "solves_en": "We know where forest is lost, but without the cause it is hard to find who is responsible and choose the right rules or sanctions.",
   "does": "Jak biegły na miejscu zdarzenia, który po śladach odróżnia kradzież od wypadku: kształt wycięcia, rzędy drzewek czy drogi zdradzają sprawę.",
   "does_en": "Like an investigator telling theft from accident by the traces: the cut's shape, rows of saplings or new roads give it away.",
   "example": "Firma kupująca olej roślinny sprawdza, czy pola jej dostawców nie powstały niedawno w miejscu wyciętego lasu.",
   "example_en": "A company buying vegetable oil checks whether its suppliers' fields were recently carved out of cleared forest.",
   "for_you": [
    "śledzisz pochodzenie surowców w łańcuchu dostaw",
    "zajmujesz się ochroną lasów lub klimatu"
   ],
   "for_you_en": [
    "trace where raw materials in a supply chain come from",
    "work on forest or climate protection"
   ],
   "how": "Najpierw globalne mapy utraty lasu lub alerty radarowe wskazują, gdzie i kiedy zniknął las. Następnie sieć segmentacyjna na zdjęciu wokół zdarzenia, wsparta pretreningiem i danymi pomocniczymi, np. wysokością terenu czy odległością od dróg, przypisuje mu klasę przyczyny.",
   "how_en": "First, global forest-loss maps or radar alerts locate where and when forest vanished. Then a segmentation network on imagery around the event, aided by pretraining and auxiliary data such as elevation or distance to roads, assigns a driver class.",
   "limits": "Jedno zdjęcie nie pokazuje przebiegu zmian w czasie. Klasy są zgrubne, etykiety ekspertów kosztowne i regionalne, a zestaw klas trzeba dostosować do miejsca oraz celu analizy.",
   "limits_en": "One image does not show the sequence of change. Classes are coarse, expert labels are costly and regional, and the class set must be adapted to the place and purpose.",
   "terms": [
    {
     "gloss": "miejsce i rok, w którym mapa wykazała zniknięcie drzew",
     "term": "forest loss event"
    },
    {
     "gloss": "bezpośrednia przyczyna utraty lasu przypisana zdarzeniu",
     "term": "driver"
    }
   ],
   "terms_en": [
    {
     "gloss": "place and year where a map showed trees vanishing",
     "term": "forest loss event"
    },
    {
     "gloss": "direct cause of forest loss assigned to an event",
     "term": "driver"
    }
   ],
   "prereq": [
    "eochange"
   ],
   "keywords": [
    "ForestNet",
    "Global Forest Change",
    "GLAD alerts",
    "RADD alerts",
    "Landsat 8",
    "EUDR",
    "Global Forest Watch"
   ],
   "source_ids": [
    "forestnet-2020"
   ],
   "url": "https://aiatlasgraph.com/t/deforestationdrivers",
   "markdown_url": "https://aiatlasgraph.com/t/deforestationdrivers.md",
   "updated": "2026-10-30"
  },
  "deformablemanip": {
   "id": "deformablemanip",
   "parent_id": "manipulation",
   "label": "Manipulacja miękkimi przedmiotami (tkaniny, liny, kable)",
   "canonical_name": "Deformable object manipulation",
   "aliases": [
    "deformable object manipulation",
    "DOM",
    "manipulacja obiektami odkształcalnymi",
    "manipulacja obiektami miękkimi"
   ],
   "description": "Percepcja, modelowanie i sterowanie przy obiektach odkształcalnych (tkaniny, liny, kable, worki, żywność), których stan ma bardzo wiele wymiarów, a dynamika jest złożona.",
   "description_en": "Perception, modelling and control for deformable objects (cloth, rope, cables, bags, food), whose state is very high-dimensional and whose dynamics are complex.",
   "plain": "Roboty uczą się składać ubrania, wiązać sznurki i prowadzić kable, czyli obchodzić się z rzeczami, które zmieniają kształt w rękach.",
   "plain_en": "Robots learn to fold clothes, tie strings and route cables – handling things that change shape in their hands.",
   "solves": "Koszula po każdym dotknięciu układa się inaczej, więc robot nie może zaplanować ruchów z góry tak jak przy sztywnym pudełku.",
   "solves_en": "A shirt settles differently after every touch, so a robot cannot plan its moves in advance as it would for a rigid box.",
   "does": "Robot działa małymi krokami jak człowiek przy praniu: chwyta róg, strzepuje, sprawdza efekt na obrazie i dopiero wtedy wybiera kolejny ruch.",
   "does_en": "The robot works in small steps like a person doing laundry: grab a corner, shake, check the result in the image, then pick the next move.",
   "example": "Dwuręczny robot w pralni wyciąga ręczniki z kosza, rozkłada je na stole i składa w równą kostkę.",
   "example_en": "A two-armed robot in a laundry pulls towels from a basket, spreads them on a table and folds them into a neat stack.",
   "for_you": [
    "marzysz o robocie, który złoży pranie",
    "automatyzujesz pracę z kablami, workami lub żywnością",
    "chcesz zrozumieć, czemu proste dla ludzi zadania są trudne dla robotów"
   ],
   "for_you_en": [
    "dream of a robot that folds laundry",
    "automate work with cables, bags or food",
    "want to see why tasks easy for people are hard for robots"
   ],
   "how": "Stan obiektu opisuje się uproszczeniem, np. punktami kluczowymi, siatką lub chmurą punktów, a jego dynamikę modelem fizycznym albo modelem uczonym z danych. Polityki powstają z demonstracji lub prób w symulacji i korzystają z prymitywów manipulacji dobranych do tkanin, lin i innych obiektów odkształcalnych.",
   "how_en": "The object's state is represented by a simplification such as keypoints, a mesh or a point cloud, while its dynamics are captured by a physical or data-driven model. Policies are learned from demonstrations or simulation trials and use manipulation primitives suited to cloth, rope and other deformable objects.",
   "limits": "Tkanina sama się zasłania i zagina, więc z kamery widać tylko część stanu. Symulatory tkanin i lin słabo odtwarzają tarcie i sprężystość, co utrudnia sim-to-real. Zadania są długie, a pojedynczy błąd chwytu psuje cały wynik.",
   "limits_en": "Cloth occludes and folds over itself, so the camera sees only part of the state. Cloth and rope simulators reproduce friction and elasticity poorly, hindering sim-to-real. Tasks are long, and a single grasp error ruins the result.",
   "terms": [
    {
     "gloss": "Kształt tkaniny opisuje praktycznie nieograniczona liczba punktów.",
     "term": "przestrzeń stanów o nieskończonym wymiarze"
    },
    {
     "gloss": "Gotowy fragment ruchu, np. strzepnięcie, składany w dłuższe zadanie.",
     "term": "prymityw ruchu"
    },
    {
     "gloss": "Model przewidujący ruch punktów obiektu na podstawie ich połączeń.",
     "term": "sieć grafowa dynamiki"
    }
   ],
   "terms_en": [
    {
     "gloss": "A cloth's shape is described by practically unlimited points.",
     "term": "infinite-dimensional state"
    },
    {
     "gloss": "A ready movement fragment, e.g. a fling, combined into longer tasks.",
     "term": "motion primitive"
    },
    {
     "gloss": "A model predicting object point motion from their connections.",
     "term": "graph network dynamics"
    }
   ],
   "prereq": [
    "pointclouds"
   ],
   "keywords": [
    "deformable object manipulation",
    "cloth folding",
    "rope manipulation",
    "cable routing",
    "keypoint representation",
    "bimanual manipulation",
    "data-driven dynamics"
   ],
   "source_ids": [
    "deformable-manip-survey-2023"
   ],
   "url": "https://aiatlasgraph.com/t/deformablemanip",
   "markdown_url": "https://aiatlasgraph.com/t/deformablemanip.md",
   "updated": "2026-10-30"
  },
  "delegatedvoice": {
   "id": "delegatedvoice",
   "parent_id": "voicearch",
   "label": "Głosowy front i osobny agent zadaniowy",
   "canonical_name": "Voice frontend with delegated reasoning",
   "description": "Model głosowy prowadzi równoczesną rozmowę, a rozumowanie i narzędzia przekazuje osobnemu agentowi tekstowemu. Wynik wraca do dialogu.",
   "description_en": "A voice model conducts the live conversation while delegating reasoning and tools to a separate text agent; the result returns to the spoken dialogue.",
   "examples": "delegowanie do zaplecza · kontynuacja rozmowy w czasie pracy",
   "examples_en": "backend delegation · conversation continues during work",
   "plain": "To asystent, w którym jeden model prowadzi rozmowę głosową, a drugi zajmuje się trudniejszym zadaniem.",
   "plain_en": "This assistant uses one model for spoken conversation and another for more demanding tasks.",
   "solves": "Dłuższe planowanie lub używanie narzędzi może zatrzymać rozmowę i zostawić człowieka w ciszy.",
   "solves_en": "Longer planning or tool use can halt conversation and leave the person waiting in silence.",
   "does": "Model głosowy przekazuje zadanie zapleczu, dalej odbiera wypowiedzi i włącza otrzymany wynik do rozmowy.",
   "does_en": "The voice model hands a task to a backend, keeps receiving speech and incorporates the returned result into the conversation.",
   "example": "Asystent rozmawia o twoich preferencjach, podczas gdy osobny agent sprawdza dostępne terminy wizyty.",
   "example_en": "An assistant discusses your preferences while a separate agent checks available appointment times.",
   "for_you": [
    "zadania wymagają więcej czasu niż odpowiedź głosowa",
    "chcesz rozdzielić rozmowę od pracy narzędzi"
   ],
   "for_you_en": [
    "handle tasks that take longer than a spoken reply",
    "want to separate dialogue from tool work"
   ],
   "how": "Model głosowy zarządza bieżącą rozmową i przekazuje opis zadania do osobnego agenta. Identyfikatory pracy oraz uzgodniony kontekst wiążą odpowiedź backendu z właściwą turą i aktualnym zamiarem użytkownika.",
   "how_en": "A voice model manages live conversation and sends task descriptions to a separate agent. Work identifiers and agreed context associate backend results with the right turn and current user intent.",
   "limits": "Wynik może wrócić po zmianie polecenia. Oddzielne historie wymagają synchronizacji, a model głosowy nie powinien ogłaszać sukcesu przed potwierdzonym rezultatem zadania.",
   "limits_en": "Results may arrive after instructions change. Separate histories need synchronisation, and voice models should not announce success before confirmed task outcomes.",
   "terms": [
    {
     "gloss": "Moduł prowadzący rozmowę audio i prezentujący wyniki pracy zadaniowej.",
     "term": "front głosowy"
    },
    {
     "gloss": "Powiązanie zlecenia, kontekstu i odpowiedzi za pomocą identyfikatora.",
     "term": "korelacja zadania"
    }
   ],
   "terms_en": [
    {
     "gloss": "A module conducting audio conversation and presenting task-work results.",
     "term": "voice frontend"
    },
    {
     "gloss": "Linking requests, context and responses through an identifier.",
     "term": "task correlation"
    }
   ],
   "prereq": [
    "workflows",
    "structured"
   ],
   "keywords": [
    "voice frontend",
    "reasoning agent delegation",
    "backend handoff",
    "task correlation",
    "tool-result routing"
   ],
   "source_ids": [
    "openai-voice-guide",
    "duplex-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/delegatedvoice",
   "markdown_url": "https://aiatlasgraph.com/t/delegatedvoice.md",
   "updated": "2026-10-30"
  },
  "densityclustering": {
   "id": "densityclustering",
   "parent_id": "clustering",
   "label": "Klasteryzacja gęstościowa (DBSCAN, HDBSCAN)",
   "canonical_name": "Density-based clustering",
   "description": "Grupy to gęste obszary danych; punkty w rzadkich miejscach zostają oznaczone jako szum. Nie wymaga podania liczby grup i radzi sobie z nieregularnymi kształtami.",
   "description_en": "Clusters are dense regions of data; points in sparse areas are marked as noise. No need to set the number of clusters, and it handles irregular shapes.",
   "examples": "DBSCAN · HDBSCAN · OPTICS",
   "examples_en": "DBSCAN · HDBSCAN · OPTICS",
   "plain": "To szukanie grup w miejscach, gdzie wiele podobnych przykładów leży blisko siebie.",
   "plain_en": "This finds groups where many similar examples lie close together.",
   "solves": "Grupy mają nieregularne kształty, ich liczba jest nieznana, a pojedyncze przypadki nie pasują do żadnej.",
   "solves_en": "Groups have irregular shapes, their number is unknown and some isolated cases fit none of them.",
   "does": "Łączy sąsiadujące gęste obszary danych w grupy i może zostawiać odosobnione przykłady poza nimi, bez ustalania liczby grup z góry.",
   "does_en": "It joins neighbouring dense data regions into groups and can leave isolated examples outside them, without presetting the number of groups.",
   "example": "Na mapie postojów rowerów wykrywasz skupiska popularnych miejsc, pozostawiając odosobnione postoje bez przypisania do grupy.",
   "example_en": "On a map of bicycle stops, you detect clusters of popular places while leaving isolated stops unassigned.",
   "for_you": [
    "nie znasz liczby grup w danych",
    "chcesz oddzielać skupiska od odosobnionych przykładów"
   ],
   "for_you_en": [
    "do not know how many groups the data contains",
    "want to separate clusters from isolated examples"
   ],
   "how": "Gęstość lokalną szacuje się z sąsiedztw, łącząc obszary wspierane przez wystarczającą liczbę punktów. Wariant hierarchiczny analizuje grupy przy zmieniającej się skali gęstości i wybiera stabilne skupienia.",
   "how_en": "Local density is estimated from neighbourhoods, joining regions supported by sufficient points. Hierarchical variants examine groups across density scales and select stable clusters.",
   "limits": "Wynik zależy od odległości, parametrów sąsiedztwa i pokrycia danych. Wysoki wymiar osłabia ocenę gęstości, a oznaczenie szumu nie dowodzi, że przykład jest niepoprawny.",
   "limits_en": "Results depend on distance, neighbourhood parameters and data coverage. High dimensions weaken density estimates, and noise labels do not prove examples are invalid.",
   "terms": [
    {
     "gloss": "Próbka z dostatecznie gęstym sąsiedztwem w wybranej skali.",
     "term": "punkt rdzeniowy"
    },
    {
     "gloss": "Próbki niewłączone do skupień według przyjętych kryteriów gęstości.",
     "term": "szum"
    }
   ],
   "terms_en": [
    {
     "gloss": "A sample with a sufficiently dense neighbourhood at a chosen scale.",
     "term": "core point"
    },
    {
     "gloss": "Samples excluded from clusters under the selected density criteria.",
     "term": "noise"
    }
   ],
   "prereq": [
    "knn",
    "distributions"
   ],
   "keywords": [
    "DBSCAN",
    "HDBSCAN",
    "OPTICS",
    "core points",
    "density reachability"
   ],
   "source_ids": [
    "sklearn-clustering"
   ],
   "url": "https://aiatlasgraph.com/t/densityclustering",
   "markdown_url": "https://aiatlasgraph.com/t/densityclustering.md",
   "updated": "2026-10-30"
  },
  "depthestimation": {
   "id": "depthestimation",
   "parent_id": "spatial",
   "label": "Szacowanie głębi z jednego zdjęcia",
   "canonical_name": "Monocular depth estimation",
   "aliases": [
    "depth estimation",
    "monocular depth estimation",
    "depth map",
    "depth from a single image",
    "estymacja głębi",
    "głębia z jednego zdjęcia",
    "mapa głębi"
   ],
   "description": "Przewidywanie mapy głębi — odległości każdego piksela od kamery — na podstawie jednego zdjęcia. Wynik może przedstawiać jedynie względną kolejność odległości albo głębię metryczną; uczenie na dużych, zróżnicowanych zbiorach poprawiło uogólnianie na nowe sceny.",
   "description_en": "Predicting a depth map — each pixel's distance from the camera — from a single image. The output may represent only relative depth ordering or metric distance; training on large, diverse datasets has improved generalisation to new scenes.",
   "examples": "mapa głębi · głębia względna i metryczna · MiDaS · Depth Anything V2 · Depth Pro · NYU Depth V2",
   "examples_en": "depth map · relative and metric depth · MiDaS · Depth Anything V2 · Depth Pro · NYU Depth V2",
   "plain": "To odgadywanie z jednego zwykłego zdjęcia, które rzeczy są blisko aparatu, a które daleko.",
   "plain_en": "This works out from a single ordinary photo which things are close to the camera and which are far away.",
   "solves": "Zwykłe zdjęcie gubi trzeci wymiar, a czujniki odległości są drogie i nie ma ich w każdym urządzeniu.",
   "solves_en": "A normal photo loses the third dimension, and distance sensors are expensive and missing from many devices.",
   "does": "Na podstawie poznanych przykładów wykorzystuje perspektywę, zasłanianie i wygląd przedmiotów do szacowania głębi; wynik nie zawsze podaje rzeczywistą odległość.",
   "does_en": "From learned examples, it uses perspective, occlusion and object appearance to estimate depth; the result does not always provide actual distance.",
   "example": "Telefon z jednym obiektywem rozmywa tło za twoją twarzą w trybie portretowym, jakby zdjęcie zrobił drogi aparat.",
   "example_en": "A phone with one lens blurs the background behind your face in portrait mode, as if a pricey camera took the shot.",
   "for_you": [
    "robisz zdjęcia z rozmytym tłem",
    "budujesz roboty lub drony z jedną kamerą",
    "dodajesz efekty przestrzenne do zdjęć i filmów"
   ],
   "for_you_en": [
    "take photos with a blurred background",
    "build robots or drones with a single camera",
    "add depth effects to photos and videos"
   ],
   "how": "Enkoder obrazu wykorzystuje wyuczone wskazówki perspektywy, tekstury i kontekstu do predykcji mapy głębi. Cel treningowy określa, czy wynik zachowuje względne odległości, czy próbuje odtwarzać skalę metryczną.",
   "how_en": "An image encoder uses learned perspective, texture and contextual cues to predict depth maps. Training objectives determine whether outputs preserve relative distances or attempt metric-scale recovery.",
   "limits": "Jedno zdjęcie nie wyznacza jednoznacznie skali sceny. Nowa kamera i nieznane obiekty mogą zmieniać wynik, a ostre granice głębi wymagają odpowiedniej rozdzielczości.",
   "limits_en": "One photograph cannot uniquely determine scene scale. New cameras and unfamiliar objects can change results, while sharp depth boundaries require adequate resolution.",
   "terms": [
    {
     "gloss": "Porządek lub proporcje odległości bez pewnej skali w jednostkach fizycznych.",
     "term": "głębia względna"
    },
    {
     "gloss": "Odległość przewidywana w ustalonych jednostkach fizycznych.",
     "term": "głębia metryczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Distance ordering or proportions without assured physical-unit scale.",
     "term": "relative depth"
    },
    {
     "gloss": "Distance predicted in specified physical units.",
     "term": "metric depth"
    }
   ],
   "prereq": [
    "visionbackbones",
    "linearalgebra"
   ],
   "keywords": [
    "MiDaS",
    "Depth Anything V2",
    "Depth Pro",
    "NYU Depth V2",
    "relative depth",
    "metric depth"
   ],
   "source_ids": [
    "hf-tasks-depth-estimation",
    "depth-anything-v2-2024",
    "hf-cv-course-3d-vision"
   ],
   "url": "https://aiatlasgraph.com/t/depthestimation",
   "markdown_url": "https://aiatlasgraph.com/t/depthestimation.md",
   "updated": "2026-10-30"
  },
  "dermatologyai": {
   "id": "dermatologyai",
   "parent_id": "medimaging",
   "label": "Ocena znamion i zmian skórnych ze zdjęć",
   "canonical_name": "AI classification of skin lesions",
   "aliases": [
    "dermatology AI",
    "skin cancer classification",
    "melanoma detection AI",
    "dermoscopy AI",
    "rozpoznawanie czerniaka AI"
   ],
   "description": "Klasyfikacja zdjęć klinicznych i dermoskopowych zmian skórnych (np. czerniak kontra znamię) sieciami neuronowymi, z naciskiem na równość działania między karnacjami.",
   "description_en": "Neural-network classification of clinical and dermoscopic skin-lesion images (e.g. melanoma versus naevus), with a focus on performance across skin tones.",
   "plain": "Program ogląda zdjęcie znamienia lub wysypki i ocenia, czy wygląda groźnie i warto pokazać je dermatologowi.",
   "plain_en": "Software looks at a photo of a mole or rash and judges whether it looks dangerous enough to show a skin doctor.",
   "solves": "Na wizytę u dermatologa czeka się długo, a groźny nowotwór skóry trudno odróżnić gołym okiem od niegroźnego znamienia.",
   "solves_en": "Waiting lists for skin doctors are long, and a dangerous skin cancer is hard to tell apart from a harmless mole by eye.",
   "does": "Porównuje zdjęcie z setkami tysięcy opisanych zmian, jak lekarz, który widział ich więcej niż ktokolwiek, ale tylko na zdjęciach.",
   "does_en": "Compares the photo with hundreds of thousands of labelled lesions, like a doctor who has seen more than anyone, but only in pictures.",
   "example": "Lekarz rodzinny przykłada do skóry pacjenta małą lupę z aparatem i dostaje podpowiedź, czy pieprzyk na plecach trzeba szybko wyciąć.",
   "example_en": "A family doctor holds a small magnifying camera to a patient's skin and gets a hint whether a mole on the back should be removed soon.",
   "for_you": [
    "masz dużo znamion i chcesz je regularnie sprawdzać",
    "masz ciemną karnację i zastanawiasz się, czy narzędzie zadziała u ciebie"
   ],
   "for_you_en": [
    "have many moles and want to check them regularly",
    "have darker skin and wonder if the tool works for you"
   ],
   "how": "Sieci wstępnie trenowane na obrazach ogólnych dostraja się na zbiorach zdjęć dermoskopowych z rozpoznaniem histopatologicznym i zwracają prawdopodobieństwa klas zmian. Ocenę równości wykonuje się na zbiorach z oznaczonym typem skóry; bez nich ton skóry szacuje się z pikseli, co bywa niewiarygodne.",
   "how_en": "Networks pretrained on general images are fine-tuned on dermoscopic datasets with biopsy-confirmed diagnoses and output lesion-class probabilities. Fairness is assessed on datasets labelled with skin type; without labels, skin tone is estimated from pixels, which can be unreliable.",
   "limits": "Publiczne zbiory zawierają głównie jasną skórę; na zróżnicowanym, potwierdzonym biopsją zbiorze skuteczność czołowych modeli wyraźnie spadała, najbardziej dla ciemnej skóry i rzadkich chorób. Zdjęcia z telefonu różnią się od dermoskopowych, a model nie zastępuje badania całej skóry.",
   "limits_en": "Public datasets are dominated by light skin; on a diverse, biopsy-confirmed set, leading models' performance dropped markedly, most for dark skin and rare diseases. Phone photos differ from dermoscopy, and the model does not replace a full skin exam.",
   "terms": [
    {
     "gloss": "Oglądanie skóry przez podświetlaną lupę, która pokazuje głębsze struktury.",
     "term": "dermoskopia"
    },
    {
     "gloss": "Podział karnacji na sześć typów według reakcji na słońce.",
     "term": "skala Fitzpatricka"
    },
    {
     "gloss": "Rozpoznanie ustalone pod mikroskopem z wyciętej tkanki.",
     "term": "potwierdzenie histopatologiczne"
    }
   ],
   "terms_en": [
    {
     "gloss": "Viewing skin through a lit magnifier that reveals deeper structures.",
     "term": "dermoscopy"
    },
    {
     "gloss": "Six skin types grouped by how skin reacts to sun.",
     "term": "Fitzpatrick scale"
    },
    {
     "gloss": "Diagnosis made under a microscope from removed tissue.",
     "term": "biopsy confirmation"
    }
   ],
   "prereq": [
    "imageclassification",
    "fairness"
   ],
   "keywords": [
    "ISIC",
    "HAM10000",
    "dermoscopy",
    "melanoma classification",
    "Fitzpatrick17k",
    "Diverse Dermatology Images (DDI)",
    "individual typology angle",
    "skin tone fairness"
   ],
   "source_ids": [
    "ddi-dermatology-2021",
    "skin-tone-ita-2023"
   ],
   "url": "https://aiatlasgraph.com/t/dermatologyai",
   "markdown_url": "https://aiatlasgraph.com/t/dermatologyai.md",
   "updated": "2026-10-30"
  },
  "detectionrulegen": {
   "id": "detectionrulegen",
   "parent_id": "secopsai",
   "label": "Generowanie reguł detekcji z raportów o zagrożeniach",
   "canonical_name": "LLM-assisted detection rule generation",
   "aliases": [
    "detection engineering with LLMs",
    "Sigma rule generation",
    "YARA rule generation",
    "automated detection rules",
    "generowanie reguł Sigma"
   ],
   "description": "Użycie modeli językowych do zamiany opisów ataków i wskaźników z raportów na reguły wykrywania w formatach takich jak Sigma czy YARA.",
   "description_en": "Using language models to turn attack descriptions and indicators from reports into detection rules in formats such as Sigma or YARA.",
   "plain": "Model czyta opis nowego ataku i proponuje gotowy filtr, który wyłapie podobne działania w firmowych dziennikach.",
   "plain_en": "A model reads a description of a new attack and drafts a ready filter that catches similar activity in company logs.",
   "solves": "Raporty o nowych atakach ukazują się codziennie, a ręczne przepisanie każdego na filtry zajmuje specjaliście godziny.",
   "solves_en": "Reports on new attacks come out daily, and hand-translating each into filters takes a specialist hours.",
   "does": "Jak tłumacz przekładający list gończy na instrukcję dla ochroniarzy: z opowieści robi konkretne „sprawdzaj to i to”.",
   "does_en": "Like a translator turning a wanted poster into instructions for guards: from a story it makes a concrete 'check this and this'.",
   "example": "Rano ukazuje się raport o nowej kampanii; przed południem analityk dostaje szkic filtra, poprawia dwa pola i włącza go w systemie monitoringu.",
   "example_en": "A report on a new campaign comes out in the morning; by noon the analyst has a draft filter, fixes two fields and switches it on in monitoring.",
   "for_you": [
    "piszesz lub utrzymujesz reguły wykrywania",
    "czytasz raporty o zagrożeniach",
    "chcesz zautomatyzować pracę zespołu reagowania"
   ],
   "for_you_en": [
    "write or maintain detection rules",
    "read threat reports",
    "want to automate incident-response work"
   ],
   "how": "Model wydobywa z raportu CTI zachowania i wskaźniki, a następnie tworzy kandydacką regułę Sigma. LLMCloudHunter dodatkowo obsługuje tekst i obrazy oraz sprawdza, czy reguła kompiluje się lub konwertuje do składni narzędzi docelowych. Test na danych organizacji i przegląd człowieka pozostają osobnym etapem.",
   "how_en": "A model extracts behaviors and indicators from a CTI report and then produces a candidate Sigma rule. LLMCloudHunter also handles text and images and checks whether the rule compiles or converts to target-tool syntax. Testing on organizational data and human review remain separate steps.",
   "limits": "LLMCloudHunter oceniono na 12 raportach CTI. Wysoka kompilowalność i konwertowalność składni nie dowodzą skuteczności produkcyjnej ani niskiej liczby fałszywych alarmów; reguły wymagają walidacji na lokalnych logach.",
   "limits_en": "LLMCloudHunter was evaluated on 12 CTI reports. High compilation and conversion rates do not establish production effectiveness or low false-positive rates; rules require validation on local logs.",
   "terms": [
    {
     "gloss": "Warunek na dziennikach, który po spełnieniu podnosi alarm.",
     "term": "reguła detekcji"
    },
    {
     "gloss": "Otwarty format reguł niezależny od konkretnego systemu monitoringu.",
     "term": "Sigma"
    },
    {
     "gloss": "Ślad ataku, np. adres, skrót pliku lub nazwa procesu.",
     "term": "wskaźnik kompromitacji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A condition over logs that raises an alarm when met.",
     "term": "detection rule"
    },
    {
     "gloss": "An open rule format independent of any specific monitoring system.",
     "term": "Sigma"
    },
    {
     "gloss": "A trace of an attack, e.g. an address, file hash or process name.",
     "term": "indicator of compromise"
    }
   ],
   "prereq": [
    "infoextraction",
    "fewshotprompting"
   ],
   "keywords": [
    "Sigma rules",
    "YARA",
    "detection engineering",
    "IoC extraction",
    "SIEM query",
    "Splunk SPL",
    "KQL",
    "LLMCloudHunter",
    "detection-as-code"
   ],
   "source_ids": [
    "schwartz-llmcloudhunter-2024"
   ],
   "url": "https://aiatlasgraph.com/t/detectionrulegen",
   "markdown_url": "https://aiatlasgraph.com/t/detectionrulegen.md",
   "updated": "2026-10-30"
  },
  "detrdetectors": {
   "id": "detrdetectors",
   "parent_id": "objectdetection",
   "label": "Detekcja z transformerem (DETR)",
   "canonical_name": "Transformer-based object detection (DETR)",
   "description": "Detekcja jako bezpośrednie przewidywanie zbioru obiektów przez transformer, bez ręcznych kotwic i filtrowania NMS.",
   "description_en": "Detection as direct set prediction by a transformer, without hand-designed anchors or NMS post-processing.",
   "examples": "DETR · dopasowanie dwudzielne · RT-DETR",
   "examples_en": "DETR · bipartite matching · RT-DETR",
   "plain": "To modele szukające obiektów przez wspólne rozpatrywanie całego obrazu i przewidywanie ich zestawu.",
   "plain_en": "These models find objects by considering the whole image together and predicting a set of detections.",
   "solves": "Wykrywanie obiektów bywa obciążone wieloma dodatkowymi regułami i powtarzającymi się wskazaniami tej samej rzeczy.",
   "solves_en": "Object detection can involve many extra rules and repeated detections of the same thing.",
   "does": "Podczas nauki przewidywane obiekty są dopasowywane do oznaczonych przykładów tak, żeby każde wskazanie miało własną rolę.",
   "does_en": "During training, predicted objects are matched to labelled examples so each detection has its own role.",
   "example": "Model ogląda zdjęcie stołu i wskazuje osobno kubek, talerz oraz łyżkę.",
   "example_en": "A model examines a table photo and separately identifies a cup, a plate and a spoon.",
   "for_you": [
    "szukasz kilku różnych rzeczy na jednym obrazie",
    "porównujesz sposoby budowy detektorów"
   ],
   "for_you_en": [
    "look for several different objects in one image",
    "compare ways of building object detectors"
   ],
   "how": "Zapytania obiektowe transformera przewidują zbiór ramek i klas równolegle. Dopasowanie jeden do jednego między predykcjami a anotacjami definiuje stratę, ucząc unikalne wykrycia zamiast ręcznego układania kotwic.",
   "how_en": "Transformer object queries predict a set of boxes and classes in parallel. One-to-one matching between predictions and annotations defines the loss, teaching unique detections instead of manually constructing anchors.",
   "limits": "Dopasowanie zbiorów i uwaga mogą być kosztowne. Liczba slotów ogranicza wykrycia, a małe obiekty wymagają odpowiedniej reprezentacji rozdzielczości.",
   "limits_en": "Set matching and attention can be costly. Slot counts limit detections, while small objects need suitable resolution representations.",
   "terms": [
    {
     "gloss": "Wyuczony wektor reprezentujący slot potencjalnego wykrycia obiektu.",
     "term": "object query"
    },
    {
     "gloss": "Dopasowanie predykcji do anotacji bez przypisywania kilku wykryć jednemu obiektowi.",
     "term": "bipartite matching"
    }
   ],
   "terms_en": [
    {
     "gloss": "A learned vector representing a potential object-detection slot.",
     "term": "object query"
    },
    {
     "gloss": "Matching predictions to annotations without assigning multiple detections to one object.",
     "term": "bipartite matching"
    }
   ],
   "prereq": [
    "transformers",
    "classmetrics"
   ],
   "keywords": [
    "DETR",
    "RT-DETR",
    "Deformable DETR",
    "object queries",
    "Hungarian matching",
    "set prediction"
   ],
   "source_ids": [
    "hf-cv-course",
    "carion-detr-2020"
   ],
   "url": "https://aiatlasgraph.com/t/detrdetectors",
   "markdown_url": "https://aiatlasgraph.com/t/detrdetectors.md",
   "updated": "2026-10-30"
  },
  "dexterousmanip": {
   "id": "dexterousmanip",
   "parent_id": "manipulation",
   "label": "Zręczna manipulacja dłonią robota",
   "canonical_name": "Dexterous in-hand manipulation",
   "aliases": [
    "dexterous manipulation",
    "in-hand manipulation",
    "multi-fingered hand",
    "robotyczna dłoń",
    "manipulacja palcami"
   ],
   "description": "Sterowanie wielopalczastą dłonią w celu zmiany pozy obiektu w chwycie, m.in. politykami RL trenowanymi w symulacji i przenoszonymi na sprzęt.",
   "description_en": "Controlling a multi-fingered hand to change an object's pose within the grasp, including with RL policies trained in simulation and transferred to hardware.",
   "plain": "Obracanie i przekładanie przedmiotów palcami wielopalczastej dłoni robota, bez odkładania ich na stół.",
   "plain_en": "Turning and repositioning objects with the fingers of a multi-fingered robot hand, without putting them down.",
   "solves": "Prosty chwytak tylko zaciska szczęki, a śrubokręt, klucz czy kostkę trzeba obrócić w dłoni, czego nie da się łatwo zaprogramować.",
   "solves_en": "A simple gripper just clamps, while a screwdriver, key or cube must be turned in hand, which is hard to program.",
   "does": "Uczy palce współpracy metodą prób i błędów, najczęściej w symulacji, jak dziecko ćwiczące obracanie kostki w dłoni.",
   "does_en": "It teaches fingers to cooperate through trial and error, mostly in simulation, like a child practising turning a cube in hand.",
   "example": "Dłoń robota obraca w palcach klucz, żeby ustawić go ząbkami do zamka, zanim go włoży.",
   "example_en": "A robot hand rotates a key in its fingers to line its teeth up with the lock before inserting it.",
   "for_you": [
    "budujesz lub programujesz robotyczną dłoń",
    "potrzebujesz posługiwania się narzędziami, nie tylko chwytania",
    "ciekawi cię, czemu ręka to najtrudniejsza część humanoida"
   ],
   "for_you_en": [
    "build or program a robot hand",
    "need tool use, not just grabbing",
    "wonder why the hand is a humanoid's hardest part"
   ],
   "how": "Polityka steruje wieloma stawami palców na podstawie stanu dłoni i szacowanej pozy obiektu. Może być trenowana przez RL w symulacji z losowaniem właściwości fizycznych, a następnie przenoszona na prawdziwą dłoń robota.",
   "how_en": "A policy controls many finger joints from the hand state and an estimate of the object's pose. It can be trained with RL in simulation using randomised physical properties and then transferred to a physical robot hand.",
   "limits": "Wiele stopni swobody i częste kontakty utrudniają symulację oraz trening, który bywa kosztowny obliczeniowo. Robotyczne dłonie są drogie i delikatne, a przeniesienie polityki z symulacji pozostaje wrażliwe na różnice fizyczne.",
   "limits_en": "Many degrees of freedom and frequent contacts make simulation and training difficult and often compute-intensive. Robot hands are expensive and fragile, and simulation-to-hardware transfer remains sensitive to physical mismatch.",
   "terms": [
    {
     "gloss": "Zmiana ułożenia przedmiotu bez wypuszczania go z ręki.",
     "term": "manipulacja w dłoni"
    },
    {
     "gloss": "Kolejne przestawianie palców, by stopniowo obracać przedmiot.",
     "term": "przekładanie palców (finger gaiting)"
    },
    {
     "gloss": "Sensor mierzący nacisk lub odkształcenie w miejscu styku.",
     "term": "czujnik dotykowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Changing an object's placement without releasing it.",
     "term": "in-hand manipulation"
    },
    {
     "gloss": "Repositioning fingers one by one to gradually rotate an object.",
     "term": "finger gaiting"
    },
    {
     "gloss": "A sensor measuring pressure or deformation at the contact point.",
     "term": "tactile sensor"
    }
   ],
   "prereq": [
    "ppo",
    "simtoreal"
   ],
   "keywords": [
    "Shadow Hand",
    "finger gaiting",
    "multi-finger coordination",
    "domain randomization",
    "sim-to-real",
    "reinforcement learning"
   ],
   "source_ids": [
    "dexterous-inhand-2018"
   ],
   "url": "https://aiatlasgraph.com/t/dexterousmanip",
   "markdown_url": "https://aiatlasgraph.com/t/dexterousmanip.md",
   "updated": "2026-10-30"
  },
  "dfast": {
   "id": "dfast",
   "parent_id": "dllmdeepresearch",
   "label": "Wczesna ekstrakcja podzapytań ze stanów odszumiania",
   "canonical_name": "Early subquery extraction from diffusion denoising states",
   "aliases": [
    "early subquery extraction",
    "intermediate-denoising-state extraction",
    "fast decomposition mode"
   ],
   "description": "Tryb dekompozycji, który odczytuje pośrednie stany odszumiania dyfuzyjnego modelu i wyciąga gotowe podzapytania, zanim generowanie się skończy.",
   "description_en": "A decomposition mode that reads intermediate denoising states of a diffusion model and extracts usable subqueries before generation finishes.",
   "plain": "Asystent zaczyna rozbijać pytanie na mniejsze, gdy tylko szkic staje się czytelny, zamiast czekać na cały gotowy tekst.",
   "plain_en": "The assistant starts splitting a question into smaller ones as soon as the draft becomes readable, instead of waiting for the finished text.",
   "solves": "Czekanie na ukończenie całej listy opóźnia wyszukiwanie, nawet gdy wcześniejszy szkic zawiera już użyteczne pytania pomocnicze.",
   "solves_en": "Waiting for the entire list to finish delays search even when an earlier draft already contains useful supporting questions.",
   "does": "Sprawdza kolejne robocze wersje listy i wybiera pierwszą, która ma poprawną liczbę pytań pomocniczych.",
   "does_en": "It checks successive draft lists and takes the first one with the required number of supporting questions.",
   "example": "Pytasz o porównanie metod. Asystent widzi w roboczym szkicu cztery gotowe pytania pomocnicze i od razu wysyła je do wyszukiwarki.",
   "example_en": "You ask for a comparison of methods. The assistant sees four ready supporting questions in a draft and immediately sends them to search.",
   "for_you": [
    "chcesz szybciej dostać wyniki wyszukiwania",
    "budujesz asystenta, który sam rozbija zadania",
    "zależy ci na niskim opóźnieniu w badaniach"
   ],
   "for_you_en": [
    "want search results faster",
    "build an assistant that splits tasks itself",
    "care about low latency in research"
   ],
   "how": "Streamer dekoduje każdy pośredni stan odszumiania, usuwa artefakty myślenia, szuka obiektu JSON z listą podzapytań i akceptuje go, gdy pojawi się poprawna liczba elementów. Reszta generowania może trwać dalej lub być przerwana.",
   "how_en": "A streamer decodes each intermediate denoising state, strips thinking-channel artifacts, scans for a JSON object containing a subqueries list, and accepts it as soon as a valid exact-count object appears. The rest of generation may continue or be stopped.",
   "limits": "Technikę sprawdzono na 100 sztucznych, realistycznych zapytaniach wymagających sześciu podzapytań w JSON. Pierwszy poprawny szkic był medianowo 1,99× szybszy, lecz dokładnie zgadzał się z wynikiem końcowym tylko w 1 ze 100 przypadków; wariant stabilny zgadzał się w 91 przypadkach, ale dawał tylko 1,04× przyspieszenia. W całym potoku dFast nie był szybszy od pełnego trybu dyfuzyjnego.",
   "limits_en": "The technique was tested on 100 synthetic but realistic queries requiring six JSON subqueries. The first valid draft was 1.99× faster at the median but exactly matched the final answer in only 1 of 100 cases; the stable variant matched in 91 cases but delivered only a 1.04× speedup. In the full pipeline, dFast was no faster than full diffusion mode.",
   "terms": [
    {
     "gloss": "Wersja sekwencji w trakcie odszumiania, jeszcze nie ostateczna.",
     "term": "stan pośredni"
    },
    {
     "gloss": "Rozbicie złożonego pytania na mniejsze podzapytania.",
     "term": "dekompozycja"
    },
    {
     "gloss": "Mechanizm czytający kolejne stany generowania w locie.",
     "term": "streamer"
    }
   ],
   "terms_en": [
    {
     "gloss": "A version of the sequence during denoising, not yet final.",
     "term": "intermediate state"
    },
    {
     "gloss": "Splitting a complex question into smaller subqueries.",
     "term": "decomposition"
    },
    {
     "gloss": "A mechanism that reads successive generation states on the fly.",
     "term": "streamer"
    }
   ],
   "prereq": [
    "dllm"
   ],
   "keywords": [
    "dFast",
    "intermediate denoising states",
    "early exit",
    "subquery extraction",
    "streaming decomposition",
    "JSON from partial generation"
   ],
   "source_ids": [
    "gazzaev-diffresearch-2026",
    "gazzaev-diffresearch-github-2026"
   ],
   "url": "https://aiatlasgraph.com/t/dfast",
   "markdown_url": "https://aiatlasgraph.com/t/dfast.md",
   "updated": "2026-10-30"
  },
  "dgadetect": {
   "id": "dgadetect",
   "parent_id": "threatdetection",
   "label": "Wykrywanie losowo generowanych domen (DGA)",
   "canonical_name": "Detection of algorithmically generated domains (DGA detection)",
   "aliases": [
    "DGA detection",
    "domain generation algorithm detection",
    "malicious domain classification",
    "botnet domain detection",
    "wykrywanie domen DGA"
   ],
   "description": "Klasyfikacja nazw domen jako wygenerowanych algorytmicznie przez malware do łączności z serwerem dowodzenia, często na podstawie samego ciągu znaków.",
   "description_en": "Classifying domain names as algorithmically generated by malware to reach its command server, often from the character string alone.",
   "plain": "Rozpoznawanie adresów internetowych, które wymyślił program przestępców, a nie człowiek, po samym wyglądzie nazwy.",
   "plain_en": "Spotting web addresses invented by a criminal's program rather than a person, just from how the name looks.",
   "solves": "Zainfekowane komputery codziennie próbują tysięcy nowych adresów, by znaleźć szefa, a list blokad nie da się nadążać aktualizować.",
   "solves_en": "Infected computers try thousands of new addresses daily to find their boss, and blocklists can't be updated fast enough.",
   "does": "Jak sekretarka, która po samym brzmieniu nazwiska wyczuwa zmyśloną firmę dzwoniącą z „pilnym zamówieniem”.",
   "does_en": "Like a receptionist who can tell a made-up company from the sound of its name alone when it calls with an 'urgent order'.",
   "example": "Firmowy filtr sieci zauważa, że laptop pyta o setki adresów w rodzaju bezsensownych ciągów liter, i odcina go od internetu do sprawdzenia.",
   "example_en": "The company network filter notices a laptop looking up hundreds of addresses made of meaningless letter strings and cuts it off until checked.",
   "for_you": [
    "zarządzasz siecią lub serwerem nazw w firmie",
    "chcesz zbudować pierwszy klasyfikator tekstu znak po znaku",
    "analizujesz ruch zainfekowanych komputerów"
   ],
   "for_you_en": [
    "run a network or name server at a company",
    "want to build a first character-level text classifier",
    "analyse traffic from infected computers"
   ],
   "how": "Model czyta nazwę domeny znak po znaku: warstwa osadzeń zamienia znaki na wektory, a sieć LSTM lub konwolucyjna zwraca prawdopodobieństwo, że domena jest wygenerowana, albo rozpoznaje rodzinę malware. Nie wymaga ręcznych cech ani kontekstu z ruchu DNS, więc działa w czasie rzeczywistym na pojedynczych zapytaniach.",
   "how_en": "The model reads the domain name character by character: an embedding layer turns characters into vectors and an LSTM or convolutional network outputs the probability that the domain is generated, or identifies the malware family. It needs no hand-crafted features or DNS traffic context, so it works in real time on single queries.",
   "limits": "Słabiej radzi sobie z rodzinami generującymi domeny ze słów słownikowych i z rodzinami rzadkimi w danych treningowych. Fałszywe alarmy na nietypowych, legalnych domenach są kosztowne przy milionach zapytań dziennie. Atakujący mogą dostosować generator do detektora.",
   "limits_en": "It struggles with families that build domains from dictionary words and with families rare in training data. False alarms on unusual legitimate domains are costly at millions of queries per day. Attackers can adapt the generator to the detector.",
   "terms": [
    {
     "gloss": "Algorytm w malware, który codziennie wymyśla nowe nazwy domen.",
     "term": "DGA"
    },
    {
     "gloss": "Komputer przestępców wydający polecenia zainfekowanym maszynom.",
     "term": "serwer dowodzenia"
    },
    {
     "gloss": "Przejęcie domeny przez obrońców, by odciąć i policzyć zainfekowane maszyny.",
     "term": "sinkholing"
    }
   ],
   "terms_en": [
    {
     "gloss": "An algorithm in malware that invents new domain names every day.",
     "term": "DGA"
    },
    {
     "gloss": "The criminals' computer that sends orders to infected machines.",
     "term": "command-and-control server"
    },
    {
     "gloss": "Defenders taking over a domain to cut off and count infected machines.",
     "term": "sinkholing"
    }
   ],
   "prereq": [
    "lstmgru",
    "textclassification"
   ],
   "keywords": [
    "LSTM",
    "character-level CNN",
    "DNS security",
    "botnet",
    "command and control",
    "dictionary DGA",
    "passive DNS",
    "Keras"
   ],
   "source_ids": [
    "woodbridge-dga-lstm-2016"
   ],
   "url": "https://aiatlasgraph.com/t/dgadetect",
   "markdown_url": "https://aiatlasgraph.com/t/dgadetect.md",
   "updated": "2026-10-30"
  },
  "diagnosticreasoning": {
   "id": "diagnosticreasoning",
   "parent_id": "medicalllm",
   "label": "Wspomaganie diagnozy różnicowej",
   "canonical_name": "LLM-assisted differential diagnosis",
   "aliases": [
    "differential diagnosis LLM",
    "diagnostic decision support",
    "clinical diagnostic reasoning AI",
    "diagnoza różnicowa AI"
   ],
   "description": "Użycie LLM do generowania rankingowanej listy rozpoznań różnicowych z opisu przypadku, samodzielnie lub jako wsparcie klinicysty.",
   "description_en": "Using LLMs to generate a ranked differential-diagnosis list from a case description, standalone or as clinician support.",
   "plain": "Model językowy czyta opis trudnego przypadku i podsuwa lekarzowi listę możliwych chorób, o których warto pomyśleć.",
   "plain_en": "A language model reads a hard case and suggests to the doctor a list of possible diseases worth considering.",
   "solves": "Przy nietypowych objawach lekarz może utknąć przy jednej hipotezie i przeoczyć rzadką chorobę, którą widział tylko w podręczniku.",
   "solves_en": "With unusual symptoms a doctor can get stuck on one idea and miss a rare disease seen only in textbooks.",
   "does": "Działa jak konsultacja z oczytanym kolegą, który rzuca dodatkowe pomysły, a decyzja i badania zostają przy lekarzu.",
   "does_en": "Works like a quick consult with a well-read colleague who adds ideas, while the decision and tests stay with the doctor.",
   "example": "Internista od tygodni nie wie, skąd gorączka pacjenta; wpisuje opis przypadku i dostaje listę dziesięciu możliwości z sugerowanymi badaniami.",
   "example_en": "An internist has puzzled for weeks over a patient's fever; she enters the case and gets ten possibilities with suggested tests.",
   "for_you": [
    "długo szukasz przyczyny swoich objawów",
    "stawiasz diagnozy w pracy"
   ],
   "for_you_en": [
    "have searched long for the cause of your symptoms",
    "make diagnoses at work"
   ],
   "how": "Model dostaje wywiad, badanie i wyniki, a następnie generuje uporządkowaną listę rozpoznań, często z uzasadnieniem i propozycją dalszych badań. Ocenia się trafność top-k względem rozpoznania końcowego oraz to, czy lekarze z narzędziem tworzą lepsze listy niż bez niego lub z wyszukiwarką.",
   "how_en": "The model receives history, exam and results, then generates a ranked diagnosis list, often with reasoning and suggested next tests. Evaluation uses top-k accuracy against the final diagnosis and whether clinicians with the tool build better lists than without it or with search.",
   "limits": "Opisy z publikacji są starannie uporządkowane, w przeciwieństwie do chaotycznych danych z praktyki, i mogły wyciec do treningu. Model brzmi pewnie także przy błędach, a lekarze mogą ulegać jego sugestiom. Brakuje dowodów z badania wpływu na wyniki pacjentów.",
   "limits_en": "Published cases are neatly curated, unlike messy real-world data, and may have leaked into training. The model sounds confident even when wrong, and clinicians may be swayed. Evidence on patient outcomes is lacking.",
   "terms": [
    {
     "gloss": "Lista chorób mogących dać te same objawy.",
     "term": "diagnoza różnicowa"
    },
    {
     "gloss": "Czy właściwa diagnoza jest wśród k pierwszych propozycji.",
     "term": "trafność top-k"
    },
    {
     "gloss": "Trzymanie się pierwszej hipotezy mimo nowych danych.",
     "term": "błąd zakotwiczenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "List of diseases that could cause the same symptoms.",
     "term": "differential diagnosis"
    },
    {
     "gloss": "Whether the right diagnosis is among the first k suggestions.",
     "term": "top-k accuracy"
    },
    {
     "gloss": "Sticking to the first idea despite new information.",
     "term": "anchoring bias"
    }
   ],
   "prereq": [
    "cot",
    "medllmeval"
   ],
   "keywords": [
    "differential diagnosis",
    "NEJM case records",
    "top-10 accuracy",
    "AMIE",
    "clinical decision support",
    "diagnostic error",
    "automation bias"
   ],
   "source_ids": [
    "llm-ddx-2023"
   ],
   "url": "https://aiatlasgraph.com/t/diagnosticreasoning",
   "markdown_url": "https://aiatlasgraph.com/t/diagnosticreasoning.md",
   "updated": "2026-10-30"
  },
  "differentialevolution": {
   "id": "differentialevolution",
   "parent_id": "evoclassic",
   "label": "Ewolucja różnicowa (DE)",
   "canonical_name": "Differential evolution (DE)",
   "aliases": [
    "differential evolution",
    "DE",
    "ewolucja różnicowa"
   ],
   "description": "Populacyjna metoda optymalizacji ciągłej, w której mutant to wektor bazowy plus przeskalowana różnica dwóch losowych członków populacji.",
   "description_en": "A population method for continuous optimisation where a mutant is a base vector plus a scaled difference of two random members.",
   "plain": "Metoda strojenia liczbowych ustawień, w której nowe warianty powstają przez dodanie różnicy dwóch innych wariantów do trzeciego.",
   "plain_en": "A way to tune numeric settings where new variants are made by adding the difference of two variants to a third.",
   "solves": "Trzeba dobrać kilkanaście czy kilkadziesiąt liczb, wynik ma wiele pułapek, a nie wiadomo, jak duże kroki robić.",
   "solves_en": "You must pick dozens of numbers, the result is full of traps, and you do not know how big a step to take.",
   "does": "Rozrzut samej populacji podpowiada skalę kroku: gdy warianty są daleko od siebie, zmiany są duże, gdy się zbliżą, maleją.",
   "does_en": "The spread of the population itself sets the step size: far-apart variants give big changes, close ones give small changes.",
   "example": "Inżynier dobiera wymiary elementów filtra w radiu; program co rundę miesza istniejące projekty i zostawia tylko te, które lepiej tłumią zakłócenia.",
   "example_en": "An engineer sizes the parts of a radio filter; each round the software mixes existing designs and keeps only those that suppress noise better.",
   "for_you": [
    "stroisz wiele liczbowych parametrów bez wzoru na wynik",
    "chcesz prostej metody z trzema ustawieniami"
   ],
   "for_you_en": [
    "tune many numeric parameters with no formula for the result",
    "want a simple method with three settings"
   ],
   "how": "Dla każdego wektora docelowego tworzy się mutanta v = x_r1 + F·(x_r2 − x_r3), potem krzyżowanie dwumianowe z prawdopodobieństwem CR miesza go z celem. Próbnik zastępuje cel tylko wtedy, gdy jest lepszy (selekcja zachłanna).",
   "how_en": "For each target vector a mutant v = x_r1 + F·(x_r2 − x_r3) is built, then binomial crossover with rate CR mixes it with the target. The trial replaces the target only when it is better (greedy selection).",
   "limits": "Brak ogólnego dowodu zbieżności, a wyniki zależą od F, CR i rozmiaru populacji. Działa na zmiennych ciągłych; dla problemów dyskretnych potrzebuje przeróbek. Przy bardzo wielu wymiarach i drogich ocenach liczba wywołań szybko rośnie.",
   "limits_en": "There is no general convergence proof, and results depend on F, CR and population size. It works on continuous variables; discrete problems need adaptations. With very many dimensions and costly evaluations the call count grows quickly.",
   "terms": [
    {
     "gloss": "Mnożnik różnicy dwóch wektorów, czyli długość kroku mutacji.",
     "term": "współczynnik F"
    },
    {
     "gloss": "Prawdopodobieństwo wzięcia współrzędnej od mutanta zamiast od rodzica.",
     "term": "CR"
    },
    {
     "gloss": "Zapis wariantu: losowa baza, jedna różnica, krzyżowanie dwumianowe.",
     "term": "DE/rand/1/bin"
    }
   ],
   "terms_en": [
    {
     "gloss": "Multiplier on the difference of two vectors, the mutation step length.",
     "term": "scale factor F"
    },
    {
     "gloss": "Probability of taking a coordinate from the mutant instead of the parent.",
     "term": "CR"
    },
    {
     "gloss": "Variant notation: random base, one difference, binomial crossover.",
     "term": "DE/rand/1/bin"
    }
   ],
   "prereq": [
    "mathoptimization"
   ],
   "keywords": [
    "DE/rand/1/bin",
    "DE/best/2/bin",
    "SHADE",
    "L-SHADE",
    "jDE",
    "JADE",
    "CEC benchmarks",
    "scipy differential_evolution",
    "pymoo"
   ],
   "source_ids": [
    "de-storn-price-1997"
   ],
   "url": "https://aiatlasgraph.com/t/differentialevolution",
   "markdown_url": "https://aiatlasgraph.com/t/differentialevolution.md",
   "updated": "2026-10-30"
  },
  "diffprivacy": {
   "id": "diffprivacy",
   "parent_id": "privacy",
   "label": "Prywatność różnicowa (DP-SGD)",
   "canonical_name": "Differential privacy in machine learning",
   "description": "Matematyczna gwarancja, że wynik treningu prawie nie zależy od obecności pojedynczej osoby w danych. W praktyce: przycinanie gradientów i dodawanie szumu (DP-SGD) przy kontrolowanym „budżecie prywatności” — kosztem jakości modelu.",
   "description_en": "A mathematical guarantee that the training result barely depends on whether any single person is in the data. In practice: gradient clipping and added noise (DP-SGD) under a controlled “privacy budget” — at a cost to model quality.",
   "examples": "DP-SGD · budżet prywatności ε · modele językowe trenowane z DP",
   "examples_en": "DP-SGD · privacy budget ε · language models trained with DP",
   "plain": "To matematycznie kontrolowane ograniczanie tego, ile wynik może ujawnić o pojedynczym uczestniku danych.",
   "plain_en": "This mathematically controls how much a result can reveal about an individual data contributor.",
   "solves": "Model lub analiza może ujawnić, że konkretna osoba znalazła się w danych treningowych.",
   "solves_en": "A model or analysis can reveal that a particular person contributed to the training data.",
   "does": "Ogranicza wpływ pojedynczych przykładów i dodaje kontrolowany szum, rozliczając budżet prywatności; silniejsza ochrona może utrudniać uzyskanie dobrej jakości.",
   "does_en": "It limits individual examples' influence and adds controlled noise while accounting for a privacy budget; stronger protection can make quality harder to achieve.",
   "example": "Trenujesz model na prywatnych wiadomościach, ograniczając wkład każdej osoby i mierząc koszt prywatności całego treningu.",
   "example_en": "You train a model on private messages, limiting each person's contribution and measuring the privacy cost of the entire training run.",
   "for_you": [
    "uczysz model na wrażliwych danych",
    "potrzebujesz ilościowo określonej ochrony uczestników"
   ],
   "for_you_en": [
    "train models on sensitive data",
    "need quantitatively defined protection for contributors"
   ],
   "how": "Gradienty pojedynczych przykładów przycina się do ograniczonej normy, a agregat aktualizacji zaburza kontrolowanym szumem. Analiza kompozycji uwzględnia próbkowanie i kolejne kroki, ograniczając zmianę rozkładu wyniku po zmianie sąsiadującego zbioru.",
   "how_en": "Per-example gradients are clipped to bounded norms, and aggregated updates receive calibrated noise. Composition analysis accounts for sampling and successive steps, bounding output-distribution changes between neighbouring datasets.",
   "limits": "Gwarancja dotyczy ustalonej jednostki sąsiedztwa i całego budżetu. Szum obniża użyteczność, a błędne rozliczenie lub ujawnienie dodatkowych statystyk może ją naruszyć; ochrona przykładu nie zawsze oznacza ochronę całej osoby.",
   "limits_en": "Guarantees cover a specified adjacency unit and total budget. Noise reduces utility; incorrect accounting or extra disclosures can break guarantees, and example protection need not protect an entire person.",
   "terms": [
    {
     "gloss": "Parametry ograniczające, jak bardzo wynik może zależeć od chronionej jednostki.",
     "term": "budżet prywatności"
    },
    {
     "gloss": "Zbiory różniące się jedną ustaloną jednostką chronionych danych.",
     "term": "sąsiadujące zbiory"
    }
   ],
   "terms_en": [
    {
     "gloss": "Parameters bounding how strongly outputs can depend on a protected unit.",
     "term": "privacy budget"
    },
    {
     "gloss": "Datasets differing in one specified unit of protected data.",
     "term": "neighbouring datasets"
    }
   ],
   "prereq": [
    "backprop",
    "probability"
   ],
   "keywords": [
    "DP-SGD",
    "epsilon-delta privacy",
    "gradient clipping",
    "Gaussian mechanism",
    "privacy accounting",
    "Opacus"
   ],
   "source_ids": [
    "dp-sgd-abadi-2016"
   ],
   "url": "https://aiatlasgraph.com/t/diffprivacy",
   "markdown_url": "https://aiatlasgraph.com/t/diffprivacy.md",
   "updated": "2026-10-30"
  },
  "diffusion": {
   "id": "diffusion",
   "parent_id": "generative",
   "label": "Modele dyfuzyjne",
   "canonical_name": "Diffusion models",
   "description": "Generowanie przez stopniowe odszumianie.",
   "description_en": "Generating by gradual denoising.",
   "examples": "obraz · wideo",
   "examples_en": "image · video",
   "plain": "To modele tworzące dane przez stopniowe usuwanie szumu z początkowo losowego zapisu.",
   "plain_en": "These models create data by gradually removing noise from an initially random representation.",
   "solves": "Chcesz tworzyć wiele różnych obrazów lub dźwięków, które zachowują poznane cechy rzeczywistych przykładów.",
   "solves_en": "You want varied images or sounds that retain characteristics learned from real examples.",
   "does": "Nauka na zaszumionych przykładach pokazuje, jak je poprawiać; podczas generowania kolejne kroki kierują losowy zapis ku pasującej treści.",
   "does_en": "Learning from noisy examples teaches correction; during generation, successive steps guide a random representation towards suitable content.",
   "example": "Po opisaniu leśnej ścieżki widzisz, jak generator stopniowo wyłania obraz z losowych plam.",
   "example_en": "After describing a forest path, you see a generator gradually reveal an image from random patches.",
   "for_you": [
    "korzystasz z generatorów obrazów lub dźwięków",
    "chcesz zrozumieć stopniowe tworzenie treści"
   ],
   "for_you_en": [
    "use image or sound generators",
    "want to understand gradual content generation"
   ],
   "how": "Proces perturbacji dostarcza przykłady z różnym poziomem szumu, na których model uczy sygnału odszumiania. Generator odwraca tę ścieżkę przez kolejne aktualizacje próbki, opcjonalnie warunkowane tekstem lub inną informacją.",
   "how_en": "A perturbation process supplies examples at varied noise levels for learning denoising signals. Generation reverses this path through successive sample updates, optionally conditioned on text or other information.",
   "limits": "Wielokrotne wywołania modelu zwiększają czas próbkowania. Harmonogram szumu i solver wpływają na jakość; odszumianie nie gwarantuje poprawnego odtworzenia konkretnego obiektu lub relacji.",
   "limits_en": "Repeated model calls increase sampling time. Noise schedules and solvers affect quality; denoising cannot guarantee correct reconstruction of specific objects or relationships.",
   "terms": [
    {
     "gloss": "Gradient logarytmu gęstości wskazujący kierunek zmiany próbki.",
     "term": "score"
    },
    {
     "gloss": "Rozkład poziomów perturbacji wzdłuż procesu treningowego i próbkowania.",
     "term": "harmonogram szumu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A log-density gradient indicating a sample-update direction.",
     "term": "score"
    },
    {
     "gloss": "The arrangement of perturbation levels along training and sampling processes.",
     "term": "noise schedule"
    }
   ],
   "prereq": [
    "distributions",
    "backprop"
   ],
   "keywords": [
    "DDPM",
    "DDIM",
    "score matching",
    "noise schedules",
    "classifier-free guidance",
    "latent diffusion",
    "pixel-space diffusion",
    "DiT",
    "discrete diffusion",
    "diffusion language models",
    "cascaded diffusion"
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/diffusion",
   "markdown_url": "https://aiatlasgraph.com/t/diffusion.md",
   "updated": "2026-10-30"
  },
  "diffusionpolicy": {
   "id": "diffusionpolicy",
   "parent_id": "imitation",
   "label": "Polityki generatywne (Diffusion Policy, ACT)",
   "canonical_name": "Generative action policies (Diffusion Policy, ACT)",
   "description": "Polityka generuje całe porcje przyszłych ruchów modelem generatywnym (dyfuzja, flow matching, transformer), co dobrze odwzorowuje różne sposoby wykonania zadania z demonstracji.",
   "description_en": "The policy generates whole chunks of future actions with a generative model (diffusion, flow matching, transformer), capturing the different ways demonstrators perform a task.",
   "examples": "Diffusion Policy · Action Chunking with Transformers (ACT) · flow matching dla akcji",
   "examples_en": "Diffusion Policy · Action Chunking with Transformers (ACT) · flow matching for actions",
   "plain": "To uczenie robota tworzenia krótkich sekwencji ruchów na podstawie pokazów wykonania zadania.",
   "plain_en": "This teaches a robot to generate short movement sequences from task demonstrations.",
   "solves": "Zadanie można wykonać różnymi sposobami, a przewidywanie pojedynczego ruchu naraz może utrudniać płynne działanie.",
   "solves_en": "A task can be completed in different ways, while predicting one move at a time may make smooth action harder.",
   "does": "Wyuczony generator proponuje porcję kolejnych ruchów pasujących do obserwacji, odtwarzając różne sposoby działania pokazane w danych.",
   "does_en": "A learned generator proposes a chunk of successive movements matching the observation and reflecting different approaches demonstrated in the data.",
   "example": "Robot po obejrzeniu kubka proponuje sekwencję podejścia, chwytu i uniesienia, a potem aktualizuje plan z nowych obserwacji.",
   "example_en": "After viewing a cup, a robot proposes an approach, grip and lift sequence, then updates its plan using new observations.",
   "for_you": [
    "chcesz uczyć płynnych sekwencji ruchów z pokazów",
    "poprawne wykonanie ma kilka możliwych wariantów"
   ],
   "for_you_en": [
    "want smooth movement sequences learned from demonstrations",
    "have several possible ways to perform a task correctly"
   ],
   "how": "Obserwacje warunkują model generujący sekwencję przyszłych działań, trenowany na demonstracjach. Odszumianie, przepływ lub predykcja sekwencyjna odwzorowują rozkład możliwych ruchów, a wykonanie przeplata się z ponownym planowaniem.",
   "how_en": "Observations condition a model generating future action sequences trained on demonstrations. Denoising, flows or sequence prediction model possible movements, while execution alternates with replanning.",
   "limits": "Generowanie wielu kroków zwiększa opóźnienie i utrudnia szybkie reakcje. Niepoprawne demonstracje oraz nowe układy obiektów pozostają problemem; wygenerowany ruch nie gwarantuje fizycznej wykonalności.",
   "limits_en": "Generating multiple steps adds latency and complicates rapid reactions. Faulty demonstrations and unfamiliar object arrangements remain problematic; generated movement does not guarantee physical feasibility.",
   "terms": [
    {
     "gloss": "Blok kolejnych działań przewidywany wspólnie zamiast pojedynczej akcji.",
     "term": "action chunk"
    },
    {
     "gloss": "Wykonywanie części planu i ponowne planowanie z nowych obserwacji.",
     "term": "receding horizon"
    }
   ],
   "terms_en": [
    {
     "gloss": "A block of consecutive actions predicted jointly rather than individually.",
     "term": "action chunk"
    },
    {
     "gloss": "Executing part of a plan and replanning from new observations.",
     "term": "receding horizon"
    }
   ],
   "prereq": [
    "diffusion",
    "behaviorcloning"
   ],
   "keywords": [
    "denoising diffusion",
    "ACT",
    "action chunking",
    "receding-horizon control",
    "flow matching"
   ],
   "source_ids": [
    "diffusion-policy-2023",
    "aloha-act-2023",
    "pi0-2024"
   ],
   "url": "https://aiatlasgraph.com/t/diffusionpolicy",
   "markdown_url": "https://aiatlasgraph.com/t/diffusionpolicy.md",
   "updated": "2026-10-30"
  },
  "digitaltwins": {
   "id": "digitaltwins",
   "parent_id": "industrialai",
   "label": "Cyfrowe bliźniaki",
   "canonical_name": "Digital twins",
   "aliases": [
    "digital twin",
    "DT",
    "cyfrowy bliźniak",
    "virtual factory",
    "wirtualna fabryka",
    "asset twin"
   ],
   "description": "Wirtualna reprezentacja obiektu fizycznego synchronizowana z jego danymi w obu kierunkach, używana do monitorowania, symulacji scenariuszy i optymalizacji.",
   "description_en": "A virtual representation of a physical asset synchronised with its data in both directions, used for monitoring, scenario simulation and optimisation.",
   "plain": "Wirtualna kopia maszyny, linii albo całej fabryki, która na bieżąco dostaje dane z prawdziwego obiektu i zachowuje się tak jak on.",
   "plain_en": "A virtual copy of a machine, line or whole factory that receives live data from the real thing and behaves the way it does.",
   "solves": "Sprawdzenie nowego ustawienia na prawdziwej linii grozi zepsuciem partii towaru, a zatrzymanie fabryki dla eksperymentu kosztuje fortunę.",
   "solves_en": "Trying a new setting on the real line risks ruining a batch, and stopping the factory for an experiment costs a fortune.",
   "does": "Jak symulator lotu dla pilota: można w nim przećwiczyć ryzykowny manewr, ale tu symulator przez cały czas dostraja się do prawdziwego samolotu.",
   "does_en": "Like a flight simulator: you can rehearse a risky manoeuvre, except this simulator keeps tuning itself to the real aircraft.",
   "example": "Inżynier przed zmianą receptury sprawdza na wirtualnej kopii linii, czy piec wytrzyma wyższą temperaturę, i dopiero potem wprowadza zmianę w hali.",
   "example_en": "Before changing a recipe, an engineer checks on a virtual copy of the line whether the oven can handle a higher temperature, then applies it in the hall.",
   "for_you": [
    "chcesz przetestować zmianę w produkcji bez ryzyka",
    "zarządzasz drogą infrastrukturą: siecią, budynkiem, turbiną"
   ],
   "for_you_en": [
    "want to test a production change without risk",
    "manage costly infrastructure: a grid, a building, a turbine"
   ],
   "how": "Bliźniak łączy model obiektu — symulację fizyczną, model uczony na danych albo model zastępczy przyspieszający symulację — ze strumieniem danych z czujników. Stan modelu jest na bieżąco korygowany pomiarami, a wnioski z symulacji mogą wracać do sterowania obiektem. Pełny bliźniak wymienia dane w obu kierunkach.",
   "how_en": "A twin couples a model of the asset — a physics simulation, a data-driven model or a surrogate that speeds up simulation — with a live sensor stream. The model state is corrected by measurements, and conclusions from simulation can flow back into control of the asset. A full twin exchanges data in both directions.",
   "limits": "Termin bywa nadużywany: wiele „bliźniaków” to zwykłe pulpity lub statyczne modele 3D. Budowa i utrzymanie wiernego modelu są drogie, a integracja danych z różnych systemów trudna. Model rozjeżdża się z rzeczywistością, gdy obiekt się zużywa lub zmienia.",
   "limits_en": "The term is overused: many 'twins' are plain dashboards or static 3D models. Building and maintaining a faithful model is expensive, and integrating data from different systems is hard. The model drifts from reality as the asset wears or changes.",
   "terms": [
    {
     "gloss": "Szybki model uczony naśladujący wolną, dokładną symulację.",
     "term": "model zastępczy"
    },
    {
     "gloss": "Kopia, która tylko odbiera dane, bez wpływu na obiekt.",
     "term": "cyfrowy cień"
    },
    {
     "gloss": "Maszyna sprzężona z oprogramowaniem, które ją mierzy i steruje.",
     "term": "system cyber-fizyczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A fast learned model that imitates a slow, accurate simulation.",
     "term": "surrogate model"
    },
    {
     "gloss": "A copy that only receives data and does not affect the asset.",
     "term": "digital shadow"
    },
    {
     "gloss": "A machine coupled with software that measures and controls it.",
     "term": "cyber-physical system"
    }
   ],
   "prereq": [
    "sciml"
   ],
   "keywords": [
    "digital shadow",
    "surrogate model",
    "cyber-physical systems",
    "IIoT",
    "asset administration shell",
    "OPC UA",
    "data assimilation",
    "model calibration",
    "physics-based simulation"
   ],
   "source_ids": [
    "fuller-digital-twin-2019",
    "kritzinger-digital-twin-2018"
   ],
   "url": "https://aiatlasgraph.com/t/digitaltwins",
   "markdown_url": "https://aiatlasgraph.com/t/digitaltwins.md",
   "updated": "2026-10-30"
  },
  "dimreduction": {
   "id": "dimreduction",
   "parent_id": "unsupervised",
   "label": "Redukcja wymiarowości",
   "canonical_name": "Dimensionality reduction",
   "description": "Zamiana wielu cech na kilka, które zachowują najważniejszą strukturę danych — do wizualizacji, kompresji albo jako krok przed innym modelem.",
   "description_en": "Turning many features into a few that keep the most important structure of the data — for visualisation, compression or as a step before another model.",
   "examples": "PCA · t-SNE · UMAP",
   "examples_en": "PCA · t-SNE · UMAP",
   "plain": "To zastępowanie wielu cech danych krótszym opisem zachowującym część ich struktury.",
   "plain_en": "This replaces many data features with a shorter description that preserves some of their structure.",
   "solves": "Zbyt wiele cech utrudnia oglądanie danych, zwiększa koszt obliczeń i może powielać te same informacje.",
   "solves_en": "Too many features make data hard to inspect, increase calculation costs and may repeat the same information.",
   "does": "Łączy lub przekształca cechy w mniejszy zestaw, wybierając zachowanie zmienności, podobieństw lub innej struktury zależnie od metody.",
   "does_en": "It combines or transforms features into a smaller set, preserving variation, similarities or another structure depending on the method.",
   "example": "Z obszernego opisu produktów tworzysz krótszy zapis liczbowy, żeby łatwiej oglądać podobieństwa i porównywać rzeczy.",
   "example_en": "You turn detailed product descriptions into shorter numerical representations to inspect similarities and compare items more easily.",
   "for_you": [
    "twoje dane mają bardzo wiele cech",
    "chcesz uprościć obliczenia lub obejrzeć strukturę danych"
   ],
   "for_you_en": [
    "have data with very many features",
    "want simpler calculations or a view of data structure"
   ],
   "how": "Projekcja lub wyuczony embedding mapuje dane do przestrzeni o mniejszym wymiarze. Cel zachowuje wybraną własność, taką jak wariancja, sąsiedztwo lub rekonstrukcja, zamiast całej informacji wejściowej.",
   "how_en": "A projection or learned embedding maps data into fewer dimensions. The objective preserves selected properties such as variance, neighbourhoods or reconstruction rather than all input information.",
   "limits": "Redukcja zawsze wybiera kompromis zachowania struktury. Mały błąd celu nie gwarantuje zachowania rzadkich sygnałów, a wizualne odległości mogą zniekształcać relacje danych.",
   "limits_en": "Reduction chooses a structure-preservation trade-off. Low objective error does not guarantee retaining rare signals, and visual distances can distort data relationships.",
   "terms": [
    {
     "gloss": "Przekształcenie danych do wybranej przestrzeni reprezentacji.",
     "term": "projekcja"
    },
    {
     "gloss": "Wektorowa reprezentacja zachowująca wybrane relacje między przykładami.",
     "term": "embedding"
    }
   ],
   "terms_en": [
    {
     "gloss": "Mapping data into a selected representation space.",
     "term": "projection"
    },
    {
     "gloss": "A vector representation preserving selected relationships between examples.",
     "term": "embedding"
    }
   ],
   "prereq": [
    "linearalgebra",
    "infotheory"
   ],
   "keywords": [
    "PCA",
    "TruncatedSVD",
    "t-SNE",
    "UMAP",
    "feature projection",
    "explained variance"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "cs229-summer-2026",
    "mcinnes-umap-2018"
   ],
   "url": "https://aiatlasgraph.com/t/dimreduction",
   "markdown_url": "https://aiatlasgraph.com/t/dimreduction.md",
   "updated": "2026-10-30"
  },
  "disaggregation": {
   "id": "disaggregation",
   "parent_id": "serving",
   "label": "Rozdzielenie fazy prefill i decode",
   "canonical_name": "Disaggregated prefill and decode",
   "aliases": [
    "disaggregated serving",
    "prefill-decode disaggregation",
    "PD disaggregation",
    "rozdzielony prefill i decode",
    "phase splitting"
   ],
   "description": "Przetwarzanie promptu (prefill, ograniczony obliczeniami) i generowanie tokenów (decode, ograniczone pamięcią) na osobnych pulach GPU z przesyłaniem KV cache między nimi, by stroić czas do pierwszego tokenu i czas na token niezależnie.",
   "description_en": "Running prompt processing (prefill, compute-bound) and token generation (decode, memory-bound) on separate GPU pools, transferring the KV cache between them, so TTFT and per-token latency can be tuned independently.",
   "examples": "osobne pule prefill i decode · transfer KV cache · routing świadomy KV cache · optymalizacja pod goodput",
   "examples_en": "separate prefill and decode pools · KV-cache transfer · KV-aware routing · goodput optimisation",
   "plain": "To przetwarzanie pytania i dopisywanie odpowiedzi na osobnych grupach urządzeń.",
   "plain_en": "This processes prompts and generates responses on separate device groups.",
   "solves": "Długie nowe pytania konkurują o sprzęt z rozmowami, które właśnie czekają na kolejne słowa odpowiedzi.",
   "solves_en": "Long new prompts compete for hardware with conversations waiting for the next response elements.",
   "does": "Pierwsza grupa przygotowuje zapis wejścia, przekazuje go drugiej, a każdą fazę można osobno dopasować do ruchu i zasobów.",
   "does_en": "One group prepares the input representation and passes it to another, letting each phase be tuned separately to traffic and resources.",
   "example": "Serwer kieruje czytanie długich dokumentów do jednej puli urządzeń, a bieżące generowanie odpowiedzi do drugiej.",
   "example_en": "A server sends long-document processing to one device pool and ongoing response generation to another.",
   "for_you": [
    "ruch miesza długie pytania i trwające odpowiedzi",
    "chcesz osobno skalować fazy obsługi modelu"
   ],
   "for_you_en": [
    "serve both long prompts and ongoing responses",
    "want to scale serving phases separately"
   ],
   "how": "Prefill i generowanie kolejnych tokenów kieruje się do osobnych pul urządzeń z niezależnym harmonogramem. Stan uwagi przenosi się między fazami, pozwalając dobrać zasoby i równoległość osobno do pierwszej odpowiedzi oraz dalszego strumienia.",
   "how_en": "Prefill and subsequent token generation are routed to separate device pools with independent scheduling. Attention state transfers between phases, allowing separate resource and parallelism choices for first responses and ongoing streams.",
   "limits": "Transfer stanu dodaje opóźnienie i obciążenie sieci. Zysk zależy od ruchu i topologii; rozdział może nie opłacać się przy małych zadaniach, a pule wymagają równoważenia.",
   "limits_en": "State transfer adds latency and network load. Benefits depend on traffic and topology; separation may not pay for small tasks, and pools require balancing.",
   "terms": [
    {
     "gloss": "Transfer stanu uwagi pomiędzy wykonawcami różnych faz.",
     "term": "przekazanie KV"
    },
    {
     "gloss": "Dobór liczby zasobów osobno dla etapów o różnych wymaganiach.",
     "term": "niezależne skalowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Transferring attention state between workers handling different phases.",
     "term": "KV handoff"
    },
    {
     "gloss": "Allocating resource counts separately to stages with different demands.",
     "term": "independent scaling"
    }
   ],
   "prereq": [
    "selfattention",
    "interconnects"
   ],
   "keywords": [
    "DistServe",
    "Splitwise",
    "prefill-decode separation",
    "KV cache transfer",
    "KV-aware routing",
    "goodput optimization",
    "independent scaling"
   ],
   "source_ids": [
    "distserve-2024",
    "splitwise-2023",
    "vllm-disagg-prefill",
    "nvidia-llm-inference-opt-2023"
   ],
   "url": "https://aiatlasgraph.com/t/disaggregation",
   "markdown_url": "https://aiatlasgraph.com/t/disaggregation.md",
   "updated": "2026-10-30"
  },
  "disastermapping": {
   "id": "disastermapping",
   "parent_id": "eoapps",
   "label": "Mapowanie powodzi i szkód po katastrofach",
   "canonical_name": "Flood and disaster damage mapping",
   "aliases": [
    "flood mapping",
    "building damage assessment",
    "disaster response mapping",
    "mapowanie szkód",
    "rapid damage assessment"
   ],
   "description": "Segmentacja wody na obrazach radarowych i optycznych oraz ocena szkód budynków przez porównanie zdjęć sprzed i po zdarzeniu, w skali stopni zniszczenia.",
   "description_en": "Segmenting water in radar and optical images and assessing building damage by comparing pre- and post-event images on a scale of damage levels.",
   "plain": "Automatyczne rysowanie ze zdjęć satelitarnych map zalanych terenów i zniszczonych budynków, żeby pomoc trafiła tam, gdzie jest najbardziej potrzebna.",
   "plain_en": "Automatically drawing maps of flooded land and destroyed buildings from satellite images, so help reaches where it is needed most.",
   "solves": "Po katastrofie ratownicy nie wiedzą, które okolice ucierpiały najbardziej, a ręczne oglądanie zdjęć tysięcy domów trwa zbyt długo.",
   "solves_en": "After a disaster, rescuers do not know which areas were hit hardest, and checking images of thousands of homes by hand takes too long.",
   "does": "Jak zwiadowca, który obleciał cały region i wraca z mapą: tu woda, tu zawalone dachy, tu obszar wymagający sprawdzenia.",
   "does_en": "Like a scout who has flown over the whole region and comes back with a map: water here, collapsed roofs there, this area needs checking.",
   "example": "Po trzęsieniu ziemi organizacja pomocowa używa mapy szkód, by ustalić kolejność weryfikacji terenowej i zaplanować pracę zespołów.",
   "example_en": "After an earthquake, an aid group uses a damage map to prioritise field verification and plan its teams' work.",
   "for_you": [
    "działasz w ratownictwie, samorządzie lub organizacji pomocowej",
    "ubezpieczasz domy lub szacujesz szkody"
   ],
   "for_you_en": [
    "work in rescue, local government or an aid organisation",
    "insure homes or assess damage"
   ],
   "how": "Wodę wykrywa się głównie na obrazach radarowych, bo widzą przez chmury: progowaniem lub sieciami segmentującymi, często uczonymi na słabych etykietach. Szkody ocenia się dwuetapowo: sieć lokalizuje budynki na zdjęciu sprzed zdarzenia, a klasyfikator porównuje je z obrazem po i nadaje stopień zniszczenia.",
   "how_en": "Water is detected mainly in radar images, which see through clouds, using thresholding or segmentation networks often trained on weak labels. Damage is assessed in two stages: a network locates buildings in the pre-event image, and a classifier compares them with the post-event image and assigns a damage level.",
   "limits": "Zdarzeń z dobrymi etykietami jest niewiele, a w danych dominują nieuszkodzone budynki. Szkody lekkie i poważne wyglądają podobnie, a kąt zdjęcia i rozdzielczość ograniczają dokładność. Woda w miastach i pod roślinnością bywa niewidoczna dla radaru.",
   "limits_en": "Few events have good labels, and undamaged buildings dominate the data. Minor and major damage look alike, and viewing angle and resolution limit precision. Water in cities and under vegetation can be invisible to radar.",
   "terms": [
    {
     "gloss": "Dwa zdjęcia tego samego miejsca: przed katastrofą i po niej.",
     "term": "para sprzed i po"
    },
    {
     "gloss": "Kilka stopni zniszczenia budynku, od braku po całkowite.",
     "term": "skala szkód"
    },
    {
     "gloss": "Automatycznie wygenerowane, nieidealne oznaczenia do uczenia.",
     "term": "słabe etykiety"
    }
   ],
   "terms_en": [
    {
     "gloss": "Two images of the same place: before and after a disaster.",
     "term": "pre/post pair"
    },
    {
     "gloss": "A few levels of building damage, from none to destroyed.",
     "term": "damage scale"
    },
    {
     "gloss": "Automatically generated, imperfect labels used for training.",
     "term": "weak labels"
    }
   ],
   "prereq": [
    "eochange",
    "sarai"
   ],
   "keywords": [
    "xBD",
    "xView2",
    "Sen1Floods11",
    "flood mapping",
    "building damage assessment",
    "Sentinel-1",
    "Otsu thresholding",
    "Copernicus Emergency Management Service",
    "weak supervision"
   ],
   "source_ids": [
    "szwarcman-prithvi-eo-2-2024",
    "gupta-xbd-2019",
    "bonafilia-sen1floods11-2020"
   ],
   "url": "https://aiatlasgraph.com/t/disastermapping",
   "markdown_url": "https://aiatlasgraph.com/t/disastermapping.md",
   "updated": "2026-10-30"
  },
  "discovery": {
   "id": "discovery",
   "parent_id": "aiscience",
   "label": "Automatyzacja badań naukowych",
   "canonical_name": "AI-driven scientific discovery and research automation",
   "aliases": [
    "AI scientist",
    "autonomous research",
    "automated science",
    "agentic science",
    "automatyzacja nauki"
   ],
   "description": "Agentowe systemy LLM i pętle optymalizacji automatyzujące cykl naukowy: hipoteza, plan, eksperyment (obliczeniowy lub robotyczny), analiza, raport.",
   "description_en": "Agentic LLM systems and optimisation loops automating the scientific cycle: hypothesis, plan, experiment (computational or robotic), analysis, report.",
   "plain": "Systemy, które same proponują hipotezy, planują eksperymenty i analizują wyniki, czasem sterując robotami w laboratorium.",
   "plain_en": "Systems that propose hypotheses, plan experiments and analyse results on their own, sometimes driving robots in a lab.",
   "solves": "Naukowiec nie nadąża czytać literatury ani ręcznie prowadzić setek prób, więc wiele obiecujących pomysłów nigdy nie zostaje sprawdzonych.",
   "solves_en": "Scientists cannot keep up with the literature or run hundreds of trials by hand, so many promising ideas never get tested.",
   "does": "Działa jak niestrudzony asystent: czyta, proponuje, sprawdza i uczy się z porażek w pętli, która może kręcić się dzień i noc.",
   "does_en": "It works like a tireless assistant: reading, proposing, checking and learning from failures in a loop that can run day and night.",
   "example": "Zespół biologów dostaje od asystenta AI ranking hipotez, które istniejące leki warto wypróbować w innej chorobie, z uzasadnieniem każdej.",
   "example_en": "A biology team receives from an AI assistant a ranked list of hypotheses on which existing drugs to try for another disease, each with reasoning.",
   "for_you": [
    "pracujesz naukowo i toniesz w publikacjach",
    "prowadzisz wiele powtarzalnych eksperymentów"
   ],
   "for_you_en": [
    "do research and are drowning in papers",
    "run many repetitive experiments"
   ],
   "how": "Agenci LLM z narzędziami (wyszukiwanie literatury, wykonywanie kodu, sterowanie aparaturą) dzielą pracę na role: generowanie, krytykę i ranking hipotez, często z dużym budżetem obliczeń w czasie wnioskowania. W laboratoriach autonomicznych planer, zwykle optymalizacja bayesowska, wybiera kolejny eksperyment wykonywany przez robota.",
   "how_en": "LLM agents with tools (literature search, code execution, instrument control) split work into roles — generating, critiquing and ranking hypotheses — often with large test-time compute budgets. In self-driving labs a planner, usually Bayesian optimisation, picks the next experiment for a robot to run.",
   "limits": "Nowość i poprawność hipotez trudno ocenić automatycznie, a model-recenzent może przepuszczać błędy. Agenci halucynują cytowania i mogą obchodzić metryki; aparatura i bezpieczeństwo nadal wymagają nadzoru człowieka.",
   "limits_en": "The novelty and correctness of hypotheses are hard to assess automatically, and a model reviewer can let errors through. Agents hallucinate citations and may game metrics; equipment and safety still need human oversight.",
   "terms": [
    {
     "gloss": "Wynik każdego eksperymentu automatycznie wpływa na wybór następnego.",
     "term": "zamknięta pętla"
    },
    {
     "gloss": "Porównywanie hipotez parami przez model i ustalanie rankingu najlepszych.",
     "term": "turniej hipotez"
    },
    {
     "gloss": "Badacz zatwierdza lub koryguje kluczowe decyzje systemu.",
     "term": "człowiek w pętli"
    }
   ],
   "terms_en": [
    {
     "gloss": "Each experiment's result automatically shapes the choice of the next one.",
     "term": "closed loop"
    },
    {
     "gloss": "A model compares hypotheses pairwise and ranks the best.",
     "term": "hypothesis tournament"
    },
    {
     "gloss": "A researcher approves or corrects the system's key decisions.",
     "term": "human in the loop"
    }
   ],
   "prereq": [
    "agentsnode",
    "testtime"
   ],
   "keywords": [
    "AI Scientist",
    "AI co-scientist",
    "Coscientist",
    "self-driving labs",
    "Bayesian optimization",
    "automated literature review",
    "hypothesis generation",
    "AlphaEvolve"
   ],
   "source_ids": [
    "ai-scientist-2024",
    "ai-coscientist-2025",
    "coscientist-2023"
   ],
   "url": "https://aiatlasgraph.com/t/discovery",
   "markdown_url": "https://aiatlasgraph.com/t/discovery.md",
   "updated": "2026-10-30"
  },
  "distillation": {
   "id": "distillation",
   "parent_id": "training",
   "label": "Destylacja",
   "canonical_name": "Knowledge distillation",
   "description": "Uczenie modelu na sygnale od innego modelu.",
   "description_en": "Training a model on signal from another model.",
   "examples": "Teacher–student · kompresja",
   "examples_en": "Teacher–student · compression",
   "plain": "To uczenie modelu na odpowiedziach lub sygnałach przygotowanych przez inny model.",
   "plain_en": "This trains a model using responses or signals produced by another model.",
   "solves": "Masz dobry model nauczyciela, ale potrzebujesz innego wariantu do tańszego, mniejszego lub bardziej dopasowanego użycia.",
   "solves_en": "You have a capable teacher model but need another variant for cheaper, smaller or more tailored use.",
   "does": "Nauczyciel pokazuje odpowiedzi, rozkład możliwych wyborów lub ocenia próby ucznia; uczeń dostosowuje się do tych sygnałów i wymaga własnych testów.",
   "does_en": "A teacher provides responses, choice distributions or feedback on student attempts; the student learns from these signals and needs its own tests.",
   "example": "Duży model przygotowuje sprawdzone podsumowania, na których uczysz mniejszy wariant do codziennych notatek.",
   "example_en": "A large model prepares verified summaries used to train a smaller variant for everyday notes.",
   "for_you": [
    "chcesz przenieść zachowanie do innego modelu",
    "masz dostęp do odpowiedzi lub ocen nauczyciela"
   ],
   "for_you_en": [
    "want to transfer behaviour to another model",
    "can access a teacher's responses or feedback"
   ],
   "how": "Nauczyciel dostarcza rozkłady wyjściowe, reprezentacje lub wygenerowane przykłady, a uczeń dopasowuje do nich własne zachowanie. Cel destylacji można łączyć z nadzorem zadaniowym, wybierając dane i sygnały pasujące do możliwości ucznia.",
   "how_en": "Teachers provide output distributions, representations or generated examples, and students match their behaviour. Distillation objectives can combine with task supervision, selecting data and signals suited to student capacity.",
   "limits": "Uczeń dziedziczy błędy nauczyciela, a jego pojemność ogranicza odtwarzanie zachowania. Dostępny interfejs determinuje sygnał; poprawa na danych destylacyjnych nie gwarantuje transferu do innych zadań.",
   "limits_en": "Students inherit teacher errors, with capacity limiting behavioural reproduction. Available interfaces determine signals; improvements on distillation data cannot guarantee transfer to other tasks.",
   "terms": [
    {
     "gloss": "Model dostarczający sygnał, którego zachowanie odtwarza drugi model.",
     "term": "nauczyciel"
    },
    {
     "gloss": "Model uczony na sygnale pochodzącym od nauczyciela.",
     "term": "uczeń"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model providing signals for another model to reproduce its behaviour.",
     "term": "teacher"
    },
    {
     "gloss": "A model trained using signals supplied by a teacher.",
     "term": "student"
    }
   ],
   "prereq": [
    "supervised",
    "decoding"
   ],
   "keywords": [
    "knowledge distillation",
    "teacher-student",
    "soft targets",
    "temperature scaling",
    "DistilBERT",
    "MiniLLM",
    "on-policy distillation",
    "synthetic data distillation"
   ],
   "source_ids": [
    "cs336",
    "rl"
   ],
   "url": "https://aiatlasgraph.com/t/distillation",
   "markdown_url": "https://aiatlasgraph.com/t/distillation.md",
   "updated": "2026-10-30"
  },
  "distributionalrl": {
   "id": "distributionalrl",
   "parent_id": "rlalgorithms",
   "label": "Rozkładowe uczenie ze wzmocnieniem",
   "canonical_name": "Distributional reinforcement learning",
   "aliases": [
    "distributional RL",
    "value distribution"
   ],
   "description": "Rodzina metod uczących rozkładu zwrotu (value distribution) zamiast jego wartości oczekiwanej, przez rozkładową wersję równania Bellmana.",
   "description_en": "A family of methods learning the distribution of returns (value distribution) instead of its expectation, via a distributional Bellman equation.",
   "plain": "Zamiast jednej średniej oceny agent uczy się całego zakresu możliwych wyników swojego działania, od najgorszych po najlepsze.",
   "plain_en": "Instead of one average score, the agent learns the whole range of possible outcomes of its actions, worst to best.",
   "solves": "Średnia ukrywa ryzyko: dwa ruchy z tym samym przeciętnym wynikiem mogą się bardzo różnić szansą na porażkę.",
   "solves_en": "An average hides risk: two moves with the same typical result can differ greatly in their chance of disaster.",
   "does": "Jak prognoza pogody podająca szanse deszczu i burzy, a nie tylko średnią temperaturę na jutro.",
   "does_en": "Like a forecast giving chances of rain and storms, not just tomorrow's average temperature.",
   "example": "Agent prowadzący samochód w symulacji unika manewru, który zwykle się opłaca, ale czasem kończy się stłuczką.",
   "example_en": "An agent driving in simulation avoids a manoeuvre that usually pays off but sometimes ends in a crash.",
   "for_you": [
    "rzadkie, ale bardzo złe wyniki są dla ciebie ważne",
    "chcesz zrozumieć, skąd biorą się mocne agenty do gier"
   ],
   "for_you_en": [
    "rare but very bad outcomes matter to you",
    "you want to know where strong game-playing agents come from"
   ],
   "how": "Rozkładowy operator Bellmana przesuwa i skaluje rozkład zwrotu następnego stanu o nagrodę i dyskonto. C51 reprezentuje go jako rozkład kategoryczny na stałej siatce atomów z krokiem projekcji, QR-DQN i IQN przez kwantyle. Akcje wybiera się zwykle po średniej albo po mierze ryzyka.",
   "how_en": "The distributional Bellman operator shifts and scales the next state's return distribution by reward and discount. C51 represents it as a categorical distribution on a fixed atom grid with a projection step; QR-DQN and IQN use quantiles. Actions are usually chosen by the mean or by a risk measure.",
   "limits": "Zysk wydajności nie jest w pełni wyjaśniony teoretycznie i zależy od zadania. Reprezentacja kategoryczna wymaga ustalenia zakresu zwrotów, a sterowanie po mierze ryzyka komplikuje gwarancje zbieżności.",
   "limits_en": "The performance gain is not fully explained theoretically and depends on the task. Categorical representations need a preset return range, and risk-sensitive control complicates convergence guarantees.",
   "terms": [
    {
     "gloss": "Rozkład wszystkich możliwych sum nagród, a nie tylko ich średnia.",
     "term": "value distribution"
    },
    {
     "gloss": "Stałe punkty, między które rozkłada się prawdopodobieństwo wyników.",
     "term": "atoms"
    },
    {
     "gloss": "Średni wynik w najgorszych przypadkach; miara ryzyka.",
     "term": "CVaR"
    }
   ],
   "terms_en": [
    {
     "gloss": "The distribution of all possible reward sums, not just their mean.",
     "term": "value distribution"
    },
    {
     "gloss": "Fixed points across which outcome probability is spread.",
     "term": "atoms"
    },
    {
     "gloss": "The average outcome in the worst cases; a risk measure.",
     "term": "CVaR"
    }
   ],
   "prereq": [
    "bellman",
    "distributions"
   ],
   "keywords": [
    "C51",
    "QR-DQN",
    "IQN",
    "distributional Bellman operator",
    "quantile regression",
    "CVaR",
    "risk-sensitive RL",
    "Rainbow"
   ],
   "source_ids": [
    "c51-distributional-2017",
    "rainbow-2017"
   ],
   "url": "https://aiatlasgraph.com/t/distributionalrl",
   "markdown_url": "https://aiatlasgraph.com/t/distributionalrl.md",
   "updated": "2026-10-30"
  },
  "distributions": {
   "id": "distributions",
   "parent_id": "probability",
   "label": "Rozkłady prawdopodobieństwa",
   "canonical_name": "Probability distributions",
   "description": "Zmienne losowe, rozkłady, wartość oczekiwana i wariancja; prawdopodobieństwo warunkowe i niezależność.",
   "description_en": "Random variables, distributions, expectation and variance; conditional probability and independence.",
   "examples": "Rozkład normalny · Bernoulli · wartość oczekiwana · prawdopodobieństwo warunkowe",
   "examples_en": "Gaussian · Bernoulli · expectation · conditional probability",
   "plain": "To opisy możliwych wartości i tego, jak często lub z jaką szansą mogą wystąpić.",
   "plain_en": "These descriptions show possible values and how often or how likely they are to occur.",
   "solves": "Sama średnia ukrywa, czy wyniki są zwykle podobne, czy często bardzo od niej odbiegają.",
   "solves_en": "An average alone hides whether outcomes are usually similar or often vary widely.",
   "does": "Pokazuje cały układ możliwych wyników, ich typowe wartości i rozrzut, a także to, jak zależą od dodatkowych informacji.",
   "does_en": "It describes the pattern of possible outcomes, typical values, spread and how they depend on additional information.",
   "example": "Sprawdzasz czasy dostaw: większość paczek dociera szybko, ale nieliczne duże opóźnienia mocno zmieniają średni czas.",
   "example_en": "You examine delivery times: most parcels arrive quickly, but a few long delays strongly affect the average.",
   "for_you": [
    "średnia nie opisuje dobrze twoich danych",
    "chcesz uwzględniać rzadkie wyniki i zmienność"
   ],
   "for_you_en": [
    "find that averages poorly describe your data",
    "want to account for rare outcomes and variation"
   ],
   "how": "Rozkład przypisuje prawdopodobieństwa zdarzeniom lub gęstość wartościom zmiennej losowej. Sumowanie albo całkowanie pozwala obliczyć wartości oczekiwane, wariancje i rozkłady warunkowe.",
   "how_en": "A distribution assigns event probabilities or densities to random-variable values. Summation or integration computes expectations, variances and conditional distributions.",
   "limits": "Gęstość nie jest prawdopodobieństwem pojedynczej wartości w rozkładzie ciągłym. Nie każda wartość oczekiwana lub wariancja istnieje; niezależność wymaga uzasadnienia.",
   "limits_en": "Density is not a single-value probability in continuous distributions. Expectations or variances need not exist; independence requires justification.",
   "terms": [
    {
     "gloss": "Średnia możliwych wartości ważona ich prawdopodobieństwem.",
     "term": "wartość oczekiwana"
    },
    {
     "gloss": "Miara rozrzutu wartości względem ich średniej.",
     "term": "wariancja"
    }
   ],
   "terms_en": [
    {
     "gloss": "The average of possible values weighted by their probabilities.",
     "term": "expectation"
    },
    {
     "gloss": "A measure of value dispersion around the mean.",
     "term": "variance"
    }
   ],
   "keywords": [
    "Gaussian distribution",
    "Bernoulli distribution",
    "binomial distribution",
    "Poisson distribution",
    "expectation",
    "variance",
    "conditional probability"
   ],
   "source_ids": [
    "cs188fa25",
    "mmlbook",
    "dlbook-part1",
    "openintro-os4"
   ],
   "url": "https://aiatlasgraph.com/t/distributions",
   "markdown_url": "https://aiatlasgraph.com/t/distributions.md",
   "updated": "2026-10-30"
  },
  "dit": {
   "id": "dit",
   "parent_id": "diffusion",
   "label": "Transformery w modelach dyfuzyjnych i przepływowych (DiT)",
   "canonical_name": "Transformers for diffusion and flow models (DiT)",
   "aliases": [
    "DiT",
    "diffusion transformer",
    "MM-DiT",
    "transformer dyfuzyjny"
   ],
   "description": "Architektury generatywne, w których transformer przetwarza łatki reprezentacji obrazu zamiast typowego szkieletu U-Net. DiT zastosował tę konstrukcję w dyfuzji latentnej, a nowsze warianty wykorzystują transformery również w modelach trenowanych metodami przepływowymi.",
   "description_en": "Generative architectures in which a transformer processes patches of an image representation instead of a conventional U-Net backbone. DiT applied this design to latent diffusion, while newer variants also use transformers in flow-trained models.",
   "examples": "DiT · transformery z osobnymi reprezentacjami obrazu i tekstu · transformery generujące wideo",
   "examples_en": "DiT · transformers with separate image and text representations · video-generation transformers",
   "plain": "To generatory, które podczas tworzenia obrazu porównują jego małe fragmenty za pomocą mechanizmu uwagi.",
   "plain_en": "These generators compare small image-representation patches through attention while creating an image.",
   "solves": "Tworzony obraz potrzebuje zgodności między odległymi fragmentami, a model musi sprawnie łączyć ich informacje.",
   "solves_en": "A generated image needs consistency across distant regions, and the model must connect their information efficiently.",
   "does": "Transformer przetwarza fragmenty zaszumionego lub pośredniego zapisu obrazu i przewiduje zmiany potrzebne w kolejnym kroku generowania.",
   "does_en": "A transformer processes patches of a noisy or intermediate image representation and predicts changes needed for the next generation step.",
   "example": "Generator ilustracji zestawia fragmenty postaci i tła podczas kolejnych kroków budowania sceny.",
   "example_en": "An illustration generator connects figure and background patches during successive steps of constructing a scene.",
   "for_you": [
    "poznajesz budowę nowoczesnych generatorów",
    "chcesz połączyć uwagę z tworzeniem obrazu"
   ],
   "for_you_en": [
    "study modern generator designs",
    "want to connect attention with image generation"
   ],
   "how": "Zaszumioną reprezentację obrazu dzieli się na tokeny łatek przetwarzane przez bloki transformera. Informacja o kroku oraz warunku moduluje obliczenia, a projekcja wyjściowa przewiduje sygnał potrzebny do odszumiania lub aktualizacji przepływu.",
   "how_en": "A noisy image representation is split into patch tokens processed by transformer blocks. Step and conditioning information modulate computation, and an output projection predicts signals needed for denoising or flow updates.",
   "limits": "Pełna uwaga nad wieloma łatkami zwiększa koszt i pamięć. Rozmiar łatek wpływa na szczegóły, a jakość zależy również od celu treningowego, reprezentacji obrazu oraz samplera.",
   "limits_en": "Full attention over many patches increases cost and memory. Patch size affects detail, while quality also depends on training objectives, image representation and samplers.",
   "terms": [
    {
     "gloss": "Wektor reprezentujący fragment przestrzennej siatki obrazu lub latentu.",
     "term": "token łatki"
    },
    {
     "gloss": "Przekazanie modelowi pozycji w procesie generowania.",
     "term": "warunkowanie krokiem"
    }
   ],
   "terms_en": [
    {
     "gloss": "A vector representing part of an image or latent spatial grid.",
     "term": "patch token"
    },
    {
     "gloss": "Informing the model of its position within generation.",
     "term": "step conditioning"
    }
   ],
   "prereq": [
    "transformers",
    "vit"
   ],
   "keywords": [
    "MMDiT",
    "image patch tokens",
    "adaptive LayerNorm",
    "flow transformers",
    "timestep conditioning"
   ],
   "source_ids": [
    "sd3-rectified-flow-2024",
    "dit-2022"
   ],
   "url": "https://aiatlasgraph.com/t/dit",
   "markdown_url": "https://aiatlasgraph.com/t/dit.md",
   "updated": "2026-10-30"
  },
  "dkt": {
   "id": "dkt",
   "parent_id": "knowledgetracing",
   "label": "Głębokie śledzenie wiedzy (DKT)",
   "canonical_name": "Deep knowledge tracing (DKT)",
   "aliases": [
    "DKT",
    "deep knowledge tracing",
    "głębokie śledzenie wiedzy",
    "RNN knowledge tracing"
   ],
   "description": "Sieć rekurencyjna przewidująca prawdopodobieństwo poprawnej odpowiedzi na kolejne pytania na podstawie sekwencji wcześniejszych interakcji ucznia.",
   "description_en": "A recurrent network that predicts the probability of answering upcoming questions correctly from the sequence of a learner's past interactions.",
   "plain": "Sieć neuronowa czyta całą historię odpowiedzi ucznia i przewiduje, czy poradzi sobie z kolejnym zadaniem.",
   "plain_en": "A neural network reads a learner's whole answer history and predicts whether they will manage the next task.",
   "solves": "Klasyczne modele wymagają ręcznego opisania zależności i przejść między stanami wiedzy, przez co trudno im uchwycić złożone wzorce w długiej historii odpowiedzi.",
   "solves_en": "Classical models require hand-designed dependencies and transitions between knowledge states, making it hard to capture complex patterns in long answer histories.",
   "does": "Zamiast osobnego licznika dla każdej umiejętności ma jedną wspólną pamięć, która sama zauważa, że sukcesy w jednym dziale zapowiadają sukcesy w innym.",
   "does_en": "Instead of a separate counter per skill it keeps one shared memory that notices by itself when success in one section predicts success in another.",
   "example": "Platforma z tysiącami zadań matematycznych dobiera kolejne ćwiczenie na podstawie wszystkich wcześniejszych prób ucznia, także z innych działów.",
   "example_en": "A platform with thousands of maths tasks picks the next exercise from all of a learner's earlier attempts, including other sections.",
   "for_you": [
    "masz dużo zapisów odpowiedzi uczniów",
    "chcesz modelować złożone zależności w sekwencji odpowiedzi"
   ],
   "for_you_en": [
    "have lots of recorded learner answers",
    "want to model complex dependencies in answer sequences"
   ],
   "how": "Każda interakcja (umiejętność lub pytanie plus poprawność) jest kodowana jako wektor i podawana do sieci rekurencyjnej, np. LSTM. Stan ukryty pełni rolę ciągłej reprezentacji wiedzy, a warstwa wyjściowa daje szansę sukcesu dla każdej umiejętności w następnym kroku. Trening minimalizuje entropię krzyżową na kolejnych odpowiedziach.",
   "how_en": "Each interaction (skill or question plus correctness) is encoded as a vector and fed to a recurrent network such as an LSTM. The hidden state acts as a continuous knowledge representation, and the output layer gives the success probability for every skill at the next step. Training minimises cross-entropy on the following answers.",
   "limits": "Stan ukryty trudno zinterpretować, więc model nie mówi wprost, co uczeń umie. Przewidywania bywają niespójne, np. szansa sukcesu spada po poprawnej odpowiedzi. Przy rzadkich danych uogólnia słabiej, a wiele późniejszych modeli niewiele go przewyższa.",
   "limits_en": "The hidden state is hard to interpret, so the model does not say directly what a learner knows. Predictions can be inconsistent, e.g. the success chance drops after a correct answer. It generalises worse on sparse data, and many later models barely beat it.",
   "terms": [
    {
     "gloss": "Zapis pary: które zadanie i czy odpowiedź była poprawna.",
     "term": "interaction encoding"
    },
    {
     "gloss": "Miara, jak dobrze model oddziela dobre odpowiedzi od złych.",
     "term": "AUC"
    }
   ],
   "terms_en": [
    {
     "gloss": "Recording a pair: which task and whether the answer was correct.",
     "term": "interaction encoding"
    },
    {
     "gloss": "A measure of how well the model separates right answers from wrong ones.",
     "term": "AUC"
    }
   ],
   "prereq": [
    "lstmgru"
   ],
   "keywords": [
    "LSTM",
    "DKVMN",
    "DKT+",
    "pyKT",
    "ASSISTments",
    "EdNet",
    "AUC"
   ],
   "source_ids": [
    "piech-dkt-2015",
    "pykt-2022"
   ],
   "url": "https://aiatlasgraph.com/t/dkt",
   "markdown_url": "https://aiatlasgraph.com/t/dkt.md",
   "updated": "2026-10-30"
  },
  "dllm": {
   "id": "dllm",
   "parent_id": "diffusion",
   "label": "Dyfuzyjne modele językowe",
   "canonical_name": "Diffusion language models",
   "aliases": [
    "dLLM",
    "diffusion LM",
    "discrete diffusion language model",
    "dyfuzyjny model językowy"
   ],
   "description": "Rodzina modeli językowych uczących się odwracać zakrywanie lub zaszumianie tokenów, a nie tylko następny token.",
   "description_en": "A family of language models that learn to reverse token masking or noising, rather than only next-token prediction.",
   "plain": "Modele językowe tworzą tekst przez kilka rund poprawiania zakrytej lub zaszumionej sekwencji, zamiast wyłącznie dopisywać kolejne słowa.",
   "plain_en": "Language models create text through repeated refinement of a masked or noised sequence, rather than only appending the next words.",
   "solves": "Dopisywanie słowa po słowie jest wolne, a model nie widzi jeszcze fragmentu, który ma powstać później.",
   "solves_en": "Writing one word at a time is slow, and the model cannot yet see the passage that should come later.",
   "does": "Model zaczyna od zakrytego albo zaszumionego szkicu i w kolejnych rundach odzyskuje wiele pozycji, korzystając z coraz pełniejszego kontekstu.",
   "does_en": "The model starts from a masked or noised draft and recovers many positions over successive rounds, using an increasingly complete context.",
   "example": "Prosisz o uzupełnienie zdania w środku akapitu. Model widzi lewą i prawą część i wypełnia lukę bez przepisywania całości.",
   "example_en": "You ask to complete a sentence in the middle of a paragraph. The model sees both sides and fills the gap without rewriting everything.",
   "for_you": [
    "chcesz uzupełniać luki w już napisanym tekście",
    "zależy ci na pisaniu wielu słów naraz",
    "porównujesz sposoby uczenia modeli językowych"
   ],
   "for_you_en": [
    "want to fill gaps in text you already wrote",
    "care about writing many words at once",
    "compare ways of training language models"
   ],
   "how": "Proces w przód maskuje tokeny, zamienia je zgodnie z rozkładem przejść albo dodaje szum do ich reprezentacji ciągłych. Sieć uczy się odwracać to uszkodzenie, zwykle bez uwagi ograniczonej wyłącznie do lewego kontekstu. Próbkowanie zaczyna od masek lub szumu i iteracyjnie aktualizuje wiele pozycji; warianty blokowe łączą to z generowaniem kolejnych bloków.",
   "how_en": "A forward process masks tokens, replaces them according to a transition distribution, or adds noise to continuous token representations. A network learns to reverse that corruption, usually without attention restricted to left context alone. Sampling starts from masks or noise and iteratively updates many positions; block variants combine this with generation of successive blocks.",
   "limits": "Wyniki zależą od rodzaju dyfuzji, samplera i liczby wywołań sieci, więc równoległe przewidywanie tokenów nie gwarantuje mniejszego opóźnienia. W pełni równoległe warianty zwykle pracują na zadanej długości; generowanie blokowe lub półautoregresyjne obsługuje długość zmienną kosztem części sekwencyjności. Sąsiednie tokeny przewidywane naraz mogą być niespójne.",
   "limits_en": "Results depend on the diffusion type, sampler and number of network evaluations, so parallel token prediction does not guarantee lower latency. Fully parallel variants usually operate on a specified length; block or semi-autoregressive generation supports flexible length at the cost of some sequential processing. Neighbouring tokens predicted together can be inconsistent.",
   "terms": [
    {
     "gloss": "Symbol maski, do którego tokeny zbiegają w procesie zakrywania.",
     "term": "stan pochłaniający"
    },
    {
     "gloss": "Odgadywanie wielu pozycji w jednym kroku, zamiast po jednej.",
     "term": "dekodowanie równoległe"
    }
   ],
   "terms_en": [
    {
     "gloss": "A mask symbol that tokens converge to during corruption.",
     "term": "absorbing state"
    },
    {
     "gloss": "Guessing many positions in one step, instead of one by one.",
     "term": "parallel decoding"
    }
   ],
   "prereq": [
    "nexttoken",
    "ddpm"
   ],
   "keywords": [
    "discrete diffusion",
    "masked diffusion",
    "parallel decoding",
    "absorbing state",
    "non-autoregressive generation",
    "infilling",
    "score entropy",
    "block diffusion"
   ],
   "source_ids": [
    "austin-d3pm-2021",
    "sahoo-mdlm-2024",
    "lou-sedd-2023",
    "nie-llada-2025",
    "li-diffusionlm-2022",
    "arriola-bd3lm-2025",
    "fang-alodlm-2026"
   ],
   "url": "https://aiatlasgraph.com/t/dllm",
   "markdown_url": "https://aiatlasgraph.com/t/dllm.md",
   "updated": "2026-10-30"
  },
  "dllmdeepresearch": {
   "id": "dllmdeepresearch",
   "parent_id": "agentsnode",
   "label": "Dyfuzyjne modele językowe w agentach badań głębokich",
   "canonical_name": "Diffusion language models in deep research agents",
   "aliases": [
    "dLLM deep research",
    "diffusion language models for deep research",
    "diffusion-based research agents"
   ],
   "description": "Systemy badań głębokich, w których dyfuzyjny model językowy napędza etapy zależne od modelu, takie jak planowanie, dekompozycja i synteza raportu.",
   "description_en": "Deep-research systems in which a diffusion language model powers model-bound stages such as planning, decomposition and report synthesis.",
   "plain": "Asystenci badawczy piszą raporty przez kilka rund poprawiania całego tekstu naraz, zamiast dopisywać słowo po słowie.",
   "plain_en": "Research assistants write reports by refining the whole text over several rounds, instead of adding one word at a time.",
   "solves": "Długie raporty badawcze powstają wolno, bo model musi czekać na każde kolejne słowo i nie może łatwo poprawić wcześniejszych fragmentów.",
   "solves_en": "Long research reports take time because the model waits for each next word and cannot easily revise earlier parts.",
   "does": "Model zaczyna od zarysu i w kolejnych krokach poprawia wiele miejsc naraz, korzystając z pełniejszego kontekstu.",
   "does_en": "The model starts from a draft and revises many places at once over successive steps, using a fuller context.",
   "example": "Zlecasz przegląd literatury. Asystent najpierw tworzy szkic całego raportu, potem poprawia luki i dodaje szczegóły w kilku rundach.",
   "example_en": "You ask for a literature review. The assistant first drafts the whole report, then fills gaps and adds details over several rounds.",
   "for_you": [
    "potrzebujesz szybkiego przeglądu wielu źródeł",
    "chcesz, żeby raport dało się poprawiać w całości",
    "porównujesz szybkość różnych asystentów badawczych"
   ],
   "for_you_en": [
    "need a quick review of many sources",
    "want a report that can be revised as a whole",
    "compare the speed of different research assistants"
   ],
   "how": "Szkielet agentowy (klasyfikacja intencji, reformulacja zapytań, planowanie, wyszukiwanie, pisanie, ocena) pozostaje stały. Backbone jest zastępowany dyfuzyjnym modelem językowym, który generuje przez iteracyjne odszumianie lub odmaskowywanie wielu pozycji. Porównanie trzyma stałe prompty, retrieval i ewaluację, zmieniając tylko model.",
   "how_en": "The agentic scaffold (intent classification, query reformulation, planning, retrieval, writing, judging) stays fixed. The backbone is replaced by a diffusion language model that generates by iterative denoising or unmasking of many positions. Comparisons hold prompts, retrieval and evaluation constant while swapping only the model.",
   "limits": "Wyniki pochodzą z jednej pary modeli porównanej na H200 przy lokalnym wyszukiwaniu; nie obejmują sprzętu konsumenckiego ani wielu rodzin modeli. dFast nie zmniejszył opóźnienia całego potoku względem pełnego trybu dyfuzyjnego. Audyt 10 raportów wykazał pełne podparcie tylko 28% sprawdzonych twierdzeń, więc szybsze dekodowanie nie rozwiązuje problemów trafności wyszukiwania i wystarczalności dowodów.",
   "limits_en": "The results come from one model pair compared on an H200 with local retrieval; they do not cover consumer hardware or multiple model families. dFast did not reduce whole-pipeline latency relative to full diffusion mode. In an audit of 10 reports, only 28% of checked claims were fully supported, so faster decoding does not solve retrieval relevance or evidence-sufficiency problems.",
   "terms": [
    {
     "gloss": "Główny model językowy napędzający etapy agenta.",
     "term": "backbone"
    },
    {
     "gloss": "Stała struktura ról i narzędzi wokół modelu.",
     "term": "szkielet agentowy"
    },
    {
     "gloss": "Iteracyjne poprawianie zakrytej lub zaszumionej sekwencji.",
     "term": "odszumianie"
    }
   ],
   "terms_en": [
    {
     "gloss": "The main language model driving the agent's stages.",
     "term": "backbone"
    },
    {
     "gloss": "The fixed structure of roles and tools around the model.",
     "term": "agent scaffold"
    },
    {
     "gloss": "Iteratively refining a masked or noised sequence.",
     "term": "denoising"
    }
   ],
   "prereq": [
    "dllm"
   ],
   "keywords": [
    "diffusion language models",
    "dLLM",
    "deep research agents",
    "DiffResearch",
    "parallel generation",
    "non-autoregressive writing",
    "agent backbone swap",
    "Deep Research Bench"
   ],
   "source_ids": [
    "gazzaev-diffresearch-2026",
    "gazzaev-diffresearch-github-2026"
   ],
   "url": "https://aiatlasgraph.com/t/dllmdeepresearch",
   "markdown_url": "https://aiatlasgraph.com/t/dllmdeepresearch.md",
   "updated": "2026-10-30"
  },
  "docai": {
   "id": "docai",
   "parent_id": "applications",
   "label": "Przetwarzanie dokumentów",
   "canonical_name": "Document AI",
   "description": "Wyciąganie treści i struktury z dokumentów.",
   "description_en": "Pulling content and structure out of documents.",
   "examples": "OCR · tabele · formularze",
   "examples_en": "OCR · tables · forms",
   "plain": "To odczytywanie dokumentów i zamienianie ich treści w dane, które można dalej wykorzystać.",
   "plain_en": "This reads documents and turns their contents into data that other programs can use.",
   "solves": "Musisz ręcznie przepisywać informacje ze skanów, formularzy i tabel, żeby móc je uporządkować lub policzyć.",
   "solves_en": "You have to copy information from scans, forms and tables by hand before you can organise it or calculate totals.",
   "does": "Rozpoznaje tekst i układ strony, żeby oddzielić na przykład pozycje tabeli od nagłówków.",
   "does_en": "It recognises text and page layout to tell table entries, headings and form fields apart.",
   "example": "Fotografujesz rachunek, a program wpisuje datę, sprzedawcę i kwotę do tabeli wydatków, którą możesz sprawdzić.",
   "example_en": "You photograph a receipt, and a program puts the date, seller and amount into an expense table for you to check.",
   "for_you": [
    "przepisujesz dane z dokumentów do arkusza",
    "otrzymujesz skany, które trzeba przeszukać lub uporządkować"
   ],
   "for_you_en": [
    "copy details from documents into a spreadsheet",
    "receive scans that need to be searched or organised"
   ],
   "how": "Pipeline odczytuje tekst, układ stron i elementy wizualne dokumentu, korzystając z parserów, OCR lub modeli multimodalnych. Następnie rozpoznaje pola, tabele i relacje oraz mapuje wyniki do ustalonego schematu z odwołaniami do dokumentu.",
   "how_en": "A pipeline reads document text, page layout and visual elements using parsers, OCR or multimodal models. It then identifies fields, tables and relations and maps results to a defined schema with document references.",
   "limits": "Skan niskiej jakości, złożony układ i nietypowe formularze pogarszają ekstrakcję. Poprawny format wyniku nie gwarantuje zgodności z dokumentem; potrzebne są kontrole pól i zachowanie pochodzenia danych.",
   "limits_en": "Poor scans, complex layouts and unusual forms reduce extraction quality. A valid output format does not guarantee agreement with the document; field checks and data provenance are needed.",
   "terms": [
    {
     "gloss": "Rozpoznawanie znaków tekstu widocznych na obrazie.",
     "term": "OCR"
    },
    {
     "gloss": "Rozpoznawanie położenia i roli elementów strony.",
     "term": "analiza układu"
    },
    {
     "gloss": "Przypisywanie fragmentów dokumentu do nazwanych wartości.",
     "term": "ekstrakcja pól"
    }
   ],
   "terms_en": [
    {
     "gloss": "Recognizing text characters visible in an image.",
     "term": "OCR"
    },
    {
     "gloss": "Identifying the position and role of page elements.",
     "term": "layout analysis"
    },
    {
     "gloss": "Mapping document passages to named values.",
     "term": "field extraction"
    }
   ],
   "prereq": [
    "textextraction",
    "infoextraction"
   ],
   "keywords": [
    "OCR",
    "layout analysis",
    "table extraction",
    "key-value extraction",
    "LayoutLMv3",
    "DocVQA",
    "document parsing"
   ],
   "courses": [
    {
     "title": "Document AI: From OCR to Agentic Doc Extraction",
     "url": "https://www.deeplearning.ai/courses/document-ai-from-ocr-to-agentic-doc-extraction"
    }
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/docai",
   "markdown_url": "https://aiatlasgraph.com/t/docai.md",
   "updated": "2026-10-30"
  },
  "docking": {
   "id": "docking",
   "parent_id": "chemistry",
   "label": "Dokowanie cząsteczek do białek",
   "canonical_name": "Molecular docking and binding prediction",
   "aliases": [
    "molecular docking",
    "DiffDock",
    "protein–ligand binding",
    "dokowanie molekularne",
    "wirtualny screening"
   ],
   "description": "Predykcja pozy wiązania ligandu w białku i siły wiązania; klasycznie przeszukiwanie z funkcją oceny, obecnie także modele generatywne i przewidywanie całych kompleksów.",
   "description_en": "Predicting a ligand's binding pose in a protein and its binding strength; classically search with a scoring function, now also generative models and whole-complex prediction.",
   "plain": "Przewidywanie, jak mała cząsteczka leku ułoży się w zagłębieniu białka i jak mocno się w nim utrzyma.",
   "plain_en": "Predicting how a small drug molecule will sit in a protein's pocket and how firmly it will hold there.",
   "solves": "Lek działa tylko wtedy, gdy pasuje do celu jak klucz do zamka, a sprawdzanie każdego klucza w laboratorium trwa.",
   "solves_en": "A drug only works if it fits its target like a key in a lock, and trying every key in the lab takes time.",
   "does": "Model wkłada klucz do zamka w przypadkowym położeniu, a potem krok po kroku obraca go i przesuwa, aż znajdzie najlepsze dopasowanie.",
   "does_en": "The model drops the key into the lock at random, then turns and shifts it step by step until it finds the best fit.",
   "example": "Badacz sprawdza na komputerze, czy znany już lek może pasować do białka innej choroby, zanim zleci testy.",
   "example_en": "A researcher checks on a computer whether an existing drug might fit a protein from another disease before ordering tests.",
   "for_you": [
    "wiesz, które białko chcesz zablokować",
    "przesiewasz wiele związków pod jeden cel"
   ],
   "for_you_en": [
    "know which protein you want to block",
    "screen many compounds against one target"
   ],
   "how": "Klasyczne narzędzia (np. AutoDock Vina) przeszukują położenia i konformacje ligandu z empiryczną funkcją energii. DiffDock traktuje dokowanie jako generowanie: dyfuzja po przesunięciu, obrocie i kątach torsyjnych ligandu plus model pewności. Modele typu AlphaFold 3 przewidują cały kompleks naraz.",
   "how_en": "Classical tools (e.g. AutoDock Vina) search ligand positions and conformations with an empirical energy function. DiffDock treats docking as generation: diffusion over the ligand's translation, rotation and torsion angles plus a confidence model. AlphaFold 3-style models predict the whole complex at once.",
   "limits": "Poprawna poza nie oznacza dużej siły wiązania, którą wciąż przewiduje się słabo. Modele uczone na znanych kompleksach gorzej radzą sobie z nowymi kieszeniami i ruchliwymi białkami, a benchmarki bywają skażone podobieństwem do treningu.",
   "limits_en": "A correct pose does not mean strong binding, which is still predicted poorly. Models trained on known complexes struggle with new pockets and flexible proteins, and benchmarks can be contaminated by similarity to training data.",
   "terms": [
    {
     "gloss": "Położenie i ułożenie cząsteczki leku wewnątrz kieszeni białka.",
     "term": "poza wiązania"
    },
    {
     "gloss": "Jak mocno lek trzyma się swojego celu.",
     "term": "powinowactwo"
    },
    {
     "gloss": "Średnia odległość atomów między przewidzianą a prawdziwą strukturą.",
     "term": "RMSD"
    }
   ],
   "terms_en": [
    {
     "gloss": "The position and orientation of a drug molecule inside a protein pocket.",
     "term": "binding pose"
    },
    {
     "gloss": "How tightly a drug holds on to its target.",
     "term": "binding affinity"
    },
    {
     "gloss": "Average atom distance between predicted and true structures.",
     "term": "RMSD"
    }
   ],
   "prereq": [
    "diffusion"
   ],
   "keywords": [
    "AutoDock Vina",
    "DiffDock",
    "PDBBind",
    "PoseBusters",
    "AlphaFold 3",
    "virtual screening",
    "binding affinity"
   ],
   "source_ids": [
    "alphafold3-2024",
    "diffdock-2022"
   ],
   "url": "https://aiatlasgraph.com/t/docking",
   "markdown_url": "https://aiatlasgraph.com/t/docking.md",
   "updated": "2026-10-30"
  },
  "docvision": {
   "id": "docvision",
   "parent_id": "vlm",
   "label": "Rozumienie dokumentów, wykresów i zrzutów ekranu",
   "canonical_name": "Document, chart and screenshot understanding",
   "aliases": [
    "visual document understanding",
    "VDU",
    "OCR-free document understanding",
    "chart question answering",
    "chart QA",
    "screen understanding",
    "GUI understanding",
    "rozumienie dokumentów bez OCR",
    "analiza wykresów",
    "rozumienie zrzutów ekranu"
   ],
   "description": "Odczyt i interpretacja obrazów bogatych w tekst i układ przestrzenny — skanów, formularzy, faktur, wykresów, infografik i zrzutów ekranu. Część modeli działa bez osobnego etapu OCR, odpowiada na pytania lub wyciąga dane bezpośrednio z pikseli; te zdolności wykorzystuje się również w analizie interfejsów.",
   "description_en": "Reading and interpreting images rich in text and spatial layout — scans, forms, invoices, charts, infographics and screenshots. Some models work without a separate OCR stage, answer questions or extract data directly from pixels; these capabilities are also used for interface analysis.",
   "examples": "rozumienie dokumentów bez osobnego OCR · ChartQA · analiza zrzutów ekranu · Donut · Pix2Struct",
   "examples_en": "document understanding without separate OCR · ChartQA · screenshot analysis · Donut · Pix2Struct",
   "plain": "To odczytywanie informacji ze skanów dokumentów, wykresów i ekranów z uwzględnieniem układu strony.",
   "plain_en": "This reads information from scanned documents, charts and screens while accounting for page layout.",
   "solves": "Informacje na skanach i wykresach trudno wykorzystać, gdy program nie odróżnia tabel, podpisów i wartości.",
   "solves_en": "Information in scans and charts is hard to use when software cannot distinguish tables, captions and values.",
   "does": "Łączy cechy obrazu i tekstu, żeby wiązać wartości z nagłówkami, podpisami i ich położeniem na stronie.",
   "does_en": "It combines image and text features to connect values with headings, captions and their positions on the page.",
   "example": "Robisz zdjęcie paragonu w aplikacji do wydatków, a ona sama wpisuje sklep, datę i kwotę oraz przypisuje kategorię.",
   "example_en": "You snap a receipt in a budgeting app, and it fills in the shop, date and amount and picks a category.",
   "for_you": [
    "masz dokumenty w formie skanów lub zdjęć",
    "chcesz zadawać pytania o wykresy i raporty",
    "korzystasz z asystenta obsługującego ekran programu"
   ],
   "for_you_en": [
    "have documents as scans or photos",
    "want to ask questions about charts and reports",
    "use an assistant that operates software through its screen"
   ],
   "how": "Cechy obrazu, tekstu i układu wiążą fragmenty dokumentu z ich położeniem oraz strukturą. Model odczytuje regiony lub generuje odpowiedź, łącząc etykiety, wartości i relacje w tabelach albo wykresach.",
   "how_en": "Image, text and layout features connect document passages to positions and structure. The model reads regions or generates answers, linking labels, values and relationships within tables or charts.",
   "limits": "Małe znaki, złożone tabele i nietypowy układ powodują błędy odczytu. Wiarygodna wartość może być zgadywana z kontekstu; dokładne dane wymagają sprawdzenia z obrazem.",
   "limits_en": "Small characters, complex tables and unusual layouts cause reading errors. Plausible values may be guessed from context; exact data requires comparison with images.",
   "terms": [
    {
     "gloss": "Przestrzenna organizacja tekstu, tabel i elementów dokumentu.",
     "term": "layout"
    },
    {
     "gloss": "Odtwarzanie elementów i relacji strukturalnych dokumentu z jego reprezentacji.",
     "term": "document parsing"
    }
   ],
   "terms_en": [
    {
     "gloss": "The spatial organisation of text, tables and document elements.",
     "term": "layout"
    },
    {
     "gloss": "Recovering document elements and structural relationships from its representation.",
     "term": "document parsing"
    }
   ],
   "prereq": [
    "infoextraction",
    "visionbackbones"
   ],
   "keywords": [
    "Donut",
    "Pix2Struct",
    "ChartQA",
    "DocVQA",
    "OCR-free document parsing",
    "layout understanding"
   ],
   "source_ids": [
    "hf-vlms-2025",
    "donut-2021",
    "pix2struct-2022",
    "chartqa-2022"
   ],
   "url": "https://aiatlasgraph.com/t/docvision",
   "markdown_url": "https://aiatlasgraph.com/t/docvision.md",
   "updated": "2026-10-30"
  },
  "doubledescent": {
   "id": "doubledescent",
   "parent_id": "learningtheory",
   "label": "Podwójne zejście",
   "canonical_name": "Double descent",
   "aliases": [
    "double descent",
    "deep double descent",
    "podwójne zejście"
   ],
   "description": "Niemonotoniczna krzywa ryzyka testowego: klasyczny kształt U, szczyt przy progu interpolacji i ponowny spadek w reżimie przeparametryzowanym.",
   "description_en": "Non-monotonic test-risk curve: classical U shape, a peak at the interpolation threshold and a second descent in the overparameterised regime.",
   "plain": "Zaskakujące zjawisko: bardzo duże modele, które zapamiętują cały zbiór treningowy, mogą mimo to dobrze działać na nowych danych.",
   "plain_en": "A surprising effect: very large models that memorise the whole training set can still work well on new data.",
   "solves": "Podręcznikowa reguła mówi, że zbyt duży model się przeucza, a tymczasem coraz większe sieci działają coraz lepiej.",
   "solves_en": "Textbook wisdom says an oversized model overfits, yet ever larger networks keep working better.",
   "does": "Wykres błędu spada, rośnie przy rozmiarze modelu równym liczbie przykładów, a potem znów spada, gdy model rośnie dalej.",
   "does_en": "The error curve falls, peaks when model size matches the number of examples, then falls again as the model keeps growing.",
   "example": "Zespół zwiększa sieć i widzi chwilowe pogorszenie wyników; zamiast się wycofać, rośnie dalej i wyniki znów się poprawiają.",
   "example_en": "A team enlarges a network and sees results briefly get worse; instead of backing off, they grow further and results improve again.",
   "for_you": [
    "zastanawiasz się, czemu ogromne modele nie przeuczają się",
    "dobierasz rozmiar modelu do ilości danych"
   ],
   "for_you_en": [
    "wonder why huge models do not overfit",
    "match model size to the amount of data"
   ],
   "how": "Próg interpolacji to punkt, w którym procedura treningu po raz pierwszy potrafi osiągnąć niemal zerowy błąd treningowy; nie musi odpowiadać prostej równości liczby parametrów i próbek. W jego pobliżu rozwiązanie może być szczególnie wrażliwe na szum, natomiast dalszy wzrost efektywnej złożoności bywa związany z ponownym spadkiem błędu testowego. Zjawisko obserwowano względem rozmiaru modelu i liczby epok, a dla liczby próbek tylko w określonych reżimach.",
   "how_en": "The interpolation threshold is where a training procedure first attains nearly zero training error; it need not equal a simple parameter-to-sample count. Near that point the fitted solution can be especially sensitive to noise, while further increases in effective complexity may coincide with a second fall in test error. The effect has been observed over model size and training epochs, and over sample count only in specific regimes.",
   "limits": "Kształt krzywej zależy od danych, szumu, modelu, optymalizacji i regularyzacji; podwójne zejście nie musi wystąpić ani nie uzasadnia automatycznie zwiększania modelu. Pełne wyjaśnienie zjawiska w głębokich sieciach pozostaje otwarte.",
   "limits_en": "The curve depends on data, noise, model, optimisation and regularisation; double descent need not appear and does not by itself justify making a model larger. A complete explanation for deep networks remains open.",
   "terms": [
    {
     "gloss": "Rozmiar modelu, przy którym ledwo udaje mu się dopasować wszystkie przykłady.",
     "term": "próg interpolacji"
    },
    {
     "gloss": "Model ma więcej parametrów niż przykładów treningowych.",
     "term": "przeparametryzowanie"
    },
    {
     "gloss": "Największa liczba próbek, którą procedura treningu potrafi niemal idealnie dopasować.",
     "term": "efektywna złożoność modelu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Model size at which it barely fits all examples.",
     "term": "interpolation threshold"
    },
    {
     "gloss": "A model has more parameters than training examples.",
     "term": "overparameterisation"
    },
    {
     "gloss": "Largest sample count a training procedure can fit almost perfectly.",
     "term": "effective model complexity"
    }
   ],
   "prereq": [
    "biasvariance",
    "neuralbasics"
   ],
   "keywords": [
    "interpolation threshold",
    "epoch-wise double descent",
    "effective model complexity",
    "overparameterization",
    "implicit regularization",
    "model-wise double descent",
    "sample-wise double descent"
   ],
   "source_ids": [
    "belkin-doubledescent-2019",
    "nakkiran-deepdd-2019"
   ],
   "url": "https://aiatlasgraph.com/t/doubledescent",
   "markdown_url": "https://aiatlasgraph.com/t/doubledescent.md",
   "updated": "2026-10-30"
  },
  "dpo": {
   "id": "dpo",
   "parent_id": "preferences",
   "label": "DPO i optymalizacja offline",
   "canonical_name": "Direct preference optimization and offline variants",
   "description": "Uczenie bezpośrednio na parach odpowiedź wybrana–odrzucona, bez osobnego modelu nagrody. Tańsze obliczeniowo od RL.",
   "description_en": "Training directly on chosen–rejected answer pairs, with no separate reward model. Computationally cheaper than RL.",
   "examples": "DPO · IPO · KTO · pary on-policy z rejection sampling",
   "examples_en": "DPO · IPO · KTO · on-policy pairs from rejection sampling",
   "plain": "To bezpośrednie uczenie modelu na parach odpowiedzi wybranych i odrzuconych.",
   "plain_en": "This directly trains a model on pairs of preferred and rejected responses.",
   "solves": "Masz porównania dobrych i słabszych odpowiedzi, ale osobny model oceny oraz trening z nagrodami komplikują proces.",
   "solves_en": "You have comparisons of better and worse responses, but a separate evaluator and reward-based training complicate the process.",
   "does": "Reguła treningu zwiększa względną szansę wybranej odpowiedzi wobec odrzuconej, odnosząc zmianę do modelu referencyjnego bez osobnego uczenia nagrody.",
   "does_en": "The training rule raises the preferred response's relative likelihood, comparing changes against a reference model without training a separate reward model.",
   "example": "Na parach odpowiedzi klientom uczysz model wybierać jasne wyjaśnienie zamiast rozwlekłego tekstu pomijającego problem.",
   "example_en": "Using paired customer replies, you train a model to favour clear explanations over lengthy text that misses the problem.",
   "for_you": [
    "masz pary odpowiedzi z zaznaczonym wyborem",
    "szukasz prostszego treningu preferencji"
   ],
   "for_you_en": [
    "have response pairs with marked preferences",
    "seek simpler preference training"
   ],
   "how": "Dla preferowanej i odrzuconej odpowiedzi oblicza się logarytmy ilorazów prawdopodobieństw polityki i modelu referencyjnego. Strata logistyczna na różnicy tych wartości uczy względnej preferencji bez osobnego modelu nagrody i pętli generowania próbek.",
   "how_en": "For preferred and rejected responses, log probability ratios compare the policy with a reference model. A logistic loss on their difference learns relative preference without a separate reward model or rollout loop.",
   "limits": "Jakość zależy od par i zgodności ich rozkładu z przyszłym użyciem. Błędne preferencje oraz stronniczość długości przenoszą się na model; siła odniesienia i regularizacja wymagają doboru.",
   "limits_en": "Quality depends on pairs and their distribution matching future use. Incorrect preferences and length bias transfer to models; reference strength and regularisation require selection.",
   "terms": [
    {
     "gloss": "Wartość wynikająca z relacji prawdopodobieństw polityki i odniesienia.",
     "term": "niejawna nagroda"
    },
    {
     "gloss": "Cel klasyfikacji dopasowujący prawdopodobieństwo wyboru preferowanej odpowiedzi.",
     "term": "strata logistyczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A value derived from policy-to-reference probability relationships.",
     "term": "implicit reward"
    },
    {
     "gloss": "A classification objective fitting the probability of choosing the preferred response.",
     "term": "logistic loss"
    }
   ],
   "prereq": [
    "probability",
    "annotation"
   ],
   "keywords": [
    "IPO",
    "KTO",
    "ORPO",
    "SimPO",
    "beta parameter",
    "TRL DPOTrainer",
    "preference pairs"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/dpo",
   "markdown_url": "https://aiatlasgraph.com/t/dpo.md",
   "updated": "2026-10-30"
  },
  "driftdetection": {
   "id": "driftdetection",
   "parent_id": "monitoring",
   "label": "Wykrywanie dryfu danych i pojęć",
   "canonical_name": "Data and concept drift detection",
   "aliases": [
    "data drift",
    "concept drift",
    "dryf danych",
    "dryf pojęć",
    "model drift"
   ],
   "description": "Wykrywanie, że rozkład danych produkcyjnych albo zależność między wejściem a poprawną odpowiedzią zmieniły się względem danych treningowych, co może wymagać diagnozy lub adaptacji modelu.",
   "description_en": "Detecting that the production-data distribution or the relationship between inputs and correct outputs has changed relative to training data, which may require diagnosis or model adaptation.",
   "examples": "dryf rozkładu danych · dryf pojęć · monitorowanie w czasie · adaptacja po wykryciu",
   "examples_en": "data-distribution drift · concept drift · monitoring over time · adaptation after detection",
   "plain": "To wykrywanie, że dane lub zależności stojące za przewidywaniami zmieniły się od czasu nauki modelu.",
   "plain_en": "This detects changes in data or predictive relationships since the model was trained.",
   "solves": "Model oparty na dawnych przykładach może gorzej działać, gdy zmieniają się zachowania ludzi lub warunki zadania.",
   "solves_en": "A model built from earlier examples may perform worse when people's behaviour or task conditions change.",
   "does": "Porównuje cechy bieżących danych i, gdy dostępne, poprawne wyniki z wcześniejszymi wzorcami, wskazując zmiany do diagnozy.",
   "does_en": "It compares current data features and, when available, correct outcomes with earlier patterns, flagging changes for diagnosis.",
   "example": "Po zmianie sposobu wysyłki model częściej myli terminy; obserwujesz nowe czasy dostaw i sprawdzasz, które dawne zależności przestały pasować.",
   "example_en": "After shipping changes, a model mispredicts deadlines more often; you examine new delivery times and which earlier relationships no longer fit.",
   "for_you": [
    "twoje dane zmieniają się po wdrożeniu modelu",
    "chcesz zauważać, kiedy wcześniejsze wzorce przestają działać"
   ],
   "for_you_en": [
    "have data changing after model deployment",
    "want to notice when earlier patterns stop working"
   ],
   "how": "Bieżące okna danych porównuje się z rozkładami referencyjnymi testami lub detektorami zmian. Gdy pojawiają się prawdziwe etykiety, analiza jakości predykcji bada również zmianę zależności między wejściem a celem.",
   "how_en": "Current data windows are compared with reference distributions through tests or change detectors. When ground-truth labels arrive, prediction-quality analysis also examines shifts in the input–target relationship.",
   "limits": "Dryf wejść nie musi pogarszać modelu, a dryf pojęć wymaga etykiet lub innych dowodów. Sezonowość, małe próbki i częste testowanie zwiększają fałszywe alarmy.",
   "limits_en": "Input drift need not harm a model, while concept drift requires labels or other evidence. Seasonality, small samples and repeated testing increase false alarms.",
   "terms": [
    {
     "gloss": "Zmiana rozkładu wejść względem danych referencyjnych.",
     "term": "data drift"
    },
    {
     "gloss": "Zmiana zależności między wejściami a właściwymi odpowiedziami.",
     "term": "concept drift"
    }
   ],
   "terms_en": [
    {
     "gloss": "A change in input distribution relative to reference data.",
     "term": "data drift"
    },
    {
     "gloss": "A change in the relationship between inputs and correct outputs.",
     "term": "concept drift"
    }
   ],
   "prereq": [
    "datavalidation",
    "classmetrics"
   ],
   "keywords": [
    "ADWIN",
    "Page-Hinkley test",
    "Kolmogorov-Smirnov test",
    "Population Stability Index",
    "covariate shift",
    "label shift"
   ],
   "source_ids": [
    "concept-drift-review-2020"
   ],
   "url": "https://aiatlasgraph.com/t/driftdetection",
   "markdown_url": "https://aiatlasgraph.com/t/driftdetection.md",
   "updated": "2026-10-30"
  },
  "drivingvlm": {
   "id": "drivingvlm",
   "parent_id": "e2edriving",
   "label": "Modele wizja–język–akcja za kierownicą",
   "canonical_name": "Vision-language-action models for driving",
   "aliases": [
    "driving VLM",
    "driving VLA",
    "LLM for autonomous driving",
    "DriveLM",
    "EMMA",
    "modele językowe w jeździe"
   ],
   "description": "Multimodalne modele dostrajane do jazdy, które z obrazów i instrukcji przewidują m.in. trajektorie, obiekty lub elementy drogi jako tekst bądź tokeny akcji.",
   "description_en": "Multimodal models adapted to driving that use images and instructions to predict trajectories, objects or road elements as text or action tokens.",
   "plain": "Duże modele rozumiejące obraz i język, uczone także prowadzić auto i opisywać słowami, co robią na drodze.",
   "plain_en": "Large models that understand images and language, also trained to drive and to explain in words what they are doing on the road.",
   "solves": "Klasyczne systemy jazdy gubią się w nietypowych sytuacjach i nie umieją wytłumaczyć swoich decyzji.",
   "solves_en": "Classic driving systems get lost in unusual situations and cannot explain their decisions.",
   "does": "Łączy obraz drogi z instrukcjami i opisami tekstowymi, dzięki czemu jedna architektura może wykonywać kilka zadań jazdy i komunikować wyniki.",
   "does_en": "It combines road imagery with text instructions and descriptions, allowing one architecture to perform several driving tasks and communicate its outputs.",
   "example": "Model opisuje widoczne obiekty, przewiduje trajektorię i tekstowo przedstawia przesłanki manewru w scenie testowej.",
   "example_en": "In a test scene, the model describes visible objects, predicts a trajectory and gives a textual account of the manoeuvre's basis.",
   "for_you": [
    "interesuje cię, jak duże modele językowe trafiają do aut",
    "chcesz, by maszyna tłumaczyła swoje decyzje",
    "pracujesz z modelami obrazu i tekstu"
   ],
   "for_you_en": [
    "are curious how large language models reach cars",
    "want a machine to explain its decisions",
    "work with image-and-text models"
   ],
   "how": "Obrazy z kamer trafiają do multimodalnego modelu, a wyjścia nieobrazowe — np. trajektoria, obiekty lub elementy drogi — mogą być zapisane jako tekst. Prompt wybiera zadanie; Graph VQA łączy pytania o percepcję, predykcję i planowanie.",
   "how_en": "Camera images enter a multimodal model, while non-image outputs such as trajectories, objects or road elements can be represented as text. A prompt selects the task; Graph VQA links questions about perception, prediction and planning.",
   "limits": "Duże modele są wolne i drogie do uruchomienia w aucie w czasie rzeczywistym. Mogą halucynować, słabo wykorzystują LiDAR i geometrię 3D, a słowne wyjaśnienie nie gwarantuje, że opisuje prawdziwą przyczynę decyzji.",
   "limits_en": "Large models are slow and costly to run in a car in real time. They can hallucinate, make weak use of LiDAR and 3D geometry, and a verbal explanation does not guarantee it reflects the real cause of a decision.",
   "terms": [
    {
     "gloss": "Model łączący obraz, język i wyjście w postaci działań.",
     "term": "VLA"
    },
    {
     "gloss": "Powiązane pytania o percepcję, predykcję i plan, prowadzące do decyzji.",
     "term": "Graph VQA"
    },
    {
     "gloss": "Ruch zapisany jako ciąg symboli, jak słowa w zdaniu.",
     "term": "tokeny akcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model combining vision, language and action outputs.",
     "term": "VLA"
    },
    {
     "gloss": "Linked questions about perception, prediction and plan leading to a decision.",
     "term": "Graph VQA"
    },
    {
     "gloss": "Motion written as a sequence of symbols, like words in a sentence.",
     "term": "action tokens"
    }
   ],
   "prereq": [
    "vlm",
    "vla"
   ],
   "keywords": [
    "DriveLM",
    "EMMA",
    "Graph VQA",
    "vision-language-action",
    "multimodal driving model",
    "nuScenes",
    "Waymo Open Motion Dataset"
   ],
   "source_ids": [
    "drivelm-2023",
    "emma-2024"
   ],
   "url": "https://aiatlasgraph.com/t/drivingvlm",
   "markdown_url": "https://aiatlasgraph.com/t/drivingvlm.md",
   "updated": "2026-10-30"
  },
  "drivingworldmodels": {
   "id": "drivingworldmodels",
   "parent_id": "adsimulation",
   "label": "Generatywne modele świata do jazdy",
   "canonical_name": "Generative world models for driving",
   "aliases": [
    "driving world model",
    "GAIA-1",
    "video world model for autonomous driving",
    "model świata dla aut"
   ],
   "description": "Modele generatywne przewidujące przyszłe klatki wideo lub stany czujników, warunkowane akcjami pojazdu i opisem tekstowym.",
   "description_en": "Generative models predicting future video frames or sensor states, conditioned on the vehicle's actions and text descriptions.",
   "plain": "Modele, które wyobrażają sobie dalszy ciąg nagrania z drogi, także scenę, której nikt nigdy nie nagrał.",
   "plain_en": "Models that imagine how a road recording continues, including scenes nobody ever filmed.",
   "solves": "Niebezpieczne sytuacje zdarzają się zbyt rzadko, by nagrać ich dość do nauki i testów systemów jazdy.",
   "solves_en": "Dangerous situations happen too rarely to record enough of them for training and testing driving systems.",
   "does": "Jak wyobraźnia kierowcy pytająca „co się stanie, jeśli teraz skręcę?”: model dopowiada kolejne klatki zgodnie z wybranym ruchem.",
   "does_en": "Like a driver's imagination asking 'what if I turn now?', the model fills in the next frames to match the chosen move.",
   "example": "Model dostaje nagranie drogi, opis tekstowy i planowany ruch pojazdu, a następnie generuje możliwy dalszy ciąg sceny.",
   "example_en": "The model receives road video, a text description and the vehicle's planned action, then generates a possible continuation of the scene.",
   "for_you": [
    "interesuje cię generowanie wideo zgodnego z fizyką",
    "potrzebujesz rzadkich scenariuszy do testów",
    "śledzisz modele świata jako kierunek rozwoju AI"
   ],
   "for_you_en": [
    "are interested in physically plausible video generation",
    "need rare scenarios for testing",
    "follow world models as a direction in AI"
   ],
   "how": "Wideo, tekst i akcje zamienia się na dyskretne tokeny, a model przewiduje kolejne tokeny jak w modelowaniu sekwencji; dekoder odtwarza z nich kolejne klatki. Warunkowanie akcją i tekstem pozwala generować warianty scen do badań.",
   "how_en": "Video, text and actions are mapped to discrete tokens, and the model predicts subsequent tokens as a sequence model; a decoder renders them as future frames. Conditioning on actions and text enables scene variants for research.",
   "limits": "Wygenerowane klatki mogą łamać fizykę lub gubić obiekty z czasem, a wierność trudno zmierzyć. Modele są bardzo kosztowne w treningu i działaniu, a ocena planera w wyobrażonym świecie dziedziczy jego błędy.",
   "limits_en": "Generated frames can break physics or lose objects over time, and fidelity is hard to measure. Models are very costly to train and run, and evaluating a planner in an imagined world inherits its errors.",
   "terms": [
    {
     "gloss": "Model przewidujący, jak zmieni się otoczenie po danej akcji.",
     "term": "model świata"
    },
    {
     "gloss": "Zamiana klatek na ciąg symboli, które model może przewidywać.",
     "term": "tokenizacja wideo"
    },
    {
     "gloss": "Generowanie przyszłości zależnej od wybranego ruchu pojazdu.",
     "term": "warunkowanie akcją"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model predicting how the surroundings change after an action.",
     "term": "world model"
    },
    {
     "gloss": "Turning frames into a sequence of symbols a model can predict.",
     "term": "video tokenisation"
    },
    {
     "gloss": "Generating a future that depends on the vehicle's chosen move.",
     "term": "action conditioning"
    }
   ],
   "prereq": [
    "worldfoundation"
   ],
   "keywords": [
    "GAIA-1",
    "generative world model",
    "video world model",
    "action-conditioned generation",
    "text-conditioned generation",
    "next-token prediction",
    "driving simulation"
   ],
   "source_ids": [
    "gaia1-2023"
   ],
   "url": "https://aiatlasgraph.com/t/drivingworldmodels",
   "markdown_url": "https://aiatlasgraph.com/t/drivingworldmodels.md",
   "updated": "2026-10-30"
  },
  "drldispatching": {
   "id": "drldispatching",
   "parent_id": "prodscheduling",
   "label": "Uczenie reguł kolejkowania zadań z RL i sieciami grafowymi",
   "canonical_name": "Deep reinforcement learning dispatching for job-shop scheduling",
   "aliases": [
    "learning to dispatch",
    "L2D",
    "DRL job shop scheduling",
    "GNN dispatching policy",
    "neural dispatching rules",
    "uczenie dyspozycji zadań"
   ],
   "description": "Uczenie polityki wyboru kolejnej operacji w harmonogramowaniu gniazdowym (JSSP) metodą głębokiego RL na reprezentacji grafu dysjunktywnego.",
   "description_en": "Learning a policy that picks the next operation in job-shop scheduling (JSSP) with deep RL over a disjunctive-graph representation.",
   "plain": "Program, który przez tysiące symulowanych zmian w fabryce uczy się sam decydować, które zlecenie wpuścić na wolną maszynę.",
   "plain_en": "A program that learns, over thousands of simulated factory shifts, to decide by itself which order goes onto a free machine next.",
   "solves": "Planista ma dziesiątki zleceń i maszyn, a proste reguły w stylu „najkrótsze najpierw” często zostawiają maszyny bezczynne i opóźniają całą produkcję.",
   "solves_en": "A planner juggles dozens of orders and machines, and simple rules like 'shortest first' often leave machines idle and delay the whole run.",
   "does": "Jak dyspozytor taksówek, który po latach pracy patrzy na całą mapę kursów naraz i od razu wie, które auto wysłać.",
   "does_en": "Like a taxi dispatcher who, after years on the job, takes in the whole map of rides at once and knows which car to send.",
   "example": "W zakładzie obróbki metalu system co kilka minut wskazuje, który detal ma trafić na zwolnioną frezarkę, żeby całe zamówienie wyszło wcześniej.",
   "example_en": "At a machining plant the system picks every few minutes which part goes onto a freed milling machine, so the whole order ships sooner.",
   "for_you": [
    "układasz kolejność zleceń na wielu maszynach",
    "proste reguły priorytetów zostawiają przestoje",
    "liczba zleceń zmienia się z dnia na dzień"
   ],
   "for_you_en": [
    "sequence orders across many machines",
    "see idle time left by simple priority rules",
    "face a different number of orders every day"
   ],
   "how": "Budowanie harmonogramu modeluje się jako proces decyzyjny Markowa: w każdym kroku agent wybiera operację do uruchomienia. Stan to graf dysjunktywny (operacje jako węzły, kolejność technologiczna i konflikty maszyn jako krawędzie), kodowany siecią grafową. Polityka ocenia kandydatów, więc te same wagi działają dla dowolnej liczby zleceń i maszyn; uczy się jej np. PPO.",
   "how_en": "Building a schedule is modelled as a Markov decision process: at each step the agent picks an operation to dispatch. The state is a disjunctive graph (operations as nodes, precedence and machine conflicts as edges) encoded by a graph neural network. The policy scores candidates, so the same weights work for any number of jobs and machines; it is trained with e.g. PPO.",
   "limits": "Polityka budowana w jednym przebiegu zwykle wciąż ustępuje dobrym metaheurystykom i solwerom dokładnym pod względem jakości harmonogramu. Podstawowe sformułowanie jest statyczne i deterministyczne; przybywanie zleceń i awarie maszyn wymagają rozszerzeń.",
   "limits_en": "A single-pass constructive policy usually still trails strong metaheuristics and exact solvers on schedule quality. The basic formulation is static and deterministic; arriving orders and machine breakdowns need extensions.",
   "terms": [
    {
     "gloss": "Problem kolejkowania zleceń o ustalonej trasie przez wiele maszyn.",
     "term": "JSSP"
    },
    {
     "gloss": "Graf pokazujący, które operacje muszą iść po sobie, a które walczą o maszynę.",
     "term": "graf dysjunktywny"
    },
    {
     "gloss": "Czas od startu do zakończenia ostatniego zlecenia.",
     "term": "makespan"
    },
    {
     "gloss": "Prosta zasada wyboru następnego zlecenia, np. najkrótsze najpierw.",
     "term": "reguła dyspozycji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Scheduling jobs with fixed routes through many machines.",
     "term": "JSSP"
    },
    {
     "gloss": "A graph showing which operations must follow each other and which compete for a machine.",
     "term": "disjunctive graph"
    },
    {
     "gloss": "Time from start until the last job finishes.",
     "term": "makespan"
    },
    {
     "gloss": "A simple rule for choosing the next job, e.g. shortest first.",
     "term": "dispatching rule"
    }
   ],
   "prereq": [
    "gnn",
    "ppo"
   ],
   "keywords": [
    "L2D",
    "disjunctive graph",
    "graph isomorphism network",
    "PPO",
    "priority dispatching rules",
    "Taillard benchmark",
    "flexible job shop",
    "neural combinatorial optimization",
    "OR-Tools CP-SAT"
   ],
   "source_ids": [
    "zhang-l2d-jssp-2020"
   ],
   "url": "https://aiatlasgraph.com/t/drldispatching",
   "markdown_url": "https://aiatlasgraph.com/t/drldispatching.md",
   "updated": "2026-10-30"
  },
  "dronenav": {
   "id": "dronenav",
   "parent_id": "aerialrobotics",
   "label": "Samodzielna nawigacja drona w ciasnych miejscach",
   "canonical_name": "Vision-based autonomous drone navigation",
   "aliases": [
    "vision-based drone navigation",
    "UAV navigation",
    "obstacle avoidance for drones",
    "GPS-denied navigation",
    "nawigacja dronów",
    "omijanie przeszkód przez drona"
   ],
   "description": "Nawigacja dronów bez GPS na podstawie kamer i czujników inercyjnych: lokalizacja, mapowanie, planowanie omijania przeszkód i polityki uczone.",
   "description_en": "GPS-denied drone navigation from cameras and inertial sensors: localisation, mapping, obstacle-avoidance planning and learned policies.",
   "plain": "Dron sam znajduje drogę między drzewami, w hali czy w budynku, patrząc przez kamerę i omijając przeszkody.",
   "plain_en": "A drone finds its own way between trees, in a hall or inside a building, looking through a camera and dodging obstacles.",
   "solves": "Bez sygnału satelitarnego i bez mapy dron nie wie, gdzie jest ani gdzie może bezpiecznie polecieć.",
   "solves_en": "Without a satellite signal or a map a drone does not know where it is or where it can safely fly.",
   "does": "Na bieżąco rysuje sobie mapę tego, co widzi, i wybiera wolny korytarz, jak człowiek idący przez zatłoczony pokój.",
   "does_en": "It sketches a map of what it sees as it goes and picks a free corridor, like a person crossing a crowded room.",
   "example": "Dron magazynowy przelatuje między wysokimi regałami i skanuje kody na paletach bez pilota i bez nadajników w hali.",
   "example_en": "A warehouse drone flies between tall racks scanning pallet codes with no pilot and no beacons in the hall.",
   "for_you": [
    "dron ma latać tam, gdzie nie ma GPS",
    "planujesz inwentaryzację albo inspekcję wnętrz",
    "porównujesz klasyczne i uczone metody nawigacji"
   ],
   "for_you_en": [
    "need a drone to fly where there is no GPS",
    "plan indoor inventory or inspection",
    "compare classic and learned navigation methods"
   ],
   "how": "Klasyczny stos używa odometrii wizyjno-inercyjnej lub SLAM do lokalizacji, buduje mapę zajętości z głębi i planuje gładką trajektorię planerem online, którą śledzi regulator. Metody uczone zastępują część tego stosu siecią, np. polityką z obrazu głębi trenowaną RL lub imitacją eksperta-planera, a nowsze dodają cele opisane językiem.",
   "how_en": "The classic stack uses visual-inertial odometry or SLAM to localise, builds an occupancy map from depth and plans a smooth trajectory with an online planner that a controller tracks. Learned methods replace parts of this stack with a network, e.g. a depth-image policy trained by RL or by imitating an expert planner; newer ones add language-specified goals.",
   "limits": "Cienkie przeszkody jak przewody i gałęzie są źle widoczne w głębi. Mapy i planowanie obciążają mały komputer pokładowy. Polityki uczone gorzej przenoszą się na nowe otoczenia i trudno udowodnić ich bezpieczeństwo.",
   "limits_en": "Thin obstacles such as wires and branches show up poorly in depth. Maps and planning load the small onboard computer. Learned policies transfer less well to new surroundings and their safety is hard to prove.",
   "terms": [
    {
     "gloss": "Siatka 3D zaznaczająca, które miejsca są wolne, a które zajęte.",
     "term": "mapa zajętości"
    },
    {
     "gloss": "Algorytm przeliczający trasę w trakcie lotu, wiele razy na sekundę.",
     "term": "planer online"
    },
    {
     "gloss": "Lot oparty wyłącznie na czujnikach pokładowych.",
     "term": "nawigacja bez GPS"
    }
   ],
   "terms_en": [
    {
     "gloss": "A 3D grid marking which places are free and which are taken.",
     "term": "occupancy map"
    },
    {
     "gloss": "An algorithm recomputing the route during flight, many times per second.",
     "term": "online planner"
    },
    {
     "gloss": "Flight relying only on onboard sensors.",
     "term": "GPS-denied navigation"
    }
   ],
   "prereq": [
    "slam",
    "astar"
   ],
   "keywords": [
    "visual-inertial odometry",
    "VINS-Mono",
    "EGO-Planner",
    "Fast-Planner",
    "occupancy mapping",
    "depth-based obstacle avoidance",
    "learned navigation policy",
    "ROS 2"
   ],
   "source_ids": [
    "vision-drones-survey-2023"
   ],
   "url": "https://aiatlasgraph.com/t/dronenav",
   "markdown_url": "https://aiatlasgraph.com/t/dronenav.md",
   "updated": "2026-10-30"
  },
  "dtsync": {
   "id": "dtsync",
   "parent_id": "digitaltwins",
   "label": "Synchronizacja bliźniaka z maszyną (estymacja stanu)",
   "canonical_name": "Digital twin state estimation and data assimilation",
   "aliases": [
    "data assimilation",
    "state estimation",
    "twin updating",
    "Bayesian filtering",
    "asymilacja danych",
    "estymacja stanu",
    "Kalman filter digital twin"
   ],
   "description": "Bayesowskie aktualizowanie stanu i parametrów modelu bliźniaka na podstawie strumienia obserwacji z czujników fizycznego obiektu.",
   "description_en": "Bayesian updating of a twin model's state and parameters from the stream of sensor observations of the physical asset.",
   "plain": "Ciągłe dopasowywanie wirtualnej kopii maszyny do tego, co naprawdę pokazują jej czujniki, żeby kopia nie rozjechała się z rzeczywistością.",
   "plain_en": "Continuously adjusting a machine's virtual copy to what its sensors actually show, so the copy does not drift away from reality.",
   "solves": "Symulacja ustawiona raz na starcie szybko przestaje pasować do zużywającej się maszyny i zaczyna podpowiadać błędne decyzje.",
   "solves_en": "A simulation set up once at the start soon stops matching a machine that wears, and begins to suggest wrong decisions.",
   "does": "Jak nawigacja, która co chwilę poprawia twoją pozycję na mapie według nowego sygnału, zamiast liczyć ją tylko z prędkości.",
   "does_en": "Like a navigation app that keeps correcting your position on the map from each new signal instead of working it out from speed alone.",
   "example": "Wirtualny model skrzydła drona dostaje odczyty z czujników odkształceń i po zmianie ich wzorca sam oznacza, że w konstrukcji pojawiło się uszkodzenie.",
   "example_en": "A virtual model of a drone's wing receives strain-sensor readings and, when their pattern shifts, flags on its own that the structure has been damaged.",
   "for_you": [
    "twój cyfrowy bliźniak przestał zgadzać się z pomiarami",
    "chcesz znać stan maszyny, którego nie zmierzysz wprost",
    "decydujesz o naprawach na podstawie symulacji"
   ],
   "for_you_en": [
    "have a digital twin that no longer matches measurements",
    "want to know a machine state you cannot measure directly",
    "decide on repairs based on simulations"
   ],
   "how": "W każdym kroku model przewiduje następny stan obiektu, a nowe pomiary korygują tę prognozę proporcjonalnie do swojej wiarygodności (cykl predykcja–aktualizacja). Stosuje się filtry Kalmana (EKF, UKF, zespołowy) i filtry cząsteczkowe. Całość można ująć jako probabilistyczny model graficzny sprzężony z decyzjami i sterowaniem.",
   "how_en": "At each step the model predicts the asset's next state and new measurements correct that forecast in proportion to their reliability (predict–update cycle). Kalman filters (EKF, UKF, ensemble) and particle filters are used. The whole loop can be framed as a probabilistic graphical model coupled to decisions and control.",
   "limits": "Aktualizacja jest tak dobra, jak modele procesu i szumu pomiarowego. Dokładne wnioskowanie bayesowskie robi się kosztowne przy wielowymiarowym stanie. Przy małej liczbie czujników część stanu pozostaje niejednoznaczna.",
   "limits_en": "The update is only as good as the process and measurement-noise models. Exact Bayesian inference becomes expensive for high-dimensional states. With few sensors, part of the state stays ambiguous.",
   "terms": [
    {
     "gloss": "Wplatanie bieżących pomiarów w działającą symulację.",
     "term": "asymilacja danych"
    },
    {
     "gloss": "Algorytm łączący prognozę modelu z zaszumionym pomiarem w najlepsze oszacowanie.",
     "term": "filtr Kalmana"
    },
    {
     "gloss": "Śledzi wiele losowych hipotez stanu i odrzuca te niezgodne z pomiarami.",
     "term": "filtr cząsteczkowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Weaving live measurements into a running simulation.",
     "term": "data assimilation"
    },
    {
     "gloss": "An algorithm combining a model forecast and a noisy measurement into a best estimate.",
     "term": "Kalman filter"
    },
    {
     "gloss": "Tracks many random state hypotheses and drops those that contradict measurements.",
     "term": "particle filter"
    }
   ],
   "prereq": [
    "bayesinference"
   ],
   "keywords": [
    "Kalman filter",
    "extended Kalman filter",
    "unscented Kalman filter",
    "ensemble Kalman filter",
    "particle filter",
    "Bayesian filtering",
    "probabilistic graphical model",
    "FilterPy"
   ],
   "source_ids": [
    "kapteyn-pgm-digital-twins-2021"
   ],
   "url": "https://aiatlasgraph.com/t/dtsync",
   "markdown_url": "https://aiatlasgraph.com/t/dtsync.md",
   "updated": "2026-10-30"
  },
  "dynamicprogramming": {
   "id": "dynamicprogramming",
   "parent_id": "rlbasics",
   "label": "Programowanie dynamiczne: iteracja wartości i polityki",
   "canonical_name": "Dynamic programming for MDPs (value and policy iteration)",
   "aliases": [
    "dynamic programming",
    "value iteration",
    "policy iteration",
    "iteracja wartości",
    "iteracja polityki"
   ],
   "description": "Obliczanie optymalnej polityki, gdy model przejść i nagród jest w pełni znany, przez wielokrotne stosowanie równań Bellmana. Punkt odniesienia dla metod uczących się z prób.",
   "description_en": "Computing an optimal policy when the transition and reward model is fully known, by repeatedly applying the Bellman equations. The reference point for methods that learn from trials.",
   "examples": "iteracja wartości · iteracja polityki · ocena polityki · uogólniona iteracja polityki",
   "examples_en": "value iteration · policy iteration · policy evaluation · generalised policy iteration",
   "plain": "To liczenie najlepszego sposobu działania, gdy dokładnie znasz reguły świata i skutki każdego ruchu.",
   "plain_en": "This computes the best way to act when you know the world's rules and the result of every move exactly.",
   "solves": "Masz pełny opis zadania, ale sprawdzanie wszystkich możliwych planów po kolei trwałoby wieki.",
   "solves_en": "You have a complete description of the task, but checking every possible plan one by one would take forever.",
   "does": "Jak liczenie drogi od mety wstecz: każde pole dostaje ocenę z ocen sąsiadów, aż oceny przestaną się zmieniać.",
   "does_en": "Like working backwards from the finish line: each square gets a score from its neighbours' scores until the scores stop changing.",
   "example": "Robot sprzątający zna plan mieszkania i dla każdego pokoju wylicza, którędy najszybciej dojedzie do stacji ładowania.",
   "example_en": "A cleaning robot knows the flat's floor plan and works out, for every room, the quickest way back to its charging dock.",
   "for_you": [
    "znasz dokładne reguły i koszty swojego zadania",
    "chcesz zrozumieć, skąd biorą się metody uczenia przez próby",
    "potrzebujesz wzorcowego rozwiązania do porównań"
   ],
   "for_you_en": [
    "know the exact rules and costs of your task",
    "want to understand where trial-based learning methods come from",
    "need a reference solution to compare against"
   ],
   "how": "Ocena polityki wielokrotnie stosuje równanie Bellmana dla ustalonej polityki, a poprawa polityki wybiera akcje zachłanne względem otrzymanych wartości. Iteracja wartości łączy oba kroki w jednej aktualizacji z maksimum po akcjach.",
   "how_en": "Policy evaluation repeatedly applies the Bellman equation for a fixed policy, and policy improvement picks actions greedily with respect to the resulting values. Value iteration merges both steps into one update with a maximum over actions.",
   "limits": "Wymaga pełnego modelu środowiska i przechodzi po wszystkich stanach, więc koszt rośnie z liczbą stanów (przekleństwo wymiarowości). W dużych problemach zastępuje się go próbkowaniem i aproksymacją.",
   "limits_en": "It needs a full model of the environment and sweeps over every state, so cost grows with the number of states (the curse of dimensionality). Large problems replace it with sampling and approximation.",
   "terms": [
    {
     "gloss": "Powtarzanie aktualizacji Bellmana z maksimum po akcjach aż do zbieżności.",
     "term": "iteracja wartości"
    },
    {
     "gloss": "Naprzemienna pełna ocena polityki i jej zachłanna poprawa.",
     "term": "iteracja polityki"
    },
    {
     "gloss": "Ogólny schemat wzajemnego poprawiania ocen i polityki, wspólny dla wielu metod RL.",
     "term": "uogólniona iteracja polityki"
    }
   ],
   "terms_en": [
    {
     "gloss": "Repeating Bellman updates with a maximum over actions until convergence.",
     "term": "value iteration"
    },
    {
     "gloss": "Alternating full policy evaluation and greedy policy improvement.",
     "term": "policy iteration"
    },
    {
     "gloss": "The general pattern of values and policy improving each other, shared by many RL methods.",
     "term": "generalised policy iteration"
    }
   ],
   "prereq": [
    "bellman",
    "mdp"
   ],
   "keywords": [
    "value iteration",
    "policy iteration",
    "policy evaluation",
    "generalized policy iteration",
    "Bellman optimality equation",
    "asynchronous dynamic programming",
    "real-time dynamic programming"
   ],
   "source_ids": [
    "sutton-barto-rl-2018",
    "kaelbling-pomdp-1998",
    "cs234-2026-lecture3"
   ],
   "url": "https://aiatlasgraph.com/t/dynamicprogramming",
   "markdown_url": "https://aiatlasgraph.com/t/dynamicprogramming.md",
   "updated": "2026-10-30"
  },
  "dynmalware": {
   "id": "dynmalware",
   "parent_id": "malwareml",
   "label": "Wykrywanie malware po zachowaniu w piaskownicy",
   "canonical_name": "Dynamic (behavioural) malware detection",
   "aliases": [
    "dynamic malware analysis",
    "behavioural malware detection",
    "API call sequence classification",
    "sandbox-based detection",
    "analiza dynamiczna malware"
   ],
   "description": "Klasyfikacja programów na podstawie śladów ich działania w odizolowanym środowisku, najczęściej sekwencji wywołań API systemu wraz z argumentami.",
   "description_en": "Classifying programs from traces of their execution in an isolated environment, most often sequences of system API calls with their arguments.",
   "plain": "Uruchamianie podejrzanego programu w zamkniętej klatce i ocenianie, czy jest groźny, po tym, co próbuje robić.",
   "plain_en": "Running a suspicious program inside a sealed cage and judging whether it is dangerous by what it tries to do.",
   "solves": "Szkodnik może być tak zaszyfrowany i przebrany, że po samym pliku nie da się poznać, co zrobi po uruchomieniu.",
   "solves_en": "Malware can be so encrypted and disguised that the file alone gives no clue what it will do once launched.",
   "does": "Jak obserwacja gościa przez lustro weneckie: nie oceniasz jego stroju, tylko to, czy zaczyna grzebać w szufladach.",
   "does_en": "Like watching a visitor through a one-way mirror: you ignore the outfit and check whether they start rifling through drawers.",
   "example": "Firmowa poczta zatrzymuje załącznik na kilka minut, uruchamia go w wirtualnym komputerze i blokuje, bo plik zaczął szyfrować testowe dokumenty.",
   "example_en": "The company mail system holds an attachment for a few minutes, runs it in a virtual computer and blocks it because it started encrypting test documents.",
   "for_you": [
    "dostajesz w pracy załączniki od nieznanych nadawców",
    "analizujesz podejrzane pliki",
    "budujesz model na danych sekwencyjnych"
   ],
   "for_you_en": [
    "receive attachments from unknown senders at work",
    "analyse suspicious files",
    "build models on sequential data"
   ],
   "how": "System uruchamia próbkę w kontrolowanym środowisku i rejestruje wywołania API wraz z argumentami. W pracy źródłowej cechy argumentów są haszowane, a sekwencję modeluje połączenie bramkowanej sieci konwolucyjnej i dwukierunkowego LSTM.",
   "how_en": "The system executes a sample in a controlled environment and records API calls together with arguments. In the cited work, argument features are hashed and the sequence is modeled by a gated convolutional network combined with a bidirectional LSTM.",
   "limits": "Badanie źródłowe dotyczy plików Windows zebranych przez dwa miesiące, etykietowanych przez zespół silników antywirusowych. Wykonanie jednej próbki trwało zwykle 3–5 minut, więc metoda jest kosztowniejsza niż analiza statyczna i wymaga ostrożnej interpretacji etykiet.",
   "limits_en": "The cited study concerns Windows files collected over two months and labeled by an ensemble of antivirus engines. Executing one sample typically took 3–5 minutes, making the method costlier than static analysis and requiring careful interpretation of labels.",
   "terms": [
    {
     "gloss": "Odizolowany komputer wirtualny do bezpiecznego uruchamiania podejrzanych programów.",
     "term": "piaskownica"
    },
    {
     "gloss": "Prośba programu do systemu, np. o otwarcie pliku lub połączenie z siecią.",
     "term": "wywołanie API"
    },
    {
     "gloss": "Sztuczki, którymi szkodnik rozpoznaje środowisko testowe i ukrywa zachowanie.",
     "term": "unikanie piaskownicy"
    }
   ],
   "terms_en": [
    {
     "gloss": "An isolated virtual machine for safely running suspicious programs.",
     "term": "sandbox"
    },
    {
     "gloss": "A program's request to the system, e.g. to open a file or connect to a network.",
     "term": "API call"
    },
    {
     "gloss": "Tricks malware uses to spot a test environment and hide its behaviour.",
     "term": "sandbox evasion"
    }
   ],
   "prereq": [
    "lstmgru",
    "cnn"
   ],
   "keywords": [
    "Cuckoo Sandbox",
    "CAPE",
    "API call sequences",
    "feature hashing",
    "Bi-LSTM",
    "gated CNN",
    "system call traces",
    "emulation",
    "sandbox evasion"
   ],
   "source_ids": [
    "zhang-dynamic-malware-feature-learning-2019"
   ],
   "url": "https://aiatlasgraph.com/t/dynmalware",
   "markdown_url": "https://aiatlasgraph.com/t/dynmalware.md",
   "updated": "2026-10-30"
  },
  "e2edriving": {
   "id": "e2edriving",
   "parent_id": "autodriving",
   "label": "Jazda end-to-end",
   "canonical_name": "End-to-end autonomous driving",
   "aliases": [
    "end-to-end driving",
    "E2E autonomous driving",
    "sensor-to-plan driving",
    "jazda od czujników do planu"
   ],
   "description": "Podejście, w którym percepcja, predykcja i planowanie tworzą jedną sieć uczoną wspólnie, od danych z czujników do trajektorii.",
   "description_en": "An approach where perception, prediction and planning form one network trained jointly, from sensor data to trajectory.",
   "plain": "Jedna duża sieć, która od obrazu z kamer od razu przechodzi do decyzji, jak jechać, zamiast wielu osobnych programów.",
   "plain_en": "One large network that goes straight from camera images to the decision of how to drive, instead of many separate programs.",
   "solves": "W łańcuchu osobnych modułów błąd jednego przechodzi dalej i narasta, a każdy moduł jest ulepszany osobno, nie dla wspólnego celu.",
   "solves_en": "In a chain of separate modules one module's error passes on and grows, and each is improved on its own, not for the shared goal.",
   "does": "Jak sportowiec, którego wzrok i ruchy trenuje się razem, a nie osobno: całość jest dostrajana pod jeden wynik, czyli dobrą jazdę.",
   "does_en": "Like an athlete whose eyes and movements are trained together rather than apart, the whole thing is tuned for one result: good driving.",
   "example": "Auto testowe przejeżdża przez miasto, a jedna sieć prowadzi je od kamer aż po kierownicę, pokazując po drodze, co wykryła.",
   "example_en": "A test car crosses the city while one network drives it from cameras to steering, showing along the way what it detected.",
   "for_you": [
    "śledzisz, dokąd zmierzają auta autonomiczne",
    "interesuje cię uczenie całych systemów naraz",
    "pracujesz z dużymi zbiorami nagrań wideo"
   ],
   "for_you_en": [
    "follow where self-driving cars are heading",
    "are interested in training whole systems at once",
    "work with large video collections"
   ],
   "how": "Wspólny szkielet, zwykle z reprezentacją BEV, zasila kolejne zadania i końcowy planer, a całość optymalizuje się pod jakość planu. Uczenie łączy naśladowanie ludzkich trajektorii z zadaniami pomocniczymi; coraz częściej trzonem jest multimodalny model bazowy.",
   "how_en": "A shared backbone, usually with a BEV representation, feeds intermediate tasks and the final planner, and the whole is optimised for plan quality. Training combines imitating human trajectories with auxiliary tasks; increasingly a multimodal foundation model forms the core.",
   "limits": "Trudno sprawdzić, dlaczego sieć podjęła decyzję, i naprawiać pojedyncze błędy. Wyniki w otwartej pętli bywają złudne, a walidacja bezpieczeństwa wymaga ogromnych danych i symulacji.",
   "limits_en": "It is hard to check why the network decided something or to fix individual errors. Open-loop results can mislead, and safety validation needs huge data and simulation.",
   "terms": [
    {
     "gloss": "Dodatkowe cele uczenia, np. detekcja, ułatwiające naukę planowania.",
     "term": "zadania pomocnicze"
    },
    {
     "gloss": "Ocena przewidywań względem nagrania, bez wpływu na przebieg sceny.",
     "term": "otwarta pętla"
    },
    {
     "gloss": "Model uczy się korelacji zamiast prawdziwego powodu decyzji.",
     "term": "pomyłka przyczynowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Extra training goals, such as detection, that help learn planning.",
     "term": "auxiliary tasks"
    },
    {
     "gloss": "Scoring predictions against a recording, without affecting how the scene unfolds.",
     "term": "open loop"
    },
    {
     "gloss": "The model learns a correlation instead of the real reason for a decision.",
     "term": "causal confusion"
    }
   ],
   "prereq": [
    "bevperception",
    "behaviorcloning"
   ],
   "keywords": [
    "UniAD",
    "VAD",
    "TransFuser",
    "SparseDrive",
    "DiffusionDrive",
    "NAVSIM",
    "CARLA Leaderboard",
    "Bench2Drive",
    "causal confusion"
   ],
   "source_ids": [
    "e2e-ad-survey-2023",
    "uniad-2022",
    "navsim-2024"
   ],
   "url": "https://aiatlasgraph.com/t/e2edriving",
   "markdown_url": "https://aiatlasgraph.com/t/e2edriving.md",
   "updated": "2026-10-30"
  },
  "earlywarning": {
   "id": "earlywarning",
   "parent_id": "clinicalprediction",
   "label": "Wczesne ostrzeganie o pogorszeniu stanu (np. sepsa)",
   "canonical_name": "Early warning systems for clinical deterioration (e.g. sepsis)",
   "aliases": [
    "sepsis prediction",
    "early warning system",
    "deterioration prediction",
    "TREWS",
    "wczesne wykrywanie sepsy"
   ],
   "description": "Modele działające na bieżąco na danych EHR, które wskazują pacjentów z rosnącym ryzykiem sepsy lub pogorszenia i generują alerty dla personelu.",
   "description_en": "Models running continuously on EHR data that flag patients at rising risk of sepsis or deterioration and alert staff.",
   "plain": "Program w tle śledzi wyniki pacjentów w szpitalu i ostrzega personel, gdy ktoś zaczyna groźnie słabnąć, np. z powodu zakażenia krwi.",
   "plain_en": "Software that quietly tracks hospital patients' results and warns staff when someone starts to decline dangerously, for example from a blood infection.",
   "solves": "Przy sepsie liczy się każda godzina, a pierwsze objawy są niespecyficzne i giną wśród setek pomiarów na oddziale.",
   "solves_en": "With sepsis every hour counts, yet the first signs are vague and get lost among hundreds of measurements on a ward.",
   "does": "Łączy wiele drobnych sygnałów, z których każdy osobno nic nie znaczy, w jedno ostrzeżenie, które lekarz potwierdza lub odrzuca.",
   "does_en": "Combines many small signals that mean little on their own into one alert that a clinician confirms or dismisses.",
   "example": "Przy pacjencie z gorączką i spadającym ciśnieniem pojawia się alert; lekarz potwierdza go i od razu zleca antybiotyk.",
   "example_en": "An alert appears for a patient with fever and falling blood pressure; the doctor confirms it and orders antibiotics straight away.",
   "for_you": [
    "ktoś bliski leży na oddziale szpitalnym",
    "wdrażasz alerty kliniczne w szpitalu"
   ],
   "for_you_en": [
    "someone close is on a hospital ward",
    "are rolling out clinical alerts in a hospital"
   ],
   "how": "Model regularnie przelicza ryzyko z parametrów życiowych, wyników i notatek; po przekroczeniu progu alert trafia do personelu, który go ocenia. W wieloośrodkowym badaniu prospektywnym systemu TREWS potwierdzenie alertu w ciągu 3 godzin wiązało się z niższą śmiertelnością pacjentów z sepsą.",
   "how_en": "The model regularly recomputes risk from vital signs, results and notes; above a threshold an alert goes to staff who assess it. In a multi-site prospective study of TREWS, confirming the alert within 3 hours was associated with lower mortality in sepsis patients.",
   "limits": "Badanie TREWS było obserwacyjne i nie dowodzi związku przyczynowego. Niezależna walidacja szeroko wdrożonego modelu sepsy wykazała słabą dyskryminację i kalibrację oraz duże obciążenie alertami; tego wyniku nie wolno jednak przenosić na wszystkie systemy. Definicje sepsy i praktyka różnią się między szpitalami.",
   "limits_en": "The TREWS study was observational and does not establish causation. An independent validation of a widely deployed sepsis model found poor discrimination and calibration plus a high alert burden, but that result should not be generalised to every system. Sepsis definitions and practice vary across hospitals.",
   "terms": [
    {
     "gloss": "Zagrażająca życiu reakcja organizmu na zakażenie, uszkadzająca narządy.",
     "term": "sepsa"
    },
    {
     "gloss": "Poziom ryzyka, powyżej którego system wysyła ostrzeżenie.",
     "term": "próg alertu"
    },
    {
     "gloss": "Sprawdzanie modelu na nowych pacjentach podczas zwykłej pracy szpitala.",
     "term": "walidacja prospektywna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A life-threatening response to infection that damages organs.",
     "term": "sepsis"
    },
    {
     "gloss": "The risk level above which the system sends a warning.",
     "term": "alert threshold"
    },
    {
     "gloss": "Testing a model on new patients during normal hospital work.",
     "term": "prospective validation"
    }
   ],
   "prereq": [
    "calibration",
    "driftdetection"
   ],
   "keywords": [
    "TREWS",
    "sepsis prediction",
    "Epic Sepsis Model",
    "NEWS2",
    "qSOFA",
    "SOFA score",
    "alert fatigue"
   ],
   "source_ids": [
    "trews-2022",
    "epic-sepsis-external-validation-2021"
   ],
   "url": "https://aiatlasgraph.com/t/earlywarning",
   "markdown_url": "https://aiatlasgraph.com/t/earlywarning.md",
   "updated": "2026-10-30"
  },
  "earningscalls": {
   "id": "earningscalls",
   "parent_id": "finnlp",
   "label": "Analiza telekonferencji wynikowych (tekst i głos)",
   "canonical_name": "Earnings call analysis from text and voice",
   "aliases": [
    "earnings call analysis",
    "earnings conference calls",
    "multimodal financial risk prediction",
    "vocal cues",
    "analiza konferencji wynikowych"
   ],
   "description": "Multimodalne modele łączące transkrypcję i cechy głosu z konferencji wynikowych do przewidywania zmienności i ryzyka spółki.",
   "description_en": "Multimodal models combining transcripts and vocal features from earnings calls to predict company volatility and risk.",
   "plain": "Analiza tego, co i jak mówią prezesi podczas rozmów z inwestorami po ogłoszeniu wyników spółki.",
   "plain_en": "Analysing what executives say, and how they say it, on investor calls after a company reports results.",
   "solves": "Po ogłoszeniu wyników inwestorzy mają godziny nagrań do przesłuchania, a ważne sygnały giną między wyuczonymi formułkami zarządu.",
   "solves_en": "After results, investors face hours of recordings, and key signals get lost among management's rehearsed phrases.",
   "does": "Łączy słowa z cechami głosu — m.in. wysokością tonu i natężeniem — aby oszacować krótkoterminową zmienność po konferencji wynikowej.",
   "does_en": "Combines words with vocal features such as pitch and intensity to estimate short-horizon volatility after an earnings call.",
   "example": "Prezes omawia sprzedaż podczas konferencji wynikowej; system łączy transkrypcję z cechami jego głosu w prognozie krótkoterminowej zmienności kursu.",
   "example_en": "An executive discusses sales on an earnings call; the system combines the transcript with vocal features in a short-horizon share-volatility forecast.",
   "for_you": [
    "śledzisz spółki, w które inwestujesz",
    "budujesz modele łączące tekst i dźwięk"
   ],
   "for_you_en": [
    "follow companies you invest in",
    "build models combining text and audio"
   ],
   "how": "Transkrypcję dopasowuje się czasowo do nagrania, z tekstu wyciąga się osadzenia zdań, a z dźwięku cechy akustyczne, np. wysokość i zmienność tonu oraz natężenie. Sieci sekwencyjne łączą obie modalności i przewidują zmienność kursu w kolejnych dniach; połączenie tekstu i głosu dawało mniejszy błąd niż każda modalność osobno, zwłaszcza w krótkim horyzoncie.",
   "how_en": "The transcript is time-aligned to the audio; sentence embeddings come from text and acoustic features such as pitch level, pitch variation and intensity from audio. Sequence networks fuse both and predict share-price volatility over the following days; combining text and voice gave lower error than either alone, especially over short horizons.",
   "limits": "Dopasowanie tekstu do nagrania często zawodzi, co zmniejsza użyteczne dane. Przewaga nad prostą historią zmienności maleje w dłuższym horyzoncie. Cechy głosu zależą od mówcy i języka, a ich interpretacja jako „niepewności” jest spekulatywna.",
   "limits_en": "Text-to-audio alignment often fails, shrinking usable data. The edge over plain past volatility fades at longer horizons. Vocal features depend on speaker and language, and reading them as 'uncertainty' is speculative.",
   "terms": [
    {
     "gloss": "Jak silnie waha się cena akcji w danym okresie.",
     "term": "zmienność"
    },
    {
     "gloss": "Właściwości głosu: wysokość, tempo, głośność.",
     "term": "cechy prozodyczne"
    },
    {
     "gloss": "Łączenie informacji z kilku rodzajów danych w jednym modelu.",
     "term": "fuzja multimodalna"
    }
   ],
   "terms_en": [
    {
     "gloss": "How strongly a share price swings over a period.",
     "term": "volatility"
    },
    {
     "gloss": "Voice properties: pitch, pace, loudness.",
     "term": "prosodic features"
    },
    {
     "gloss": "Combining information from several data types in one model.",
     "term": "multimodal fusion"
    }
   ],
   "prereq": [
    "textclassification",
    "asr"
   ],
   "keywords": [
    "earnings call transcripts",
    "volatility prediction",
    "vocal cues",
    "multimodal fusion",
    "BiLSTM",
    "Praat acoustic features",
    "MAEC dataset",
    "management tone"
   ],
   "source_ids": [
    "qin-yang-earnings-calls-acl2019"
   ],
   "url": "https://aiatlasgraph.com/t/earningscalls",
   "markdown_url": "https://aiatlasgraph.com/t/earningscalls.md",
   "updated": "2026-10-30"
  },
  "earthsystems": {
   "id": "earthsystems",
   "parent_id": "aiscience",
   "label": "Pogoda i klimat",
   "canonical_name": "Weather and climate modelling",
   "aliases": [
    "ML weather prediction",
    "AI weather forecasting",
    "machine learning weather prediction",
    "prognoza pogody AI",
    "climate AI"
   ],
   "description": "Uczenie maszynowe w naukach o Ziemi: globalne prognozy średnioterminowe, prognozy zespołowe, prognozy krótkoterminowe i emulacja modeli klimatu.",
   "description_en": "Machine learning in the Earth sciences: global medium-range forecasts, ensemble forecasts, nowcasting and climate-model emulation.",
   "plain": "Modele uczone na dziesięcioleciach zapisów atmosfery, które prognozują pogodę szybciej niż klasyczne symulacje.",
   "plain_en": "Models trained on decades of atmospheric records that forecast the weather faster than classical simulations.",
   "solves": "Tradycyjna prognoza wymaga godzin pracy superkomputera, więc trudno często ją odświeżać i liczyć wiele wariantów.",
   "solves_en": "A traditional forecast takes hours on a supercomputer, so it is hard to refresh often or run many variants.",
   "does": "Zamiast liczyć fizykę od zera, model patrzy na obecny stan atmosfery i z doświadczenia przewiduje jej stan za kilka godzin, krok po kroku.",
   "does_en": "Instead of computing physics from scratch, the model looks at the current atmosphere and, from experience, predicts its state hours ahead, step by step.",
   "example": "Służby kryzysowe dostają wcześniej ostrzeżenie o trasie huraganu, a operator farm wiatrowych planuje produkcję prądu na kolejne dni.",
   "example_en": "Emergency services get earlier warning of a hurricane's path, and a wind-farm operator plans power output for the coming days.",
   "for_you": [
    "planujesz pracę zależną od pogody",
    "pracujesz w energetyce, rolnictwie lub zarządzaniu kryzysowym"
   ],
   "for_you_en": [
    "plan work that depends on the weather",
    "work in energy, farming or emergency management"
   ],
   "how": "Modele uczą się na reanalizie (np. ERA5) przewidywać stan atmosfery za 6–12 godzin i są uruchamiane autoregresyjnie, by sięgnąć 10–15 dni. GraphCast używa GNN na wielorozdzielczej siatce globu, inne modele transformerów; modele dyfuzyjne (GenCast) generują zespoły prognoz z niepewnością.",
   "how_en": "Models learn from reanalysis (e.g. ERA5) to predict the atmosphere 6–12 hours ahead and are run autoregressively to reach 10–15 days. GraphCast uses a GNN on a multi-resolution global mesh, others use transformers; diffusion models (GenCast) generate forecast ensembles with uncertainty.",
   "limits": "Nadal zależą od klasycznej asymilacji danych, która daje stan początkowy. Modele deterministyczne rozmywają szczegóły w dłuższym horyzoncie, a zdarzenia rzadsze niż w danych i zmieniający się klimat utrudniają ekstrapolację.",
   "limits_en": "They still rely on classical data assimilation for the initial state. Deterministic models blur detail at longer lead times, and events rarer than in the data, plus a changing climate, make extrapolation hard.",
   "terms": [
    {
     "gloss": "Spójna, wieloletnia rekonstrukcja stanu atmosfery z obserwacji i modelu.",
     "term": "reanaliza"
    },
    {
     "gloss": "Łączenie bieżących pomiarów z modelem, by ustalić stan początkowy prognozy.",
     "term": "asymilacja danych"
    },
    {
     "gloss": "Podawanie własnej prognozy z powrotem do modelu, by sięgnąć dalej w przyszłość.",
     "term": "autoregresyjne rozwijanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A consistent multi-decade reconstruction of the atmosphere from observations and a model.",
     "term": "reanalysis"
    },
    {
     "gloss": "Combining current measurements with a model to set a forecast's starting state.",
     "term": "data assimilation"
    },
    {
     "gloss": "Feeding a model's own forecast back in to reach further ahead.",
     "term": "autoregressive rollout"
    }
   ],
   "prereq": [
    "classicforecasting",
    "diffusion"
   ],
   "keywords": [
    "GraphCast",
    "GenCast",
    "Pangu-Weather",
    "FourCastNet",
    "Aurora",
    "AIFS",
    "ERA5",
    "WeatherBench 2",
    "nowcasting"
   ],
   "source_ids": [
    "graphcast-2022",
    "gencast-2023"
   ],
   "url": "https://aiatlasgraph.com/t/earthsystems",
   "markdown_url": "https://aiatlasgraph.com/t/earthsystems.md",
   "updated": "2026-10-30"
  },
  "ebm": {
   "id": "ebm",
   "parent_id": "generative",
   "label": "Modele oparte na energii",
   "canonical_name": "Energy-based models (EBM)",
   "aliases": [
    "EBM",
    "energy-based models",
    "modele energetyczne",
    "Boltzmann machines",
    "contrastive divergence",
    "Langevin dynamics"
   ],
   "description": "Modele definiujące nieznormalizowaną gęstość przez funkcję energii; trenowane MCMC, dopasowaniem score lub estymacją kontrastu z szumem.",
   "description_en": "Models defining an unnormalised density through an energy function, trained via MCMC maximum likelihood, score matching or noise-contrastive estimation.",
   "plain": "Model, który nie tworzy danych wprost, tylko ocenia każdy przykład liczbą: im niższa „energia”, tym przykład bardziej pasuje do świata.",
   "plain_en": "A model that does not create data directly but scores each example: the lower its ‘energy’, the better it fits the world.",
   "solves": "Modele, które muszą podać dokładne prawdopodobieństwo, są bardzo ograniczone w budowie, więc trudno w nich uchwycić złożone zależności.",
   "solves_en": "Models that must output exact probabilities are tightly constrained in design, so complex dependencies are hard to capture.",
   "does": "Jak mapa terenu: prawdziwe przykłady leżą w dolinach, a nowe próbki powstają przez staczanie się z losowego miejsca w dół.",
   "does_en": "Like a landscape map: real examples sit in valleys, and new samples are made by rolling downhill from a random spot.",
   "example": "System sprawdza, czy podana odpowiedź pasuje do pytania, i wybiera tę z najlepszą oceną spośród wielu kandydatów.",
   "example_en": "A system checks whether a given answer fits a question and picks the best-scoring one among many candidates.",
   "for_you": [
    "chcesz zrozumieć wspólny język wielu metod generatywnych",
    "łączysz ocenianie i generowanie w jednym modelu"
   ],
   "for_you_en": [
    "want to understand a shared language of many generative methods",
    "combine scoring and generating in one model"
   ],
   "how": "Sieć przypisuje każdemu przykładowi energię, a gęstość jest proporcjonalna do exp(−energia) z nieznaną stałą normalizującą. Trening obniża energię danych i podnosi energię próbek z modelu (np. dynamiką Langevina), albo omija stałą: dopasowanie score uczy gradientu log-gęstości, co jest bezpośrednim przodkiem modeli dyfuzyjnych.",
   "how_en": "A network assigns each example an energy, with density proportional to exp(−energy) up to an unknown normalising constant. Training lowers data energy and raises the energy of model samples (e.g. via Langevin dynamics), or sidesteps the constant: score matching learns the log-density gradient, a direct ancestor of diffusion models.",
   "limits": "Maksymalizacja wiarygodności zwykle wymaga przybliżenia gradientu próbkami MCMC, co jest kosztowne i może źle mieszać między trybami. Nieznana stała normalizująca utrudnia bezpośrednie obliczanie gęstości; inne cele, takie jak score matching i estymacja kontrastu z szumem, obchodzą ten problem na różne sposoby.",
   "limits_en": "Maximum-likelihood training usually approximates its gradient with MCMC samples, which is costly and may mix poorly across modes. The unknown normalising constant blocks direct density computation; alternatives such as score matching and noise-contrastive estimation sidestep it in different ways.",
   "terms": [
    {
     "gloss": "Liczba przypisana przykładowi; niska oznacza przykład typowy dla danych.",
     "term": "funkcja energii"
    },
    {
     "gloss": "Próbkowanie przez kroki w dół energii z dodatkiem losowego szumu.",
     "term": "dynamika Langevina"
    },
    {
     "gloss": "Uczenie kierunku wzrostu prawdopodobieństwa zamiast samego prawdopodobieństwa.",
     "term": "dopasowanie score"
    }
   ],
   "terms_en": [
    {
     "gloss": "A score for an example; low means typical of the data.",
     "term": "energy function"
    },
    {
     "gloss": "Sampling by stepping down the energy with added random noise.",
     "term": "Langevin dynamics"
    },
    {
     "gloss": "Learning the direction of increasing probability rather than probability itself.",
     "term": "score matching"
    }
   ],
   "prereq": [
    "approxinference"
   ],
   "keywords": [
    "contrastive divergence",
    "Langevin dynamics",
    "score matching",
    "noise-contrastive estimation",
    "restricted Boltzmann machine",
    "MCMC"
   ],
   "source_ids": [
    "song-kingma-ebm-2021"
   ],
   "url": "https://aiatlasgraph.com/t/ebm",
   "markdown_url": "https://aiatlasgraph.com/t/ebm.md",
   "updated": "2026-10-30"
  },
  "ecgai": {
   "id": "ecgai",
   "parent_id": "biosignals",
   "label": "Analiza zapisu EKG przez sieci neuronowe",
   "canonical_name": "Deep learning for ECG analysis",
   "aliases": [
    "AI-ECG",
    "ECG classification",
    "arrhythmia detection",
    "wykrywanie arytmii"
   ],
   "description": "Głębokie sieci do klasyfikacji zapisów EKG, przede wszystkim rytmów i arytmii; inne zastosowania wymagają odrębnej walidacji.",
   "description_en": "Deep networks for classifying ECG recordings, especially rhythms and arrhythmias; other uses require separate validation.",
   "plain": "Sieć neuronowa czyta zapis elektrycznej pracy serca i rozpoznaje rodzaje rytmu oraz niektóre nieprawidłowości.",
   "plain_en": "A neural network reads the heart's electrical recording and recognises rhythm types and some abnormalities.",
   "solves": "Zapis z wielodniowego monitorowania obejmuje setki tysięcy uderzeń serca, a ręczne przejrzenie każdej minuty przerasta kardiologa.",
   "solves_en": "A multi-day heart recording covers hundreds of thousands of beats, and checking every minute by hand is beyond a cardiologist.",
   "does": "Jak korektor, który przegląda całą książkę i zaznacza tylko strony z błędami: model wskazuje odcinki z nieprawidłowym rytmem.",
   "does_en": "Like a proofreader who scans a whole book and flags only pages with mistakes: the model points to stretches with an abnormal rhythm.",
   "example": "Przychodnia daje pacjentowi plaster do noszenia przez tydzień, a raport z zaznaczonymi epizodami nieregularnego rytmu trafia do kardiologa w dniu zwrotu.",
   "example_en": "A clinic gives a patient a patch to wear for a week, and a report marking bouts of irregular rhythm reaches the cardiologist on the day it is returned.",
   "for_you": [
    "masz badanie serca z wielodniowym zapisem",
    "chcesz zrozumieć, jak zegarek wykrywa nieregularny rytm"
   ],
   "for_you_en": [
    "are having a multi-day heart recording",
    "want to understand how a watch spots an irregular rhythm"
   ],
   "how": "Surowy sygnał trafia do głębokiej jednowymiarowej sieci konwolucyjnej, która zwraca klasę rytmu dla kolejnych odcinków. Praca z 2017 r. trenowała taki model na dużym zbiorze zapisów z jednoodprowadzeniowego monitora i porównała go z kardiologami na zbiorze opisanym przez komisję ekspertów.",
   "how_en": "The raw signal goes into a deep one-dimensional convolutional network that returns a rhythm class for successive segments. A 2017 study trained such a model on a large set of single-lead monitor recordings and compared it with cardiologists on a committee-annotated test set.",
   "limits": "Zbiory z jednego producenta i jednego ośrodka słabo się przenoszą. Porównania z lekarzami na wybranych zbiorach testowych nie mówią nic o wpływie na leczenie. Modele mogą korzystać z cech niewidocznych dla człowieka, co utrudnia weryfikację.",
   "limits_en": "Datasets from one manufacturer and one centre transfer poorly. Comparisons with doctors on selected test sets say nothing about effects on care. Models may use features invisible to humans, which makes them hard to verify.",
   "terms": [
    {
     "gloss": "Jeden kanał zapisu EKG z określonej pary elektrod.",
     "term": "odprowadzenie"
    },
    {
     "gloss": "Nieprawidłowy rytm lub tempo pracy serca.",
     "term": "arytmia"
    },
    {
     "gloss": "Częsta arytmia zwiększająca ryzyko udaru.",
     "term": "migotanie przedsionków"
    }
   ],
   "terms_en": [
    {
     "gloss": "One ECG channel from a given pair of electrodes.",
     "term": "lead"
    },
    {
     "gloss": "An abnormal heart rhythm or rate.",
     "term": "arrhythmia"
    },
    {
     "gloss": "A common arrhythmia that raises stroke risk.",
     "term": "atrial fibrillation"
    }
   ],
   "prereq": [
    "cnnarchs",
    "classmetrics"
   ],
   "keywords": [
    "arrhythmia detection",
    "atrial fibrillation",
    "12-lead ECG",
    "PTB-XL",
    "PhysioNet Challenge",
    "1D ResNet",
    "single-lead ECG",
    "AI-ECG"
   ],
   "source_ids": [
    "ecg-cardiologist-2017"
   ],
   "url": "https://aiatlasgraph.com/t/ecgai",
   "markdown_url": "https://aiatlasgraph.com/t/ecgai.md",
   "updated": "2026-10-30"
  },
  "economics": {
   "id": "economics",
   "parent_id": "product",
   "label": "Koszt, jakość i opóźnienie",
   "canonical_name": "Cost, quality and latency trade-offs",
   "description": "Dobór kompromisu odpowiedniego dla zastosowania.",
   "description_en": "Picking the trade-off that fits the use case.",
   "examples": "Koszt zadania · latency · jakość",
   "examples_en": "Cost per task · latency · quality",
   "plain": "To dobieranie równowagi między jakością odpowiedzi, kosztem i czasem czekania.",
   "plain_en": "This balances answer quality, cost and waiting time.",
   "solves": "Najdokładniejsza odpowiedź może być zbyt droga albo zbyt wolna dla zadania, które użytkownik chce wykonać.",
   "solves_en": "The most accurate answer may be too expensive or too slow for the task a user wants to complete.",
   "does": "Mierzy koszt całego zadania i porównuje sposoby obsługi zapytań, ponownego użycia obliczeń oraz dobierania modelu do trudności.",
   "does_en": "It measures the cost of a complete task and compares request handling, computation reuse and model choice for different difficulties.",
   "example": "Zespół porównuje szybkie szkice odpowiedzi i dokładniejsze wersje, sprawdzając, które zadania uzasadniają dłuższe czekanie oraz większy koszt.",
   "example_en": "A team compares quick reply drafts with more accurate versions, checking which tasks justify longer waits and higher costs.",
   "for_you": [
    "płacisz za działanie modelu lub utrzymanie serwerów",
    "musisz dopasować szybkość i jakość do zadania"
   ],
   "for_you_en": [
    "pay for model use or server operation",
    "need speed and quality suited to the task"
   ],
   "how": "Konfiguracje modelu i procesu porównuje się na jakości zadania, opóźnieniach oraz koszcie całego wykonania. Profil obciążenia i wymagania użytkowe wyznaczają wybór modelu, cache, przetwarzania wsadowego lub kaskady.",
   "how_en": "Model and workflow configurations are compared on task quality, latency and whole-execution cost. Workload profiles and user requirements guide model, cache, batch-processing or cascade choices.",
   "limits": "Średnia cena zapytania ukrywa długie przypadki, powtórki i koszt kontroli. Optymalizacja jednego parametru może pogorszyć inne; wynik zależy od rzeczywistego ruchu i aktualnych warunków infrastruktury.",
   "limits_en": "Average request prices hide long cases, retries and review costs. Optimising one dimension can worsen others; results depend on actual traffic and infrastructure conditions.",
   "terms": [
    {
     "gloss": "Pełny koszt jednego poprawnie wykonanego zadania.",
     "term": "koszt jednostkowy"
    },
    {
     "gloss": "Konfiguracje, których nie da się poprawić bez pogorszenia innego kryterium.",
     "term": "front Pareto"
    }
   ],
   "terms_en": [
    {
     "gloss": "The full cost of one successfully completed task.",
     "term": "unit cost"
    },
    {
     "gloss": "Configurations that cannot improve one criterion without worsening another.",
     "term": "Pareto frontier"
    }
   ],
   "prereq": [
    "evalstats",
    "profiling"
   ],
   "keywords": [
    "Pareto frontier",
    "unit economics",
    "cost per successful task",
    "time to first token",
    "prompt caching",
    "semantic caching",
    "model routing",
    "batch inference"
   ],
   "source_ids": [
    "fsdl",
    "bootcamp",
    "machina-x-agents",
    "applied-llms-2024"
   ],
   "url": "https://aiatlasgraph.com/t/economics",
   "markdown_url": "https://aiatlasgraph.com/t/economics.md",
   "updated": "2026-10-30"
  },
  "eda": {
   "id": "eda",
   "parent_id": "evoclassic",
   "label": "Algorytmy estymacji rozkładu (EDA)",
   "canonical_name": "Estimation of distribution algorithms (EDA)",
   "aliases": [
    "EDA",
    "estimation of distribution algorithms",
    "probabilistic model-building genetic algorithms",
    "PMBGA",
    "algorytmy estymacji rozkładu"
   ],
   "description": "Metaheurystyki budowania modelu probabilistycznego: dopasowują rozkład do wybranych dobrych rozwiązań i próbkują z niego kolejną populację.",
   "description_en": "Probabilistic model-building metaheuristics: they fit a distribution to selected good solutions and sample the next population from it.",
   "plain": "Algorytmy ewolucyjne, które zamiast krzyżować rozwiązania, uczą się statystycznego opisu dobrych rozwiązań i losują z niego nowe.",
   "plain_en": "Evolutionary algorithms that, instead of crossing solutions, learn a statistical description of good ones and draw new ones from it.",
   "solves": "Zwykłe krzyżowanie rozrywa cechy, które muszą występować razem, i psuje dobre kombinacje.",
   "solves_en": "Ordinary crossover tears apart features that must go together and ruins good combinations.",
   "does": "Jak przepis spisany z obserwacji najlepszych kucharzy: notujesz, które składniki zwykle idą w parze, i gotujesz nowe dania według tych proporcji.",
   "does_en": "Like a recipe written from watching the best cooks: you note which ingredients usually go together and cook new dishes by those proportions.",
   "example": "Planowanie rozmieszczenia czujników w budynku: algorytm zauważa, że dobre układy mają czujniki przy drzwiach i oknach naraz, i proponuje takie zestawy.",
   "example_en": "Planning sensor placement in a building: the algorithm notices good layouts have sensors at doors and windows together and proposes such sets.",
   "for_you": [
    "zmienne twojego problemu silnie od siebie zależą",
    "chcesz zobaczyć, jakie cechy mają dobre rozwiązania",
    "algorytm genetyczny nie radzi sobie z twoim zadaniem"
   ],
   "for_you_en": [
    "your problem's variables depend strongly on each other",
    "want to see what traits good solutions share",
    "a genetic algorithm struggles with your task"
   ],
   "how": "W każdym pokoleniu wybiera się obiecujące rozwiązania, estymuje na nich jawny model probabilistyczny, a następnie próbkuje z niego nową populację. Prostsze warianty modelują zmienne niezależnie, a bogatsze także zależności między nimi; dobór modelu zależy od typu zmiennych i dostępnej liczby próbek.",
   "how_en": "Each generation selects promising solutions, estimates an explicit probabilistic model from them, then samples a new population from that model. Simpler variants model variables independently, while richer variants also capture dependencies; the model choice depends on variable type and the available sample size.",
   "limits": "Bogatsze modele kosztują dużo obliczeń i wymagają dużych populacji do wiarygodnej estymacji. Proste modele niezależne nie widzą interakcji, a model może zbyt szybko zapaść się do jednego rozwiązania.",
   "limits_en": "Richer models are computationally costly and need large populations for reliable estimation. Simple independent models miss interactions, and the model may collapse onto one solution too early.",
   "terms": [
    {
     "gloss": "Opis, jak często i razem z czym występują cechy dobrych rozwiązań.",
     "term": "model probabilistyczny"
    },
    {
     "gloss": "Najprostszy EDA: każda zmienna ma osobny, niezależny rozkład.",
     "term": "UMDA"
    },
    {
     "gloss": "EDA modelujący zależności między zmiennymi siecią bayesowską.",
     "term": "BOA"
    }
   ],
   "terms_en": [
    {
     "gloss": "A description of how often, and with what, good solutions' traits appear.",
     "term": "probabilistic model"
    },
    {
     "gloss": "The simplest EDA: each variable has its own independent distribution.",
     "term": "UMDA"
    },
    {
     "gloss": "An EDA modelling variable dependencies with a Bayesian network.",
     "term": "BOA"
    }
   ],
   "prereq": [
    "distributions",
    "geneticalgorithms"
   ],
   "keywords": [
    "estimation of distribution algorithms",
    "probabilistic model building",
    "explicit probabilistic model",
    "sampling promising solutions",
    "linkage learning",
    "discrete EDA",
    "continuous EDA"
   ],
   "source_ids": [
    "hauschild-pelikan-eda-2011"
   ],
   "url": "https://aiatlasgraph.com/t/eda",
   "markdown_url": "https://aiatlasgraph.com/t/eda.md",
   "updated": "2026-10-30"
  },
  "edge": {
   "id": "edge",
   "parent_id": "systems",
   "label": "AI lokalnie i na urządzeniach",
   "canonical_name": "Edge and on-device AI",
   "description": "Uruchamianie przy ograniczonym sprzęcie i bez stałej chmury.",
   "description_en": "Running on limited hardware and without a permanent cloud.",
   "examples": "Telefon · laptop · edge",
   "examples_en": "Phone · laptop · edge",
   "plain": "To uruchamianie modeli blisko użytkownika lub czujnika, na urządzeniach z ograniczonymi zasobami.",
   "plain_en": "This runs models close to users or sensors on devices with limited resources.",
   "solves": "Połączenie z serwerem bywa niedostępne, powolne lub niepożądane przy przetwarzaniu lokalnych danych.",
   "solves_en": "A server connection can be unavailable, slow or undesirable for processing local data.",
   "does": "Mały model, oszczędny zapis i odpowiednie środowisko pozwalają wykonywać zadania na miejscu, z uwzględnieniem pamięci, energii i szybkości.",
   "does_en": "Small models, compact representations and suitable runtimes perform tasks locally while accounting for memory, energy and speed.",
   "example": "Czujnik rozpoznaje nietypowy dźwięk maszyny na miejscu i wysyła tylko informację o wykrytym zdarzeniu.",
   "example_en": "A sensor recognises an unusual machine sound locally and sends only a detected-event notification.",
   "for_you": [
    "urządzenie nie ma stałego połączenia z serwerem",
    "potrzebujesz przetwarzania przy źródle danych"
   ],
   "for_you_en": [
    "use devices without a constant server connection",
    "need processing near the data source"
   ],
   "how": "Model przygotowuje się do lokalnego wykonania przez eksport, kompresję i dobór operatorów do sprzętu. Harmonogram, buforowanie i ograniczenie pamięci dostosowują inferencję do energii, połączenia oraz wymaganej reakcji urządzenia.",
   "how_en": "Models are prepared for local execution through export, compression and hardware-matched operators. Scheduling, buffering and memory limits adapt inference to device energy, connectivity and response requirements.",
   "limits": "Energia, temperatura i pamięć ograniczają długie lub intensywne zadania. Eksport może zmieniać wynik numeryczny; lokalny model nie eliminuje transmisji danych przez pozostałe komponenty aplikacji.",
   "limits_en": "Energy, temperature and memory constrain long or intensive tasks. Export can change numerical outputs; local models cannot eliminate data transmission by other application components.",
   "terms": [
    {
     "gloss": "Wykonanie modelu na urządzeniu obsługującym dane zadanie.",
     "term": "inferencja lokalna"
    },
    {
     "gloss": "Dopuszczalne zużycie energii dla obliczeń i transferów urządzenia.",
     "term": "budżet energetyczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Running a model on the device handling the task.",
     "term": "local inference"
    },
    {
     "gloss": "Permitted energy use for device computation and transfers.",
     "term": "energy budget"
    }
   ],
   "prereq": [
    "weightquant",
    "profiling"
   ],
   "keywords": [
    "LiteRT",
    "ExecuTorch",
    "Core ML",
    "INT8 inference",
    "energy budgets",
    "hardware delegates",
    "local-cloud partitioning",
    "MCUNet",
    "quantization-aware training",
    "offline inference"
   ],
   "source_ids": [
    "cs336",
    "fsdl",
    "bootcamp",
    "dlai",
    "mit-65940-efficientml"
   ],
   "url": "https://aiatlasgraph.com/t/edge",
   "markdown_url": "https://aiatlasgraph.com/t/edge.md",
   "updated": "2026-10-30"
  },
  "ediscovery": {
   "id": "ediscovery",
   "parent_id": "legalai",
   "label": "E-discovery i przegląd dokumentów",
   "canonical_name": "E-discovery and technology-assisted review",
   "aliases": [
    "e-discovery",
    "eDiscovery",
    "electronic discovery",
    "technology-assisted review",
    "TAR",
    "predictive coding",
    "document review",
    "przegląd dokumentów w sporze"
   ],
   "description": "Identyfikacja, przegląd i przekazanie elektronicznych dowodów w postępowaniach; technology-assisted review to klasyfikacja istotności uczona na ocenach recenzentów.",
   "description_en": "Identifying, reviewing and producing electronic evidence in proceedings; technology-assisted review is relevance classification trained on reviewers' judgements.",
   "plain": "Przeglądanie milionów maili i plików w sporze sądowym, w którym komputer uczy się od prawników, które dokumenty mają znaczenie dla sprawy.",
   "plain_en": "Reviewing millions of emails and files in a lawsuit, where a computer learns from lawyers which documents matter to the case.",
   "solves": "W dużym sporze strony muszą przekazać istotne dokumenty, a ręczne przeczytanie milionów maili trwa miesiącami i kosztuje majątek.",
   "solves_en": "In a big lawsuit parties must hand over relevant documents, and reading millions of emails by hand takes months and costs a fortune.",
   "does": "Jak pies tropiący, któremu pokazuje się kilka śladów: po każdej ocenie prawnika coraz lepiej wie, czego szukać, i przynosi najpierw najbardziej obiecujące pliki.",
   "does_en": "Like a tracking dog given a few scents: after each lawyer's judgement it learns what to look for and brings the most promising files first.",
   "example": "Firma pozwana w sprawie o zmowę cenową musi przejrzeć skrzynki pięćdziesięciu pracowników; system podsuwa recenzentom najpierw maile, które najpewniej dotyczą sprawy.",
   "example_en": "A company sued over price-fixing must review fifty employees' mailboxes; the system shows reviewers the emails most likely to be relevant first.",
   "for_you": [
    "uczestniczysz w sporze z dużą ilością dokumentów",
    "prowadzisz audyt lub dochodzenie wewnętrzne"
   ],
   "for_you_en": [
    "are in a dispute involving many documents",
    "run an audit or internal investigation"
   ],
   "how": "Dokumenty deduplikuje się i indeksuje, potem klasyfikator istotności uczy się na ocenach prawników. W protokołach pasywnych uczy się na losowej próbce, w aktywnych sam wybiera kolejne dokumenty do oceny. Skuteczność mierzy się kompletnością (recall) potwierdzoną próbkowaniem statystycznym.",
   "how_en": "Documents are deduplicated and indexed, then a relevance classifier learns from lawyers' judgements. Passive protocols train on a random sample, active ones choose the next documents to judge. Effectiveness is measured by recall confirmed with statistical sampling.",
   "limits": "Trzeba udowodnić drugiej stronie i sądowi, że przegląd był wystarczająco kompletny, co wymaga próbkowania i dokumentacji procesu. Decyzja, kiedy przerwać przegląd, jest trudna. Dokumenty uprzywilejowane nadal wymagają ręcznej kontroli.",
   "limits_en": "One must prove to the other side and the court that the review was complete enough, which requires sampling and process documentation. Deciding when to stop reviewing is hard. Privileged documents still need manual checks.",
   "terms": [
    {
     "gloss": "Odsetek wszystkich istotnych dokumentów, które udało się znaleźć.",
     "term": "recall"
    },
    {
     "gloss": "Starsza nazwa przeglądu wspomaganego uczeniem maszynowym.",
     "term": "predictive coding"
    },
    {
     "gloss": "Ochrona komunikacji z prawnikiem; takich dokumentów nie przekazuje się drugiej stronie.",
     "term": "tajemnica zawodowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "The share of all relevant documents that were found.",
     "term": "recall"
    },
    {
     "gloss": "An older name for machine-learning-assisted review.",
     "term": "predictive coding"
    },
    {
     "gloss": "Protection of lawyer–client communication; such documents are withheld from the other side.",
     "term": "privilege"
    }
   ],
   "prereq": [
    "textclassification",
    "classmetrics"
   ],
   "keywords": [
    "technology-assisted review",
    "TAR 2.0",
    "continuous active learning",
    "predictive coding",
    "TREC Legal Track",
    "EDRM",
    "recall estimation",
    "stopping rules",
    "privilege review"
   ],
   "source_ids": [
    "cormack-grossman-cal-sigir-2014"
   ],
   "url": "https://aiatlasgraph.com/t/ediscovery",
   "markdown_url": "https://aiatlasgraph.com/t/ediscovery.md",
   "updated": "2026-10-30"
  },
  "eegai": {
   "id": "eegai",
   "parent_id": "biosignals",
   "label": "Analiza EEG i wykrywanie napadów padaczkowych",
   "canonical_name": "Deep learning for EEG and seizure detection",
   "aliases": [
    "EEG seizure detection",
    "epileptic seizure detection AI",
    "wykrywanie napadów padaczki",
    "automatyczne wykrywanie wyładowań padaczkowych"
   ],
   "description": "Wykrywanie napadów w EEG śródczaszkowym oraz wyładowań padaczkowych w EEG skalpowym z użyciem sieci konwolucyjnych, rekurencyjnych i transformerów.",
   "description_en": "Detecting seizures in intracranial EEG and epileptiform discharges in scalp EEG with convolutional, recurrent and transformer networks.",
   "plain": "Program czyta zapis fal mózgowych i wyłapuje fragmenty, w których zaczyna się napad padaczkowy.",
   "plain_en": "Software reads a recording of brain waves and picks out the moments when an epileptic seizure begins.",
   "solves": "Zapis pracy mózgu z kilku dni trzeba przejrzeć godzina po godzinie, a specjalistów, którzy to potrafią, jest bardzo mało.",
   "solves_en": "Days of brain-wave recordings must be reviewed hour by hour, and very few specialists can do it.",
   "does": "Jak zakreślacz w długiej książce: zaznacza podejrzane minuty, a lekarz sprawdza tylko je zamiast całości.",
   "does_en": "Like a highlighter in a long book: it marks suspicious minutes, so the doctor checks only those instead of everything.",
   "example": "Dziecko leży kilka dni na oddziale z czepkiem elektrod; rano neurolog dostaje listę nocnych epizodów do obejrzenia.",
   "example_en": "A child spends several days on the ward wearing an electrode cap; each morning the neurologist gets a list of night-time episodes to review.",
   "for_you": [
    "ty lub bliski macie padaczkę",
    "analizujesz długie zapisy sygnałów z czujników"
   ],
   "for_you_en": [
    "you or someone close has epilepsy",
    "analyse long sensor-signal recordings"
   ],
   "how": "Wielokanałowy sygnał dzieli się na okna i podaje surowo lub jako spektrogram do sieci, która klasyfikuje okno jako napad, stan przednapadowy lub tło. Modele pacjento-specyficzne uczą się na danych jednej osoby, a międzypacjentowe muszą uogólniać na nowych pacjentów; ocenę podaje się jako czułość i fałszywe alarmy na godzinę.",
   "how_en": "The multichannel signal is windowed and fed raw or as a spectrogram to a network that labels each window as seizure, pre-ictal or background. Patient-specific models train on one person, while cross-patient models must generalise to new patients; results are reported as sensitivity and false alarms per hour.",
   "limits": "Napady są rzadkie, więc dane są silnie niezbalansowane, a fałszywe alarmy męczą personel. Artefakty ruchu i mięśni przypominają wyładowania. Modele trenowane na jednym ośrodku lub układzie elektrod słabo przenoszą się na inne, a interpretowalność bywa ograniczona.",
   "limits_en": "Seizures are rare, so data are highly imbalanced and false alarms tire staff. Movement and muscle artefacts mimic discharges. Models trained on one centre or electrode layout transfer poorly, and interpretability is limited.",
   "terms": [
    {
     "gloss": "Zapis elektrycznej aktywności mózgu z elektrod na głowie.",
     "term": "EEG"
    },
    {
     "gloss": "Okres tuż przed napadem, który próbuje się przewidzieć.",
     "term": "stan przednapadowy"
    },
    {
     "gloss": "Ile razy na godzinę system myli się, ogłaszając napad.",
     "term": "fałszywe alarmy na godzinę"
    }
   ],
   "terms_en": [
    {
     "gloss": "Recording of the brain's electrical activity from scalp electrodes.",
     "term": "EEG"
    },
    {
     "gloss": "Period just before a seizure that systems try to predict.",
     "term": "pre-ictal state"
    },
    {
     "gloss": "How often per hour the system wrongly announces a seizure.",
     "term": "false alarms per hour"
    }
   ],
   "prereq": [
    "timeseries",
    "cnn"
   ],
   "keywords": [
    "CHB-MIT",
    "TUH EEG Seizure Corpus",
    "seizure prediction",
    "EEGNet",
    "spectrogram CNN",
    "intracranial EEG",
    "false alarm rate",
    "interictal epileptiform discharges"
   ],
   "source_ids": [
    "ieeg-seizure-review-2025",
    "scalp-eeg-dl-review-2022"
   ],
   "url": "https://aiatlasgraph.com/t/eegai",
   "markdown_url": "https://aiatlasgraph.com/t/eegai.md",
   "updated": "2026-10-30"
  },
  "efficientarch": {
   "id": "efficientarch",
   "parent_id": "neural",
   "label": "Architektury efektywne",
   "canonical_name": "Efficient architectures",
   "description": "Projektowanie modelu pod koszt i skalę.",
   "description_en": "Designing a model around cost and scale.",
   "examples": "Mixture of Experts · sparsity",
   "examples_en": "Mixture of Experts · sparsity",
   "plain": "To projektowanie budowy modelu tak, żeby ograniczyć potrzebne obliczenia, pamięć lub koszt obsługi.",
   "plain_en": "This designs model structures to reduce required computation, memory or serving cost.",
   "solves": "Duży model lub długa rozmowa przekracza pamięć urządzenia albo koszt, na który możesz sobie pozwolić.",
   "solves_en": "A large model or long conversation exceeds your device's memory or your available budget.",
   "does": "Układ może wybierać tylko część sieci, zawężać uwagę albo przechowywać zwarty stan; każdy wybór wymaga sprawdzenia jakości i kosztów.",
   "does_en": "A design can activate selected components, narrow attention or retain compact state; each choice needs quality and cost checks.",
   "example": "Porównujesz modele o różnych konstrukcjach, mierząc jakość odpowiedzi i pamięć potrzebną na twoje rozmowy.",
   "example_en": "You compare differently structured models, measuring answer quality and the memory needed for your conversations.",
   "for_you": [
    "koszt lub pamięć ogranicza użycie modelu",
    "porównujesz oszczędności wynikające z budowy sieci"
   ],
   "for_you_en": [
    "find cost or memory limits model use",
    "compare savings from different network designs"
   ],
   "how": "Architektura ogranicza aktywne parametry, zakres interakcji lub rozmiar stanu przechowywanego przy generowaniu. Rzadkie eksperckie warstwy, lokalna uwaga i mechanizmy rekurencyjne zmieniają podział kosztu między obliczenia, pamięć oraz komunikację.",
   "how_en": "Architecture limits active parameters, interaction range or state retained during generation. Sparse expert layers, local attention and recurrent mechanisms redistribute costs among computation, memory and communication.",
   "limits": "Mniejsza liczba operacji nie musi oznaczać krótszego czasu na danym sprzęcie. Kompresja stanu i ograniczenie interakcji mogą pogorszyć jakość; oszczędności wymagają zgodnego silnika wykonawczego.",
   "limits_en": "Fewer operations need not mean lower runtime on specific hardware. State compression and restricted interactions can impair quality; savings require a compatible execution engine.",
   "terms": [
    {
     "gloss": "Używanie tylko wybranej części parametrów dla danego wejścia.",
     "term": "rzadka aktywacja"
    },
    {
     "gloss": "Dane pośrednie zachowywane pomiędzy krokami generowania.",
     "term": "stan inferencji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Using only a selected subset of parameters for an input.",
     "term": "sparse activation"
    },
    {
     "gloss": "Intermediate data retained between generation steps.",
     "term": "inference state"
    }
   ],
   "prereq": [
    "selfattention",
    "linearalgebra"
   ],
   "keywords": [
    "sparse activation",
    "expert routing",
    "state-space models",
    "linear attention",
    "sliding-window attention",
    "Mamba",
    "hybrid stacks",
    "KV cache"
   ],
   "source_ids": [
    "cs336",
    "vision",
    "cs229"
   ],
   "url": "https://aiatlasgraph.com/t/efficientarch",
   "markdown_url": "https://aiatlasgraph.com/t/efficientarch.md",
   "updated": "2026-10-30"
  },
  "efficientreasoning": {
   "id": "efficientreasoning",
   "parent_id": "reasoningmodels",
   "label": "Efektywne rozumowanie (przeciw „overthinkingowi”)",
   "canonical_name": "Efficient reasoning",
   "description": "Metody ograniczające koszt i opóźnienie rozumowania: model nie powinien pisać tysięcy tokenów myślenia przy prostym pytaniu.",
   "description_en": "Methods that cut the cost and latency of reasoning: a model should not write thousands of thinking tokens for a simple question.",
   "examples": "overthinking · krótsze ślady · myślenie tylko gdy trzeba",
   "examples_en": "overthinking · shorter traces · thinking only when needed",
   "plain": "To ograniczanie zbędnych kroków i dopasowywanie wysiłku modelu do trudności zadania.",
   "plain_en": "This reduces unnecessary steps and matches a model's effort to the task's difficulty.",
   "solves": "Proste pytanie wywołuje długą, kosztowną odpowiedź, a dodatkowe kroki nie przynoszą potrzebnej poprawy.",
   "solves_en": "A simple question triggers a lengthy, costly response whose extra steps provide no needed improvement.",
   "does": "Instrukcje, trening lub wybór trybu skracają pracę przy łatwych zadaniach, zostawiając większy budżet tam, gdzie pomaga.",
   "does_en": "Instructions, training or mode selection shorten work on easy tasks, reserving larger budgets where they help.",
   "example": "Asystent szybko odpowiada na proste pytanie o godzinę, a dłużej pracuje nad planem kilku dostaw.",
   "example_en": "An assistant quickly answers a simple time question but spends longer planning several deliveries.",
   "for_you": [
    "płacisz za zbyt długie rozumowanie",
    "potrzebujesz szybkich odpowiedzi na proste pytania"
   ],
   "for_you_en": [
    "pay for excessively long reasoning",
    "need prompt answers to simple questions"
   ],
   "how": "Cel treningowy lub sterownik inferencji ogranicza zbędne kroki, dobierając długość śladu i liczbę prób do zadania. Ocena jakości względem kosztu wskazuje, kiedy skrócenie, zatrzymanie albo dodatkowa próba są korzystne.",
   "how_en": "A training objective or inference controller limits unnecessary steps by matching trace length and trial counts to tasks. Quality-versus-cost evaluation indicates when shortening, stopping or another attempt is beneficial.",
   "limits": "Krótki ślad może pomijać potrzebną kontrolę, a długi powtarzać te same błędy. Oszczędność trzeba mierzyć wraz z jakością na różnych trudnościach; liczba tokenów nie opisuje całego kosztu.",
   "limits_en": "Short traces can omit needed checks, while long ones repeat errors. Savings must be measured alongside quality across task difficulties; token counts do not capture total cost.",
   "terms": [
    {
     "gloss": "Zużywanie dodatkowych kroków rozumowania bez proporcjonalnej poprawy wyniku.",
     "term": "overthinking"
    },
    {
     "gloss": "Porównanie poprawności wyników przy różnych budżetach obliczeń.",
     "term": "krzywa jakość–koszt"
    }
   ],
   "terms_en": [
    {
     "gloss": "Spending additional reasoning steps without proportional outcome improvement.",
     "term": "overthinking"
    },
    {
     "gloss": "Comparing outcome correctness across computation budgets.",
     "term": "quality–cost curve"
    }
   ],
   "prereq": [
    "decoding",
    "evalstats"
   ],
   "keywords": [
    "early stopping",
    "adaptive compute",
    "length regularization",
    "token efficiency",
    "quality-cost curves",
    "difficulty-aware budgets"
   ],
   "source_ids": [
    "stop-overthinking-survey-2025",
    "reasoning-on-budget-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/efficientreasoning",
   "markdown_url": "https://aiatlasgraph.com/t/efficientreasoning.md",
   "updated": "2026-10-30"
  },
  "ehrfoundation": {
   "id": "ehrfoundation",
   "parent_id": "clinicalprediction",
   "label": "Modele bazowe na danych z dokumentacji pacjenta",
   "canonical_name": "Foundation models for electronic health records",
   "aliases": [
    "EHR foundation models",
    "FEMR",
    "clinical foundation models",
    "structured EHR pretraining",
    "modele bazowe EHR"
   ],
   "description": "Modele pretrenowane na sekwencjach ustrukturyzowanych zdarzeń z EHR (kody, leki, wyniki badań), zwracające reprezentacje pacjenta do wielu zadań predykcyjnych.",
   "description_en": "Models pretrained on sequences of structured EHR events (codes, medications, lab results) that produce patient representations for many prediction tasks.",
   "plain": "Duże modele, które uczą się na historiach chorób milionów pacjentów i potem pomagają przewidywać wiele różnych zdarzeń.",
   "plain_en": "Large models that learn from the medical histories of millions of patients and then help predict many different events.",
   "solves": "Szpital buduje osobny model dla każdego ryzyka, każdy wymaga własnych danych i pracy, więc większości nigdy nie powstaje.",
   "solves_en": "Hospitals build a separate model for every risk, each needing its own data and work, so most never get built.",
   "does": "Najpierw uczy się typowego przebiegu historii choroby, jak czytelnik tysięcy biografii, a potem szybko uczy się nowych pytań z kilku przykładów.",
   "does_en": "First learns how medical histories usually unfold, like a reader of thousands of biographies, then picks up new questions from few examples.",
   "example": "Szpital chce przewidywać ponowne przyjęcia po operacji i zamiast nowego projektu dostraja istniejący model w kilka dni.",
   "example_en": "A hospital wants to predict readmissions after surgery and, instead of a new project, adapts an existing model in a few days.",
   "for_you": [
    "budujesz modele ryzyka na danych szpitalnych",
    "masz mało oznaczonych przypadków dla nowego pytania"
   ],
   "for_you_en": [
    "build risk models on hospital data",
    "have few labelled cases for a new question"
   ],
   "how": "Historię pacjenta zapisuje się jako ciąg tokenów zdarzeń z czasem, a transformer uczy się przewidywać kolejne zdarzenia lub czas do nich. Uzyskane osadzenia pacjenta zasilają proste klasyfikatory dla konkretnych wyników (np. ponowne przyjęcie, długi pobyt), często z mniejszą liczbą etykiet niż modele od zera.",
   "how_en": "A patient history is written as a sequence of timed event tokens, and a transformer learns to predict next events or time to them. The resulting patient embeddings feed simple classifiers for specific outcomes (e.g. readmission, long stay), often needing fewer labels than models trained from scratch.",
   "limits": "Przegląd kilkudziesięciu modeli wykazał, że ocenia się je głównie na wąskich zbiorach i metrykach dokładności, a koszty wdrożenia i użyteczność kliniczna pozostają słabo zbadane. Kody rozliczeń odzwierciedlają praktykę szpitala, nie tylko stan pacjenta, a dane rzadko można udostępniać.",
   "limits_en": "A review of dozens of models found they are mostly evaluated on narrow datasets with accuracy metrics, while deployment cost and clinical usefulness remain understudied. Billing codes reflect hospital practice, not just patient state, and data rarely can be shared.",
   "terms": [
    {
     "gloss": "Elektroniczna dokumentacja medyczna: rozpoznania, leki, wyniki, wizyty.",
     "term": "EHR"
    },
    {
     "gloss": "Wektor liczb streszczający historię choroby jednej osoby.",
     "term": "reprezentacja pacjenta"
    },
    {
     "gloss": "Wspólny format zapisu danych medycznych z różnych szpitali.",
     "term": "standard OMOP"
    }
   ],
   "terms_en": [
    {
     "gloss": "Electronic health record: diagnoses, medications, results, visits.",
     "term": "EHR"
    },
    {
     "gloss": "Vector of numbers summarising one person's medical history.",
     "term": "patient representation"
    },
    {
     "gloss": "Common format for medical data from different hospitals.",
     "term": "OMOP standard"
    }
   ],
   "prereq": [
    "pretraining",
    "transformers"
   ],
   "keywords": [
    "CLMBR",
    "MOTOR",
    "BEHRT",
    "Med-BERT",
    "EHRSHOT",
    "OMOP CDM",
    "FEMR",
    "next-event prediction"
   ],
   "source_ids": [
    "shaky-foundations-ehr-2023"
   ],
   "url": "https://aiatlasgraph.com/t/ehrfoundation",
   "markdown_url": "https://aiatlasgraph.com/t/ehrfoundation.md",
   "updated": "2026-10-30"
  },
  "eightbitoptim": {
   "id": "eightbitoptim",
   "parent_id": "memefficienttraining",
   "label": "8-bitowe stany optymalizatora",
   "canonical_name": "8-bit optimizer states",
   "aliases": [
    "8-bit optimizer states",
    "8-bitowe stany optymalizatora"
   ],
   "description": "Przechowywanie statystyk optymalizatora (np. momentów Adama) w 8 bitach z kwantyzacją blokową zamiast w 32 bitach.",
   "description_en": "Storing optimiser statistics (e.g. Adam moments) in 8 bits with block-wise quantisation instead of 32 bits.",
   "plain": "Sposób, by notatki optymalizatora o każdej wadze zajmowały kilka razy mniej miejsca, bez wyraźnego pogorszenia nauki.",
   "plain_en": "A way to make the optimiser's notes about each weight take several times less space without noticeably hurting learning.",
   "solves": "Popularny optymalizator trzyma dla każdej wagi dwie dodatkowe liczby, które zajmują więcej pamięci niż sam model.",
   "solves_en": "A popular optimiser keeps two extra numbers per weight, taking more memory than the model itself.",
   "does": "Jak prowadzenie dziennika skrótami: zajmuje mniej kartek, a przy czytaniu wciąż wiadomo, co było zapisane.",
   "does_en": "Like keeping a diary in shorthand: it fills fewer pages, yet you can still read what was written.",
   "example": "Po jednej zmianie w konfiguracji dostrajanie modelu na laptopie z kartą graficzną zaczyna się mieścić w pamięci.",
   "example_en": "After one configuration change, fine-tuning a model on a laptop with a graphics card starts fitting in memory.",
   "for_you": [
    "optymalizator zajmuje ci większość pamięci",
    "szukasz prostej oszczędności bez zmiany ustawień nauki"
   ],
   "for_you_en": [
    "find the optimiser takes most of your memory",
    "want a simple saving without changing training settings"
   ],
   "how": "Tensory stanów dzieli się na małe bloki kwantyzowane niezależnie z dynamiczną, nieliniową skalą, co ogranicza wpływ wartości odstających. Przed aktualizacją stany się dekwantyzuje, krok liczy w pełnej precyzji i ponownie kwantyzuje; stabilna warstwa embeddingów zmniejsza wariancję gradientów.",
   "how_en": "State tensors are split into small blocks quantised independently with a dynamic, non-linear scale, limiting outlier impact. Before each update states are dequantised, the step is computed in full precision and re-quantised; a stable embedding layer reduces gradient variance.",
   "limits": "Zysk dotyczy tylko stanów optymalizatora, nie aktywacji ani wag. Przy nietypowych rozkładach gradientów może być mniej stabilne; wymaga obsługi przez bibliotekę i sprzęt.",
   "limits_en": "The saving covers only optimiser states, not activations or weights. With unusual gradient distributions it can be less stable; it needs library and hardware support.",
   "terms": [
    {
     "gloss": "Kompresja liczb w małych grupach, z których każda ma własną skalę.",
     "term": "kwantyzacja blokowa"
    },
    {
     "gloss": "Bieżące średnie gradientu i jego kwadratu, które zapamiętuje Adam.",
     "term": "momenty Adama"
    }
   ],
   "terms_en": [
    {
     "gloss": "Compressing numbers in small groups, each with its own scale.",
     "term": "block-wise quantisation"
    },
    {
     "gloss": "Running averages of the gradient and its square that Adam stores.",
     "term": "Adam moments"
    }
   ],
   "prereq": [
    "optimizers",
    "weightquant"
   ],
   "keywords": [
    "bitsandbytes",
    "8-bit Adam",
    "block-wise quantization",
    "dynamic quantization",
    "stable embedding",
    "paged AdamW"
   ],
   "source_ids": [
    "dettmers-2021-8bitopt"
   ],
   "url": "https://aiatlasgraph.com/t/eightbitoptim",
   "markdown_url": "https://aiatlasgraph.com/t/eightbitoptim.md",
   "updated": "2026-10-30"
  },
  "ekycliveness": {
   "id": "ekycliveness",
   "parent_id": "amlkyc",
   "label": "Zdalna weryfikacja tożsamości i wykrywanie prób podszycia (eKYC)",
   "canonical_name": "Remote identity verification and liveness detection (eKYC)",
   "aliases": [
    "eKYC",
    "liveness detection",
    "presentation attack detection",
    "PAD",
    "face matching",
    "selfie verification",
    "deepfake KYC fraud"
   ],
   "description": "Weryfikacja dokumentu, porównanie twarzy z dokumentem i wykrywanie ataków prezentacyjnych oraz deepfake'ów przy zdalnym otwieraniu konta.",
   "description_en": "Document verification, face-to-document matching and detection of presentation attacks and deepfakes during remote onboarding.",
   "plain": "Zakładanie konta przez telefon: program porównuje twoją twarz ze zdjęciem w dowodzie i sprawdza, czy przed kamerą jest żywy człowiek.",
   "plain_en": "Opening an account by phone: software compares your face with your ID photo and checks that a live person is in front of the camera.",
   "solves": "Oszuści zakładają konta na cudze lub zmyślone dane, pokazując kamerze zdjęcia, maski albo wygenerowane nagrania.",
   "solves_en": "Fraudsters open accounts in stolen or invented names by showing the camera photos, masks or generated videos.",
   "does": "Jak urzędnik przy okienku, który patrzy na dowód i na twarz, a na koniec prosi, żebyś odwrócił głowę i mrugnął.",
   "does_en": "Like a clerk at the counter who looks at the ID and your face, then asks you to turn your head and blink.",
   "example": "Otwierasz konto w aplikacji: fotografujesz dowód, nagrywasz krótkie selfie, a po chwili konto działa bez wizyty w oddziale.",
   "example_en": "You open an account in an app: photograph your ID, record a short selfie, and moments later the account works without a branch visit.",
   "for_you": [
    "zakładasz konto lub kartę przez aplikację",
    "martwisz się, że ktoś otworzy konto na twoje dane",
    "budujesz proces rejestracji klientów"
   ],
   "for_you_en": [
    "open an account or card through an app",
    "worry someone could open an account in your name",
    "build a customer sign-up flow"
   ],
   "how": "Potok obejmuje odczyt i kontrolę autentyczności dokumentu, porównanie wektora twarzy z selfie z wektorem ze zdjęcia w dokumencie oraz detekcję żywotności, aktywną z poleceniami lub pasywną z jednego ujęcia. Testowanie detekcji ataków prezentacyjnych opisuje ISO/IEC 30107-3, a nowym zagrożeniem są deepfake'i podawane przez wirtualną kamerę.",
   "how_en": "The pipeline covers reading and authenticating the document, matching the selfie face embedding to the ID photo embedding, and liveness detection, either active with prompts or passive from a single capture. ISO/IEC 30107-3 covers testing of presentation attack detection, and deepfakes fed through a virtual camera are a newer threat.",
   "limits": "Wygenerowane twarze i dokumenty oraz ataki wstrzyknięcia omijają czujnik kamery, więc sama detekcja żywotności nie wystarcza. Błędy mogą rozkładać się nierówno między grupy demograficzne. Fałszywe odrzucenia odsyłają uczciwych klientów do oddziałów.",
   "limits_en": "Generated faces and documents and injection attacks bypass the camera sensor, so liveness detection alone is not enough. Errors can fall unevenly across demographic groups. False rejections send honest customers to branches.",
   "terms": [
    {
     "gloss": "Pokazanie kamerze zdjęcia, maski lub nagrania zamiast żywej twarzy.",
     "term": "atak prezentacyjny"
    },
    {
     "gloss": "Sprawdzenie, że przed kamerą jest żywa osoba.",
     "term": "detekcja żywotności"
    },
    {
     "gloss": "Podanie aplikacji fałszywego obrazu z pominięciem prawdziwej kamery.",
     "term": "atak wstrzyknięcia"
    }
   ],
   "terms_en": [
    {
     "gloss": "Showing the camera a photo, mask or video instead of a live face.",
     "term": "presentation attack"
    },
    {
     "gloss": "Checking that a live person is in front of the camera.",
     "term": "liveness detection"
    },
    {
     "gloss": "Feeding the app a fake image while bypassing the real camera.",
     "term": "injection attack"
    }
   ],
   "prereq": [
    "contentprovenance"
   ],
   "keywords": [
    "ISO/IEC 30107-3",
    "presentation attack detection",
    "APCER",
    "BPCER",
    "face verification",
    "document verification",
    "injection attack",
    "deepfake detection"
   ],
   "source_ids": [
    "fatf-digital-id-2020",
    "iso-iec-30107-3-2023",
    "fincen-deepfake-alert-2024"
   ],
   "url": "https://aiatlasgraph.com/t/ekycliveness",
   "markdown_url": "https://aiatlasgraph.com/t/ekycliveness.md",
   "updated": "2026-10-30"
  },
  "embdiffusion": {
   "id": "embdiffusion",
   "parent_id": "dllm",
   "label": "Dyfuzja ciągła na zanurzeniach słów",
   "canonical_name": "Continuous diffusion on word embeddings",
   "aliases": [
    "Diffusion-LM",
    "embedding diffusion",
    "continuous diffusion language model",
    "rounding"
   ],
   "description": "Ciągła dyfuzja w przestrzeni zanurzeń: szum gaussowski na wektorach, a na końcu zaokrąglenie do tokenu.",
   "description_en": "Continuous diffusion in embedding space: Gaussian noise on vectors, then rounding back to a token.",
   "plain": "Słowa zamienia się na liczby, szumi te liczby jak obraz, a na końcu zaokrągla wynik z powrotem do słów.",
   "plain_en": "Words become numbers, those numbers are noised like an image, and the result is rounded back into words.",
   "solves": "Chcesz poprawiać powstający tekst małymi krokami, a skok od razu do całego słowa jest za gruby.",
   "solves_en": "You want to adjust a draft in small steps, and jumping straight to a whole word is too coarse.",
   "does": "Sieć odszumia wektory słów. Po każdym kroku można je pchnąć w stronę warunku, a potem przyciąć do najbliższego słowa.",
   "does_en": "A network denoises word vectors. After each step they can be nudged toward a condition, then snapped to the nearest word.",
   "example": "Prosisz o zdanie o określonym szyku. Model przesuwa pośrednie wektory tak, by wynik trzymał szyk i nadal brzmiał jak zdanie.",
   "example_en": "You ask for a sentence with a set word order. The model shifts intermediate vectors so the result keeps that order and still reads as a sentence.",
   "for_you": [
    "sterujesz stylem lub szykiem powstającego tekstu",
    "chcesz drobnych poprawek w trakcie pisania",
    "łączysz generator tekstu z warunkiem liczbowym"
   ],
   "for_you_en": [
    "steer the style or order of a draft",
    "want small edits while the text is forming",
    "combine a text generator with a numeric condition"
   ],
   "how": "Token mapuje się na wektor, a proces w przód dodaje szum gaussowski jak w dyfuzji obrazu. Sieć przewiduje czysty wektor. Dekodowanie zaokrągla go do najbliższego słowa; przycinanie w trakcie kroków zmniejsza błąd zaokrąglenia. Warunek można dodać gradientem po wektorze, bez uczenia modelu od nowa.",
   "how_en": "A token maps to a vector, and the forward process adds Gaussian noise as in image diffusion. A network predicts the clean vector. Decoding rounds it to the nearest word; clamping during steps reduces rounding error. A condition can be added by a gradient on the vector, without retraining.",
   "limits": "Zaokrąglenie wektora do słowa jest źródłem błędów. Sterowanie gradientem wymaga warunku, który da się różniczkować. Długi tekst i duży słownik podnoszą koszt wielu kroków.",
   "limits_en": "Rounding a vector to a word is a source of errors. Gradient control needs a condition that can be differentiated. Long text and a large vocabulary raise the cost of many steps.",
   "terms": [
    {
     "gloss": "Zamiana odszumionego wektora na najbliższe słowo ze słownika.",
     "term": "zaokrąglenie"
    },
    {
     "gloss": "Wymuszenie pośredniego wektora na prawdziwe słowo w trakcie generowania.",
     "term": "przycinanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Turning a denoised vector into the nearest word in the vocabulary.",
     "term": "rounding"
    },
    {
     "gloss": "Forcing an intermediate vector onto a real word during generation.",
     "term": "clamping"
    }
   ],
   "prereq": [
    "ddpm",
    "tokenization"
   ],
   "keywords": [
    "Diffusion-LM",
    "embedding diffusion",
    "continuous diffusion",
    "rounding",
    "clamping",
    "gradient-based control",
    "plug-and-play control"
   ],
   "source_ids": [
    "li-diffusionlm-2022"
   ],
   "url": "https://aiatlasgraph.com/t/embdiffusion",
   "markdown_url": "https://aiatlasgraph.com/t/embdiffusion.md",
   "updated": "2026-10-30"
  },
  "embeddingfields": {
   "id": "embeddingfields",
   "parent_id": "geofm",
   "label": "Gotowe osadzenia powierzchni Ziemi",
   "canonical_name": "Earth embedding fields",
   "aliases": [
    "embedding fields",
    "satellite embeddings",
    "Satellite Embedding dataset",
    "pola osadzeń",
    "geospatial embeddings",
    "AlphaEarth embeddings"
   ],
   "description": "Globalne, coroczne zbiory wektorów osadzeń dla każdego piksela lądu, wytworzone przez model bazowy łączący wiele sensorów, używane do klasyfikacji k-NN, regresji liniowej i wykrywania zmian.",
   "description_en": "Global annual embedding vectors for every land pixel, produced by a multi-sensor foundation model and used for k-NN classification, linear regression and change detection.",
   "plain": "Gotowe, policzone raz dla całego globu skróty liczbowe opisujące każdy kawałek lądu, z których można budować własne mapy bez trenowania dużych modeli.",
   "plain_en": "Ready-made numeric summaries of every patch of land, computed once for the whole globe, for building your own maps without training big models.",
   "solves": "Przetwarzanie surowych zdjęć satelitarnych z wielu lat wymaga ogromnej mocy obliczeniowej i wiedzy, której mała organizacja nie ma.",
   "solves_en": "Processing years of raw satellite images takes huge computing power and expertise that a small organisation does not have.",
   "does": "Jak słownik, w którym każde miejsce na Ziemi ma już swoje hasło: zamiast czytać całą bibliotekę zdjęć, zaglądasz do gotowego opisu.",
   "does_en": "Like a dictionary where every place on Earth already has an entry: instead of reading a library of images, you look up the description.",
   "example": "Mała fundacja oznacza na mapie kilkanaście sadów, a prosty model na gotowych osadzeniach znajduje podobne sady w całym kraju.",
   "example_en": "A small charity marks a dozen orchards on a map, and a simple model on ready embeddings finds similar orchards across the country.",
   "for_you": [
    "chcesz mapować coś na dużym obszarze bez własnych serwerów",
    "masz tylko kilka przykładów tego, czego szukasz"
   ],
   "for_you_en": [
    "want to map something over a large area without your own servers",
    "have only a few examples of what you are looking for"
   ],
   "how": "Model łączy w jednej reprezentacji zdjęcia optyczne, radar, lidar, dane klimatyczne i wysokościowe z całego roku. Dla każdego piksela zapisuje zwarty wektor, np. 64 liczby. Użytkownik trenuje na nich lekki klasyfikator k-NN lub liniowy, a podobieństwo wektorów z różnych lat wskazuje zmiany.",
   "how_en": "The model fuses a year of optical imagery, radar, lidar, climate and elevation data into one representation. For each pixel it stores a compact vector, e.g. 64 numbers. Users train a light k-NN or linear classifier on them, and similarity between vectors from different years points to change.",
   "limits": "Osadzenia są czarną skrzynką o stałej rozdzielczości i rocznym kroku, więc nie uchwycą szybkich zdarzeń. Jakość zależy od regionu i zadania, a ocenę przeprowadza najczęściej autor zbioru. Użytkownik jest zależny od udostępniającego.",
   "limits_en": "Embeddings are a black box with fixed resolution and a yearly step, so they miss fast events. Quality varies by region and task, and evaluation is mostly done by the dataset's own authors. Users depend on the provider.",
   "terms": [
    {
     "gloss": "Wektor liczb streszczający cechy miejsca w formie zrozumiałej dla modeli.",
     "term": "osadzenie"
    },
    {
     "gloss": "Klasyfikacja przez podobieństwo do najbliższych oznaczonych przykładów.",
     "term": "k-NN"
    },
    {
     "gloss": "Znajdowanie miejsc o najbardziej zbliżonych wektorach.",
     "term": "wyszukiwanie podobieństwa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A vector of numbers summarising a place in a form models understand.",
     "term": "embedding"
    },
    {
     "gloss": "Classifying by similarity to the nearest labelled examples.",
     "term": "k-NN"
    },
    {
     "gloss": "Finding places with the most similar vectors.",
     "term": "similarity search"
    }
   ],
   "prereq": [
    "knn",
    "linearmodels"
   ],
   "keywords": [
    "AlphaEarth Foundations",
    "Satellite Embedding V1",
    "Google Earth Engine",
    "Clay",
    "MOSAIKS",
    "linear probing",
    "k-nearest neighbors",
    "similarity search"
   ],
   "source_ids": [
    "brown-alphaearth-foundations-2025",
    "klemmer-satclip-2023"
   ],
   "url": "https://aiatlasgraph.com/t/embeddingfields",
   "markdown_url": "https://aiatlasgraph.com/t/embeddingfields.md",
   "updated": "2026-10-30"
  },
  "emergentcomm": {
   "id": "emergentcomm",
   "parent_id": "marl",
   "label": "Uczenie komunikacji między agentami",
   "canonical_name": "Learned multi-agent communication (emergent communication)",
   "aliases": [
    "emergent communication",
    "learning to communicate"
   ],
   "description": "Kierunek MARL, w którym agenci przy częściowej obserwowalności uczą się protokołów komunikacji end-to-end, razem z politykami działania.",
   "description_en": "A MARL direction in which partially observing agents learn communication protocols end-to-end, together with their action policies.",
   "plain": "Agenci sami wypracowują sposób przekazywania sobie informacji, której nie widzą wszyscy, żeby lepiej współpracować.",
   "plain_en": "Agents work out their own way of passing on information that not everyone can see, so they cooperate better.",
   "solves": "Każdy członek zespołu widzi inny kawałek sytuacji, a z góry ustalony język wiadomości nie pasuje do każdego zadania.",
   "solves_en": "Each team member sees a different piece of the situation, and a fixed message format does not suit every task.",
   "does": "Jak dzieci bawiące się w chowanego, które z czasem ustalają własne sygnały, znaczące „tu ktoś jest”.",
   "does_en": "Like children playing hide-and-seek who gradually agree on their own signals meaning 'someone's over here'.",
   "example": "Roboty w magazynie uczą się wysyłać krótkie sygnały o zajętych alejkach, zamiast korzystać z ręcznie zaprojektowanego protokołu.",
   "example_en": "Warehouse robots learn to send short signals about blocked aisles instead of using a hand-designed protocol.",
   "for_you": [
    "agenci mogą wymieniać wiadomości, ale nie wiesz jakie",
    "interesuje cię, jak rodzi się język między maszynami"
   ],
   "for_you_en": [
    "your agents can exchange messages but you don't know which",
    "you are curious how language emerges between machines"
   ],
   "how": "Agentom daje się kanał wiadomości, ale nie słownik. W RIAL komunikaty są działaniami uczonymi przez Q-learning; w DIAL podczas treningu płyną przez różniczkowalny kanał, a przy wykonaniu są dyskretyzowane. Inne rodziny uczą protokołu przez gradient polityki lub cele informacyjne.",
   "how_en": "Agents get a message channel but no dictionary. In RIAL messages are actions learned by Q-learning; in DIAL they flow through a differentiable channel during training and are discretised at execution. Other families learn protocols with policy gradients or information objectives.",
   "limits": "Wyuczone sygnały bywają nieczytelne dla ludzi i nie przenoszą się na nowych partnerów. Kanał zwiększa przestrzeń akcji, a agenci mogą go ignorować, jeśli nagroda nie wymusza wymiany informacji.",
   "limits_en": "Learned signals are often unreadable to humans and do not transfer to new partners. The channel enlarges the action space, and agents may ignore it unless rewards force information exchange.",
   "terms": [
    {
     "gloss": "Sygnały, których znaczenie powstaje w trakcie uczenia, a nie jest zadane.",
     "term": "emergent language"
    },
    {
     "gloss": "Uczenie komunikatów przez przesyłanie gradientów między agentami w treningu.",
     "term": "DIAL"
    }
   ],
   "terms_en": [
    {
     "gloss": "Signals whose meaning arises during learning instead of being predefined.",
     "term": "emergent language"
    },
    {
     "gloss": "Learning messages by passing gradients between agents during training.",
     "term": "DIAL"
    }
   ],
   "prereq": [
    "pomdp"
   ],
   "keywords": [
    "RIAL",
    "DIAL",
    "CommNet",
    "TarMAC",
    "emergent language",
    "referential games",
    "discrete communication channel"
   ],
   "source_ids": [
    "dial-rial-2016"
   ],
   "url": "https://aiatlasgraph.com/t/emergentcomm",
   "markdown_url": "https://aiatlasgraph.com/t/emergentcomm.md",
   "updated": "2026-10-30"
  },
  "emmixtures": {
   "id": "emmixtures",
   "parent_id": "probabilistic",
   "label": "Algorytm EM i modele mieszanin",
   "canonical_name": "Expectation-maximisation and mixture models",
   "aliases": [
    "EM algorithm",
    "expectation-maximization algorithm",
    "expectation-maximisation algorithm",
    "algorytm EM",
    "mixture models",
    "modele mieszanin"
   ],
   "description": "Iteracyjna metoda szukania estymatorów największej wiarygodności w modelach ze zmiennymi ukrytymi, np. mieszaninach gaussowskich.",
   "description_en": "Iterative method for maximum-likelihood estimates in models with latent variables, such as Gaussian mixtures.",
   "plain": "Metoda dopasowania modelu, gdy część informacji jest ukryta, np. z której grupy pochodzi każdy punkt danych.",
   "plain_en": "A method for fitting a model when part of the information is hidden, such as which group each data point came from.",
   "solves": "Dane często mieszają kilka niewidocznych grup, a bez znajomości przynależności trudno opisać każdą z nich osobno.",
   "solves_en": "Data often blends several invisible groups, and without knowing membership it is hard to describe each one separately.",
   "does": "Na zmianę zgaduje przynależność punktów i poprawia opis grup na podstawie tych domysłów, aż obie rzeczy przestaną się zmieniać.",
   "does_en": "It alternates between guessing points' membership and improving the group descriptions from those guesses until both stop changing.",
   "example": "Sklep internetowy dzieli klientów na kilka typów zakupowych, nie wiedząc z góry, kto do którego należy.",
   "example_en": "An online shop splits customers into several shopping types without knowing in advance who belongs where.",
   "for_you": [
    "dzielisz dane na grupy z miękkim przypisaniem",
    "masz dane z brakującymi wartościami"
   ],
   "for_you_en": [
    "split data into groups with soft assignment",
    "have data with missing values"
   ],
   "how": "Krok E liczy rozkład zmiennych ukrytych przy bieżących parametrach, np. odpowiedzialność każdej składowej mieszaniny za punkt. Krok M maksymalizuje oczekiwaną log-wiarygodność względem parametrów, co daje proste wzory na średnie, kowariancje i wagi. Każda iteracja nie zmniejsza wiarygodności; metoda k-średnich jest jej twardym, granicznym przypadkiem.",
   "how_en": "The E-step computes the latent-variable distribution under current parameters, e.g. each mixture component's responsibility for a point. The M-step maximises expected log-likelihood over parameters, giving simple updates for means, covariances and weights. Each iteration never decreases likelihood; k-means is its hard-assignment limiting case.",
   "limits": "Zbiega do maksimum lokalnego, więc wynik zależy od inicjalizacji. Liczbę składowych trzeba wybrać osobno, a przy wielu wymiarach kowariancje bywają źle uwarunkowane.",
   "limits_en": "It converges to a local maximum, so results depend on initialisation. The number of components must be chosen separately, and covariances can be ill-conditioned in high dimensions.",
   "terms": [
    {
     "gloss": "Wielkość, której nie obserwujemy, ale która wpływa na dane.",
     "term": "zmienna ukryta"
    },
    {
     "gloss": "Prawdopodobieństwo, że dany punkt pochodzi z danej składowej.",
     "term": "odpowiedzialność"
    }
   ],
   "terms_en": [
    {
     "gloss": "A quantity we do not observe that shapes the data.",
     "term": "latent variable"
    },
    {
     "gloss": "Probability that a point came from a given component.",
     "term": "responsibility"
    }
   ],
   "prereq": [
    "mle",
    "clustering"
   ],
   "keywords": [
    "Gaussian mixture model",
    "E-step",
    "M-step",
    "latent variables",
    "soft clustering",
    "Baum-Welch",
    "BIC model selection",
    "scikit-learn GaussianMixture"
   ],
   "source_ids": [
    "mmlbook"
   ],
   "url": "https://aiatlasgraph.com/t/emmixtures",
   "markdown_url": "https://aiatlasgraph.com/t/emmixtures.md",
   "updated": "2026-10-30"
  },
  "engagementdetect": {
   "id": "engagementdetect",
   "parent_id": "learnermodeling",
   "label": "Wykrywanie zaangażowania i emocji ucznia",
   "canonical_name": "Learner engagement and affect detection",
   "aliases": [
    "engagement detection",
    "disengagement detection",
    "affect detection in education",
    "student attention detection",
    "wykrywanie znudzenia",
    "affective computing in education"
   ],
   "description": "Rozpoznawanie zaangażowania i prób wnioskowania o emocjach uczących się z sygnałów wizyjnych lub zachowania w systemie.",
   "description_en": "Detecting learner engagement and attempts to infer emotions from visual signals or behavior in a learning system.",
   "plain": "Rozpoznawanie z obrazu kamery albo sposobu pracy na platformie, czy osoba ucząca się jest skupiona, znudzona czy zagubiona.",
   "plain_en": "Recognising from a camera image or from how someone works on a platform whether a learner is focused, bored or lost.",
   "solves": "W nauce online prowadzący nie widzi sali i nie zauważa, że ludzie przestali słuchać albo się pogubili.",
   "solves_en": "In online learning the teacher cannot see the room and misses that people stopped listening or got lost.",
   "does": "Łączy sygnały, takie jak kierunek wzroku, postawa, ruchy myszy czy długie okresy bezczynności, w oszacowanie możliwego braku zaangażowania.",
   "does_en": "Combines signals such as gaze direction, posture, mouse movement, or long inactivity into an estimate of possible disengagement.",
   "example": "Panel zajęć online oznacza długą bezczynność i odwrócenie wzroku jako sygnały możliwego spadku zaangażowania do sprawdzenia przez prowadzącego.",
   "example_en": "An online-class dashboard flags long inactivity and looking away as possible signs of reduced engagement for an instructor to check.",
   "for_you": [
    "prowadzisz zajęcia zdalne",
    "uczysz się na platformie, która korzysta z kamery",
    "zastanawiasz się, co wolno mierzyć u uczniów"
   ],
   "for_you_en": [
    "teach remote classes",
    "learn on a platform that uses your camera",
    "wonder what may be measured about learners"
   ],
   "how": "Modele wizyjne analizują mimikę, kierunek wzroku i postawę z nagrań kamery, a inne korzystają tylko z logów interakcji, np. ruchów myszy, czasu odpowiedzi i bezczynności. Klasyfikatory, często sieci splotowe i rekurencyjne na sekwencjach klatek, uczy się na nagraniach z etykietami od obserwatorów lub samych uczniów.",
   "how_en": "Vision models analyse facial expression, gaze and posture from camera footage, while others use only interaction logs such as mouse movement, response times and idle time. Classifiers, often convolutional and recurrent networks over frame sequences, are trained on recordings labelled by observers or the learners themselves.",
   "limits": "Etykiety zaangażowania są subiektywne i niespójne, a mimika nie daje pewnego dostępu do stanów wewnętrznych. Nagrywanie uczniów rodzi poważne kwestie prywatności. Unijny AI Act zakazuje w placówkach edukacyjnych systemów wnioskujących o emocjach z danych biometrycznych, z wyjątkiem zastosowań medycznych lub bezpieczeństwa; zakaz nie obejmuje automatycznie każdej analizy kliknięć ani samego wykrywania widocznych gestów bez wnioskowania o emocji.",
   "limits_en": "Engagement labels are subjective and inconsistent, and facial expressions do not reliably reveal internal states. Recording learners raises serious privacy concerns. The EU AI Act prohibits systems in educational institutions that infer emotions from biometric data, except for medical or safety uses; the prohibition does not automatically cover every analysis of clicks or the mere detection of visible gestures without inferring an emotion.",
   "terms": [
    {
     "gloss": "Automatyczne rozpoznawanie stanów emocjonalnych, np. znudzenia czy frustracji.",
     "term": "affect detection"
    },
    {
     "gloss": "Wnioskowanie o stanie ucznia tylko z jego działań w systemie, bez kamery.",
     "term": "sensor-free detection"
    },
    {
     "gloss": "Szacowanie, gdzie patrzy osoba, na podstawie obrazu twarzy.",
     "term": "gaze estimation"
    }
   ],
   "terms_en": [
    {
     "gloss": "Automatically recognising emotional states such as boredom or frustration.",
     "term": "affect detection"
    },
    {
     "gloss": "Inferring a learner's state from their in-system actions only, without a camera.",
     "term": "sensor-free detection"
    },
    {
     "gloss": "Estimating where a person is looking from an image of their face.",
     "term": "gaze estimation"
    }
   ],
   "prereq": [
    "videounderstanding"
   ],
   "keywords": [
    "affective computing",
    "DAiSEE",
    "facial expression recognition",
    "gaze estimation",
    "sensor-free affect detection",
    "boredom detection",
    "confusion detection",
    "multimodal learning analytics"
   ],
   "source_ids": [
    "mohamed-disengagement-review-2024",
    "euaiact-art5-emotion-education"
   ],
   "url": "https://aiatlasgraph.com/t/engagementdetect",
   "markdown_url": "https://aiatlasgraph.com/t/engagementdetect.md",
   "updated": "2026-10-30"
  },
  "ensembles": {
   "id": "ensembles",
   "parent_id": "ml",
   "label": "Drzewa i metody zespołowe",
   "canonical_name": "Tree ensembles",
   "description": "Łączenie prostszych modeli w silniejszy predyktor.",
   "description_en": "Combining simpler models into a stronger predictor.",
   "examples": "Random forest · boosting",
   "examples_en": "Random forest · boosting",
   "plain": "To łączenie odpowiedzi kilku modeli, często opartych na kolejnych pytaniach o cechy danych.",
   "plain_en": "This combines answers from several models, often built from sequences of questions about data features.",
   "solves": "Pojedynczy model może silnie reagować na przypadkowe szczegóły albo stale mylić się w podobnych sytuacjach.",
   "solves_en": "A single model may react strongly to accidental details or repeatedly make mistakes in similar situations.",
   "does": "Uśrednia lub zestawia głosy różnych modeli albo dodaje kolejne modele, które uczą się poprawiać dotychczasowe błędy.",
   "does_en": "It averages or combines different model votes, or adds models that learn to correct previous errors.",
   "example": "Przewidywanie czasu dostawy łączy odpowiedzi kilku modeli patrzących na wagę paczki, trasę i dzień wysyłki.",
   "example_en": "A delivery time prediction combines answers from several models considering parcel weight, route and dispatch day.",
   "for_you": [
    "chcesz ograniczać słabości pojedynczego modelu",
    "pracujesz z danymi zapisanymi w tabelach"
   ],
   "for_you_en": [
    "want to reduce the weaknesses of a single model",
    "work with data recorded in tables"
   ],
   "how": "Drzewa dzielą przestrzeń cech na obszary z lokalnymi predykcjami. Łączenie modeli przez uśrednianie, kolejne korekty błędu lub model agregujący wykorzystuje ich różnorodność i wspólny sygnał.",
   "how_en": "Trees partition feature space into regions with local predictions. Averaging models, adding sequential error corrections or using a combining model exploits their diversity and shared signal.",
   "limits": "Silnie skorelowane błędy ograniczają korzyść z łączenia. Więcej modeli zwiększa koszt i utrudnia interpretację; zespół nie usuwa wspólnych błędów danych.",
   "limits_en": "Highly correlated errors limit combination benefits. More models increase costs and complicate interpretation; ensembles cannot remove shared data errors.",
   "terms": [
    {
     "gloss": "Uśrednianie modeli uczonych na różnych losowanych próbach danych.",
     "term": "bagging"
    },
    {
     "gloss": "Sekwencyjne dodawanie modeli poprawiających błędy dotychczasowego zespołu.",
     "term": "boosting"
    },
    {
     "gloss": "Uczenie modelu łączącego predykcje innych modeli.",
     "term": "stacking"
    }
   ],
   "terms_en": [
    {
     "gloss": "Averaging models trained on different resampled datasets.",
     "term": "bagging"
    },
    {
     "gloss": "Sequentially adding models to correct an ensemble's existing errors.",
     "term": "boosting"
    },
    {
     "gloss": "Training a model to combine other models' predictions.",
     "term": "stacking"
    }
   ],
   "prereq": [
    "supervised"
   ],
   "keywords": [
    "bagging",
    "random subspaces",
    "boosting",
    "stacking",
    "random forests",
    "gradient-boosted trees",
    "out-of-bag estimation",
    "feature importance"
   ],
   "source_ids": [
    "cs229",
    "rec"
   ],
   "url": "https://aiatlasgraph.com/t/ensembles",
   "markdown_url": "https://aiatlasgraph.com/t/ensembles.md",
   "updated": "2026-10-30"
  },
  "ensembleweather": {
   "id": "ensembleweather",
   "parent_id": "earthsystems",
   "label": "Probabilistyczne prognozy pogody (zespoły)",
   "canonical_name": "Probabilistic ensemble weather forecasting",
   "aliases": [
    "ensemble forecasting",
    "probabilistic weather forecasting",
    "prognoza zespołowa",
    "GenCast"
   ],
   "description": "Generowanie zespołów prognoz modelami probabilistycznymi (głównie dyfuzyjnymi) zamiast jednej prognozy deterministycznej.",
   "description_en": "Generating forecast ensembles with probabilistic (mainly diffusion) models instead of a single deterministic forecast.",
   "plain": "Prognoza, która zamiast jednej odpowiedzi podaje wiele możliwych scenariuszy pogody i ich szanse.",
   "plain_en": "A forecast that gives many possible weather scenarios and their chances instead of a single answer.",
   "solves": "Pojedyncza prognoza nie mówi, jak bardzo jej ufać, a przy burzy czy powodzi liczy się właśnie ryzyko.",
   "solves_en": "A single forecast does not say how far to trust it, and with storms or floods it is the risk that matters.",
   "does": "Jak zapytanie kilkudziesięciu meteorologów naraz: im bardziej zgadzają się ich scenariusze, tym pewniejsza prognoza.",
   "does_en": "Like asking dozens of forecasters at once: the more their scenarios agree, the more certain the forecast.",
   "example": "Aplikacja pogodowa pokazuje siedemdziesiąt procent szans na deszcz w sobotę, a organizator festynu decyduje, czy rozstawić namiot.",
   "example_en": "A weather app shows a seventy percent chance of rain on Saturday, and a fair organiser decides whether to put up a tent.",
   "for_you": [
    "podejmujesz decyzje zależne od ryzyka pogodowego",
    "potrzebujesz wiedzieć, na ile pewna jest prognoza"
   ],
   "for_you_en": [
    "make decisions that hinge on weather risk",
    "need to know how certain a forecast is"
   ],
   "how": "Model dyfuzyjny warunkowany obecnym stanem atmosfery próbkuje możliwe stany kolejnego kroku; powtarzanie z różnym szumem daje zespół trajektorii. Jakość ocenia się miarami probabilistycznymi, np. CRPS, i zgodnością rozrzutu zespołu z faktycznym błędem.",
   "how_en": "A diffusion model conditioned on the current atmosphere samples possible next-step states; repeating with different noise yields an ensemble of trajectories. Quality is judged with probabilistic scores such as CRPS and by how well ensemble spread matches actual error.",
   "limits": "Wygenerowanie zespołu kosztuje wielokrotność jednej prognozy. Rozrzut może być źle skalibrowany dla rzadkich ekstremów, a rzetelna ocena wymaga długich archiwów i starannie dobranych metryk.",
   "limits_en": "Generating an ensemble costs a multiple of one forecast. Spread can be poorly calibrated for rare extremes, and sound evaluation needs long archives and carefully chosen metrics.",
   "terms": [
    {
     "gloss": "Jeden z wielu równoległych scenariuszy prognozy.",
     "term": "członek zespołu"
    },
    {
     "gloss": "Miara błędu prognozy probabilistycznej porównująca cały rozkład z obserwacją.",
     "term": "CRPS"
    },
    {
     "gloss": "Sprawdzenie, czy niepewność zespołu odpowiada faktycznym pomyłkom.",
     "term": "rozrzut a błąd"
    }
   ],
   "terms_en": [
    {
     "gloss": "One of many parallel forecast scenarios.",
     "term": "ensemble member"
    },
    {
     "gloss": "An error score for probabilistic forecasts comparing the whole distribution to the observation.",
     "term": "CRPS"
    },
    {
     "gloss": "Checking whether ensemble uncertainty matches actual errors.",
     "term": "spread–skill"
    }
   ],
   "prereq": [
    "calibration",
    "diffusion"
   ],
   "keywords": [
    "GenCast",
    "CRPS",
    "ensemble spread",
    "ECMWF ENS",
    "AIFS",
    "probabilistic forecasting"
   ],
   "source_ids": [
    "gencast-2023"
   ],
   "url": "https://aiatlasgraph.com/t/ensembleweather",
   "markdown_url": "https://aiatlasgraph.com/t/ensembleweather.md",
   "updated": "2026-10-30"
  },
  "entitycapture": {
   "id": "entitycapture",
   "parent_id": "voiceaudio",
   "label": "Przechwytywanie i potwierdzanie dokładnych danych",
   "canonical_name": "Exact entity capture from speech",
   "description": "Agent zapisuje dyktowane nazwy, numery i kody, prosi o powtórzenie niejasnych znaków i odczytuje wartość do potwierdzenia przed użyciem narzędzia.",
   "description_en": "The agent captures spoken names, numbers and codes, clarifies ambiguous characters and reads back exact values for confirmation before using a tool.",
   "examples": "numery telefonów · adresy e-mail · kody",
   "examples_en": "phone numbers · email addresses · codes",
   "plain": "To dokładne zapisywanie i potwierdzanie nazw, numerów lub kodów podanych głosem.",
   "plain_en": "This accurately records and confirms names, numbers or codes given aloud.",
   "solves": "Jedna źle usłyszana litera może wysłać przesyłkę pod błędny adres albo wskazać niewłaściwe zamówienie.",
   "solves_en": "One misheard letter can send a parcel to the wrong address or identify the wrong order.",
   "does": "Asystent zapisuje dane, prosi o wyjaśnienie niejasnych znaków i odczytuje całość do potwierdzenia przed użyciem.",
   "does_en": "An assistant records the details, clarifies ambiguous characters and reads everything back for confirmation before using it.",
   "example": "Dyktujesz kod odbioru, a asystent powtarza jego znaki i czeka na potwierdzenie.",
   "example_en": "You dictate a collection code, and an assistant repeats its characters and waits for confirmation.",
   "for_you": [
    "podajesz głosem adresy lub kody",
    "błąd w jednym znaku zmienia wynik zadania"
   ],
   "for_you_en": [
    "give addresses or codes aloud",
    "handle tasks where one wrong character changes the outcome"
   ],
   "how": "Rozpoznane znaki i słowa normalizuje się do dokładnej wartości, zachowując zera, jednostki i granice. Odczyt zwrotny oraz jawne poprawki użytkownika zatwierdzają wersję rekordu przed przekazaniem do narzędzia.",
   "how_en": "Recognised characters and words are normalised into exact values, preserving zeros, units and boundaries. Read-back and explicit user corrections confirm a record version before tool submission.",
   "limits": "Podobnie brzmiące znaki i formaty lokalne utrudniają normalizację. Płynny odczyt może nadal zawierać błąd; zmiana wartości wymaga ponownego uzgodnienia potwierdzonego rekordu.",
   "limits_en": "Similar-sounding characters and local formats complicate normalisation. Fluent read-back can still be wrong; changed values need renewed agreement on the confirmed record.",
   "terms": [
    {
     "gloss": "Odczytanie użytkownikowi rozpoznanej wartości w celu jej sprawdzenia.",
     "term": "read-back"
    },
    {
     "gloss": "Przekład wypowiedzi na ustalony format bez utraty istotnych znaków.",
     "term": "normalizacja wartości"
    }
   ],
   "terms_en": [
    {
     "gloss": "Reading a recognised value back to the user for verification.",
     "term": "read-back"
    },
    {
     "gloss": "Converting speech into a specified format without losing significant characters.",
     "term": "value normalisation"
    }
   ],
   "prereq": [
    "asr",
    "structured"
   ],
   "keywords": [
    "slot filling",
    "read-back confirmation",
    "value normalization",
    "alphanumeric transcription",
    "entity validation"
   ],
   "source_ids": [
    "openai-realtime-prompting"
   ],
   "url": "https://aiatlasgraph.com/t/entitycapture",
   "markdown_url": "https://aiatlasgraph.com/t/entitycapture.md",
   "updated": "2026-10-30"
  },
  "entitylinking": {
   "id": "entitylinking",
   "parent_id": "infoextraction",
   "label": "Łączenie wzmianek z bazą wiedzy (entity linking)",
   "canonical_name": "Entity linking",
   "aliases": [
    "entity linking",
    "entity disambiguation",
    "named entity disambiguation",
    "NED",
    "linkowanie encji"
   ],
   "description": "Przypisanie wzmiance w tekście identyfikatora encji w bazie wiedzy, z ujednoznacznieniem na podstawie kontekstu.",
   "description_en": "Assigning a text mention the identifier of a knowledge-base entity, disambiguated by context.",
   "plain": "Program rozstrzyga, o którego konkretnie człowieka, miasto lub firmę chodzi w tekście, i podpina właściwy wpis z encyklopedii.",
   "plain_en": "Software decides which exact person, city or company a text means and attaches the right encyclopedia entry.",
   "solves": "Te same nazwy noszą różne osoby i miejsca, więc wyszukiwanie po samym słowie miesza zupełnie różne rzeczy.",
   "solves_en": "Different people and places share names, so searching by the word alone mixes up unrelated things.",
   "does": "Jak bibliotekarz, który po kontekście poznaje, czy chodzi o miasto, klub sportowy czy statek o tej samej nazwie, i podaje właściwą sygnaturę.",
   "does_en": "Like a librarian who tells from context whether a name means a city, a club or a ship and hands over the right catalogue number.",
   "example": "Czytasz artykuł, a przy nazwisku pojawia się dymek z właściwą osobą, nie z jej imiennikiem.",
   "example_en": "You read an article and a pop-up next to a name shows the right person, not a namesake.",
   "for_you": [
    "łączysz dokumenty z bazą klientów lub produktów",
    "budujesz graf wiedzy z tekstów",
    "musisz odróżniać osoby o tych samych nazwiskach"
   ],
   "for_you_en": [
    "match documents to a customer or product database",
    "build a knowledge graph from texts",
    "must tell apart people with the same name"
   ],
   "how": "System generuje kandydatów dla wzmianki (słownik aliasów lub wyszukiwanie gęste), koduje kontekst wzmianki i opisy kandydatów, a potem je szereguje. Warianty łączą wykrywanie wzmianek z ujednoznacznianiem lub rozstrzygają wszystkie wzmianki dokumentu wspólnie.",
   "how_en": "The system generates candidates for a mention (alias dictionary or dense retrieval), encodes the mention context and candidate descriptions, then ranks them. Variants join mention detection with disambiguation or resolve all mentions in a document jointly.",
   "limits": "Encje spoza bazy wiedzy trzeba rozpoznać jako nieznane, co bywa trudne. Jakość zależy od pokrycia i aktualności bazy; rzadkie encje i krótkie konteksty dają pomyłki.",
   "limits_en": "Entities missing from the knowledge base must be flagged as unknown, which is hard. Quality depends on the base's coverage and freshness; rare entities and short contexts cause errors.",
   "terms": [
    {
     "gloss": "Wstępny wybór możliwych wpisów dla danej wzmianki.",
     "term": "candidate generation"
    },
    {
     "gloss": "Oznaczenie wzmianki, której nie ma w bazie wiedzy.",
     "term": "NIL"
    },
    {
     "gloss": "Dwa enkodery porównujące wzmiankę i wpis przez podobieństwo wektorów.",
     "term": "bi-encoder"
    }
   ],
   "terms_en": [
    {
     "gloss": "Shortlisting possible entries for a given mention.",
     "term": "candidate generation"
    },
    {
     "gloss": "A label for a mention absent from the knowledge base.",
     "term": "NIL"
    },
    {
     "gloss": "Two encoders comparing mention and entry by vector similarity.",
     "term": "bi-encoder"
    }
   ],
   "prereq": [
    "kgraphs",
    "textembeddings"
   ],
   "keywords": [
    "named entity disambiguation",
    "Wikidata",
    "candidate generation",
    "entity embeddings",
    "BLINK",
    "REL",
    "zero-shot entity linking",
    "cross-lingual entity linking"
   ],
   "source_ids": [
    "sevgili-2020-neural-el-survey"
   ],
   "url": "https://aiatlasgraph.com/t/entitylinking",
   "markdown_url": "https://aiatlasgraph.com/t/entitylinking.md",
   "updated": "2026-10-30"
  },
  "eoanalysis": {
   "id": "eoanalysis",
   "parent_id": "geoai",
   "label": "Analiza zdjęć satelitarnych i lotniczych",
   "canonical_name": "Satellite and aerial image analysis",
   "aliases": [
    "remote sensing image analysis",
    "aerial image analysis",
    "analiza obrazów teledetekcyjnych",
    "satellite imagery analysis",
    "overhead imagery analysis"
   ],
   "description": "Klasyfikacja scen i pokrycia terenu, segmentacja, detekcja obiektów i wykrywanie zmian na obrazach optycznych, wielospektralnych i radarowych z satelitów, samolotów i dronów.",
   "description_en": "Scene and land-cover classification, segmentation, object detection and change detection on optical, multispectral and radar imagery from satellites, aircraft and drones.",
   "plain": "Programy, które na zdjęciach robionych z góry rozpoznają lasy, pola, budynki i statki oraz to, co zmieniło się od ostatniego przelotu.",
   "plain_en": "Programs that look at pictures taken from above and recognise forests, fields, buildings and ships, and what has changed since the last pass.",
   "solves": "Zdjęcia z góry wyglądają inaczej niż zwykłe fotografie: obiekty są maleńkie, obrócone pod dowolnym kątem, a część obrazu zasłaniają chmury.",
   "solves_en": "Pictures from above look nothing like everyday photos: objects are tiny, turned at any angle, and clouds hide part of the scene.",
   "does": "Jak doświadczony fotointerpretator, który z wysokości od razu odróżnia sad od lasu, tyle że przegląda miliony zdjęć naraz.",
   "does_en": "Like a seasoned photo interpreter who tells an orchard from a forest at a glance from altitude, only working through millions of images at once.",
   "example": "Gmina sprawdza, na których działkach pojawiły się nowe budynki albo baseny, porównując zeszłoroczne i tegoroczne zdjęcia lotnicze.",
   "example_en": "A town council checks which plots have new buildings or swimming pools by comparing last year's and this year's aerial photos.",
   "for_you": [
    "oglądasz widok satelitarny w aplikacji z mapami",
    "pracujesz w planowaniu przestrzennym lub ochronie środowiska"
   ],
   "for_you_en": [
    "browse satellite view in a map app",
    "work in spatial planning or environmental protection"
   ],
   "how": "Stosuje się sieci znane z widzenia komputerowego, dostosowane do wielu kanałów spektralnych, ogromnych scen dzielonych na kafelki i obiektów w dowolnej orientacji. Dane radarowe wymagają osobnego przetwarzania, a stos zdjęć z wielu dat pozwala śledzić zmiany i sezonowy rytm roślin.",
   "how_en": "Computer-vision networks are adapted to many spectral bands, huge scenes split into tiles and objects in any orientation. Radar data need their own processing, and stacks of images from many dates make it possible to track change and the seasonal rhythm of plants.",
   "limits": "Sieci pretrenowane na zwykłych zdjęciach nie zawsze dobrze się przenoszą, a ręczne etykiety są drogie. Wyniki zależą od sensora, rozdzielczości, kąta widzenia i pory roku, więc model z jednego regionu lub satelity bywa zawodny w innym.",
   "limits_en": "Networks pretrained on everyday photos do not always transfer well, and hand labels are expensive. Results depend on sensor, resolution, viewing angle and season, so a model from one region or satellite can fail on another.",
   "terms": [
    {
     "gloss": "Dzielenie ogromnej sceny satelitarnej na małe fragmenty, które zmieści sieć.",
     "term": "kafelkowanie"
    },
    {
     "gloss": "Przypisanie całemu fragmentowi zdjęcia jednej etykiety, np. port lub las.",
     "term": "klasyfikacja sceny"
    },
    {
     "gloss": "Odległość próbkowania terenu: ile metrów obejmuje jeden piksel.",
     "term": "GSD"
    }
   ],
   "terms_en": [
    {
     "gloss": "Splitting a huge satellite scene into small pieces a network can handle.",
     "term": "tiling"
    },
    {
     "gloss": "Giving a whole image patch one label, such as harbour or forest.",
     "term": "scene classification"
    },
    {
     "gloss": "Ground sampling distance: how many metres one pixel covers.",
     "term": "GSD"
    }
   ],
   "prereq": [
    "segmentation",
    "objectdetection"
   ],
   "keywords": [
    "scene classification",
    "semantic segmentation",
    "oriented object detection",
    "change detection",
    "SAR",
    "hyperspectral imaging",
    "EuroSAT",
    "BigEarthNet",
    "NWPU-RESISC45",
    "DOTA",
    "pansharpening"
   ],
   "source_ids": [
    "zhu-dl-remote-sensing-2017",
    "stewart-torchgeo-2021"
   ],
   "url": "https://aiatlasgraph.com/t/eoanalysis",
   "markdown_url": "https://aiatlasgraph.com/t/eoanalysis.md",
   "updated": "2026-10-30"
  },
  "eoapps": {
   "id": "eoapps",
   "parent_id": "geoai",
   "label": "Monitoring rolnictwa, lasów i katastrof z satelity",
   "canonical_name": "Satellite monitoring of agriculture, forests and disasters",
   "aliases": [
    "Earth observation applications",
    "precision agriculture remote sensing",
    "disaster mapping",
    "environmental monitoring",
    "rolnictwo precyzyjne z satelity",
    "monitoring środowiska"
   ],
   "description": "Zastosowania obserwacji Ziemi z uczeniem maszynowym: mapowanie upraw i prognoza plonów, pomiar lasów i biomasy, szybkie mapowanie powodzi i szkód po katastrofach.",
   "description_en": "Earth observation applications of machine learning: crop mapping and yield prediction, forest and biomass measurement, rapid mapping of floods and disaster damage.",
   "plain": "Wykorzystanie map tworzonych przez AI ze zdjęć satelitarnych do pilnowania upraw i lasów oraz szybkiej pomocy po powodziach i trzęsieniach ziemi.",
   "plain_en": "Using AI-made maps from satellite images to keep watch over crops and forests and to speed up help after floods and earthquakes.",
   "solves": "Rolnicy, leśnicy i ratownicy potrzebują aktualnej wiedzy o ogromnych obszarach, a objazd w terenie trwa tygodniami i omija trudno dostępne miejsca.",
   "solves_en": "Farmers, foresters and rescuers need current knowledge of huge areas, while field surveys take weeks and miss hard-to-reach places.",
   "does": "Jak strażnik na wieży obserwacyjnej, tyle że wieża sięga kosmosu, a strażnik regularnie sprawdza rozległe obszary.",
   "does_en": "Like a ranger in a lookout tower, except the tower reaches into space and the ranger regularly surveys vast areas.",
   "example": "Agencja rolna sprawdza na zdjęciach satelitarnych, czy na zgłoszonych polach naprawdę rośnie zadeklarowana uprawa, zanim wypłaci dopłaty.",
   "example_en": "A farm agency checks satellite images to see whether the declared crop really grows on the reported fields before paying out subsidies.",
   "for_you": [
    "masz pole, las lub działkę i chcesz śledzić ich stan",
    "mieszkasz na terenie zagrożonym powodzią lub pożarami",
    "pracujesz w ubezpieczeniach lub zarządzaniu kryzysowym"
   ],
   "for_you_en": [
    "own a field, woodland or plot and want to track its condition",
    "live in an area at risk of floods or wildfires",
    "work in insurance or emergency management"
   ],
   "how": "Łączy się zdjęcia optyczne i radarowe z wielu dat, dane pogodowe i pomiary naziemne. Modele segmentują pola, wodę czy budynki, porównują stan przed i po zdarzeniu albo regresją przewidują wielkości fizyczne, jak plon lub wysokość drzew. Wynikiem są mapy, najlepiej z miarą niepewności.",
   "how_en": "Optical and radar images from many dates are combined with weather data and ground measurements. Models segment fields, water or buildings, compare before and after an event, or regress physical quantities such as yield or tree height. The output is maps, ideally with an uncertainty measure.",
   "limits": "Pomiary naziemne do uczenia są rzadkie i nierówno rozłożone, a chmury zasłaniają widok w najważniejszych chwilach. Mapy globalne łatwo przeceniają swoją dokładność, jeśli nie walidowano ich przestrzennie. Szkody średniej skali są trudne do odróżnienia na zdjęciach.",
   "limits_en": "Ground measurements for training are scarce and unevenly spread, and clouds block the view at the most important moments. Global maps easily overstate their accuracy if not validated spatially. Moderate damage is hard to tell apart on images.",
   "terms": [
    {
     "gloss": "Sezonowy rytm roślin: kiełkowanie, wzrost, dojrzewanie, zbiór.",
     "term": "fenologia"
    },
    {
     "gloss": "Liczba z kanałów zdjęcia mówiąca, jak bujna i zielona jest roślinność.",
     "term": "wskaźnik roślinności"
    },
    {
     "gloss": "Mapy szkód przygotowywane w pierwszych dniach po katastrofie.",
     "term": "mapowanie szybkiego reagowania"
    }
   ],
   "terms_en": [
    {
     "gloss": "The seasonal rhythm of plants: sprouting, growth, ripening, harvest.",
     "term": "phenology"
    },
    {
     "gloss": "A number from image bands showing how lush and green vegetation is.",
     "term": "vegetation index"
    },
    {
     "gloss": "Damage maps produced in the first days after a disaster.",
     "term": "rapid mapping"
    }
   ],
   "prereq": [
    "semanticseg",
    "timeseries"
   ],
   "keywords": [
    "crop type mapping",
    "yield prediction",
    "NDVI",
    "flood mapping",
    "building damage assessment",
    "canopy height",
    "aboveground biomass",
    "deforestation monitoring",
    "Sen1Floods11",
    "xBD",
    "PASTIS",
    "GEDI"
   ],
   "source_ids": [
    "gao-hu-li-geoai-handbook-2023",
    "lang-canopy-height-2023"
   ],
   "url": "https://aiatlasgraph.com/t/eoapps",
   "markdown_url": "https://aiatlasgraph.com/t/eoapps.md",
   "updated": "2026-10-30"
  },
  "eochange": {
   "id": "eochange",
   "parent_id": "eoanalysis",
   "label": "Wykrywanie zmian na zdjęciach z różnych dat",
   "canonical_name": "Remote sensing change detection",
   "aliases": [
    "change detection",
    "bi-temporal change detection",
    "semantic change detection",
    "detekcja zmian",
    "wykrywanie zmian terenu"
   ],
   "description": "Wykrywanie i klasyfikacja zmian między wyrównanymi obrazami tego samego obszaru z różnych dat: binarnie (zmiana albo brak) lub semantycznie (z jakiej klasy w jaką).",
   "description_en": "Detecting and classifying changes between co-registered images of one area from different dates: binary (change or not) or semantic (which class to which).",
   "plain": "Porównywanie dwóch zdjęć tego samego miejsca z różnych dni, żeby automatycznie zaznaczyć, co powstało, zniknęło albo się zmieniło.",
   "plain_en": "Comparing two pictures of the same place from different days to mark automatically what appeared, disappeared or changed.",
   "solves": "Na dwóch zdjęciach różni się prawie wszystko: światło, pora roku, kąt kamery, więc prawdziwe zmiany giną wśród pozornych.",
   "solves_en": "Almost everything differs between two images — light, season, camera angle — so real changes get lost among apparent ones.",
   "does": "Jak gra w szukanie różnic, w której model uczy się pomijać cienie i kolor trawy, a zauważać nowy dom czy wycięty las.",
   "does_en": "Like a spot-the-difference game where the model learns to ignore shadows and grass colour but notice a new house or a felled forest.",
   "example": "Leśnicy dostają alerty o świeżych wycinkach w trudno dostępnych częściach puszczy, zanim ktokolwiek tam dotrze.",
   "example_en": "Foresters get alerts about fresh clearings in remote parts of a forest before anyone could get there.",
   "for_you": [
    "pilnujesz terenu, którego nie da się regularnie objechać",
    "chcesz wiedzieć, co budują w twojej okolicy"
   ],
   "for_you_en": [
    "look after land you cannot visit regularly",
    "want to know what is being built near you"
   ],
   "how": "Po wyrównaniu zdjęć sieć syjamska ze wspólnymi wagami koduje oba obrazy, a różnicę cech dekoduje do mapy zmian. Fuzja bywa wczesna (zdjęcia sklejone), pośrednia (porównanie cech) lub późna. Nowsze metody używają uwagi, transformerów i modeli bazowych.",
   "how_en": "After co-registration, a siamese network with shared weights encodes both images and decodes the feature difference into a change map. Fusion can be early (stacked images), middle (compared features) or late. Newer methods use attention, transformers and foundation models.",
   "limits": "Błędy wyrównania oraz różnice oświetlenia i pory roku dają fałszywe alarmy. Zmian jest mało w porównaniu z resztą obrazu, a etykiety są drogie. Modele słabo przenoszą się między sensorami i regionami.",
   "limits_en": "Registration errors and differences in lighting and season cause false alarms. Changes are rare relative to the rest of the image, and labels are expensive. Models transfer poorly across sensors and regions.",
   "terms": [
    {
     "gloss": "Dwie identyczne gałęzie sieci, które przetwarzają oba zdjęcia tymi samymi wagami.",
     "term": "sieć syjamska"
    },
    {
     "gloss": "Dokładne nałożenie dwóch zdjęć, by piksele pokazywały to samo miejsce.",
     "term": "koregistracja"
    },
    {
     "gloss": "Mapa mówiąca nie tylko, że coś się zmieniło, ale z czego w co.",
     "term": "zmiana semantyczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Two identical network branches processing both images with the same weights.",
     "term": "siamese network"
    },
    {
     "gloss": "Precisely overlaying two images so pixels show the same spot.",
     "term": "co-registration"
    },
    {
     "gloss": "A map saying not just that something changed, but from what to what.",
     "term": "semantic change"
    }
   ],
   "prereq": [
    "semanticseg"
   ],
   "keywords": [
    "siamese networks",
    "LEVIR-CD",
    "SECOND",
    "OSCD",
    "ChangeFormer",
    "BIT",
    "ChangeMamba",
    "semantic change detection",
    "co-registration"
   ],
   "source_ids": [
    "cheng-change-detection-review-2023"
   ],
   "url": "https://aiatlasgraph.com/t/eochange",
   "markdown_url": "https://aiatlasgraph.com/t/eochange.md",
   "updated": "2026-10-30"
  },
  "eopretraining": {
   "id": "eopretraining",
   "parent_id": "geofm",
   "label": "Samonadzorowany pretrening na zdjęciach wielospektralnych",
   "canonical_name": "Self-supervised pretraining for multispectral satellite imagery",
   "aliases": [
    "masked autoencoders for remote sensing",
    "EO self-supervised learning",
    "pretrening teledetekcyjny",
    "multispectral MAE",
    "remote sensing self-supervised learning"
   ],
   "description": "Pretrening transformerów na nieoznaczonych obrazach wielospektralnych i szeregach czasowych przez maskowane autoenkodery lub uczenie kontrastowe, z kodowaniem kanałów, dat i położenia.",
   "description_en": "Pretraining transformers on unlabelled multispectral images and time series with masked autoencoders or contrastive learning, encoding bands, dates and location.",
   "plain": "Uczenie modelu na milionach zdjęć satelitarnych bez opisów: model zgaduje zasłonięte fragmenty i tak poznaje wygląd Ziemi.",
   "plain_en": "Training a model on millions of unlabelled satellite images: it guesses hidden pieces and so learns what the Earth looks like.",
   "solves": "Zdjęcia satelitarne mają kanały niewidoczne dla oka i daty, a modele uczone na zwykłych fotografiach nie wiedzą, co z nimi zrobić.",
   "solves_en": "Satellite images carry bands invisible to the eye and dates, and models trained on ordinary photos do not know what to do with them.",
   "does": "Jak układanie puzzli z brakującymi kawałkami: dopasowując miliony braków, model uczy się, jak zwykle wyglądają pola, rzeki i miasta.",
   "does_en": "Like doing jigsaws with missing pieces: by filling millions of gaps, the model learns how fields, rivers and towns usually look.",
   "example": "Naukowcy biorą udostępniony model i dostrajają go do wykrywania pogorzelisk w swoim regionie, zamiast trenować własny od zera.",
   "example_en": "Researchers take a published model and fine-tune it to find burn scars in their region instead of training their own from scratch.",
   "for_you": [
    "trenujesz modele na danych satelitarnych",
    "chcesz zrozumieć, skąd biorą się modele bazowe dla Ziemi"
   ],
   "for_you_en": [
    "train models on satellite data",
    "want to understand where Earth foundation models come from"
   ],
   "how": "Obraz dzieli się na łatki w przestrzeni, czasie i grupach kanałów, część łatek się maskuje, a sieć odtwarza brakujące wartości. Do łatek dodaje się osadzenia daty, grupy spektralnej i czasem położenia. Alternatywnie model uczy się kontrastowo, zbliżając widoki tego samego miejsca z różnych sensorów lub pór.",
   "how_en": "The image is split into patches across space, time and band groups, some patches are masked, and the network reconstructs the missing values. Date, spectral-group and sometimes location embeddings are added to patches. Alternatively the model learns contrastively, pulling together views of the same place from different sensors or seasons.",
   "limits": "Pretrening wymaga tysięcy godzin GPU i starannego doboru próbek z całego globu. Nie ma jednego najlepszego sposobu wyboru dat, a metadane bywają niedostępne. Model uczony w jednej rozdzielczości słabiej działa w innej.",
   "limits_en": "Pretraining takes thousands of GPU hours and careful sampling across the globe. There is no single best way to choose dates, and metadata are often missing. A model trained at one resolution performs worse at another.",
   "terms": [
    {
     "gloss": "Sieć ucząca się przez odtwarzanie zasłoniętych łatek obrazu.",
     "term": "maskowany autoenkoder"
    },
    {
     "gloss": "Zestaw pokrewnych kanałów zdjęcia kodowanych razem.",
     "term": "grupa spektralna"
    },
    {
     "gloss": "Wektor mówiący modelowi, z jakiej daty pochodzi łatka.",
     "term": "osadzenie czasowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "A network that learns by reconstructing hidden image patches.",
     "term": "masked autoencoder"
    },
    {
     "gloss": "A set of related image bands encoded together.",
     "term": "spectral group"
    },
    {
     "gloss": "A vector telling the model which date a patch comes from.",
     "term": "temporal embedding"
    }
   ],
   "prereq": [
    "visionssl",
    "vit"
   ],
   "keywords": [
    "SatMAE",
    "Prithvi-EO-2.0",
    "Scale-MAE",
    "SatMAE++",
    "CROMA",
    "SeCo",
    "masked autoencoder",
    "Harmonized Landsat Sentinel-2",
    "TerraTorch"
   ],
   "source_ids": [
    "xiao-rs-foundation-models-survey-2024",
    "cong-satmae-2022",
    "szwarcman-prithvi-eo-2-2024"
   ],
   "url": "https://aiatlasgraph.com/t/eopretraining",
   "markdown_url": "https://aiatlasgraph.com/t/eopretraining.md",
   "updated": "2026-10-30"
  },
  "eosuperres": {
   "id": "eosuperres",
   "parent_id": "eoanalysis",
   "label": "Wieloklatkowa super-rozdzielczość zdjęć satelitarnych",
   "canonical_name": "Multi-frame super-resolution for satellite imagery",
   "aliases": [
    "super-resolution for remote sensing",
    "multi-frame super-resolution",
    "MFSR",
    "wieloklatkowa super-rozdzielczość"
   ],
   "description": "Rekonstrukcja obrazu o wyższej rozdzielczości z wielu przelotów niskiej rozdzielczości tego samego obszaru.",
   "description_en": "Reconstructing a higher-resolution image from multiple low-resolution revisits of the same area.",
   "plain": "Program, który z kilku rozmytych zdjęć satelitarnych tego samego miejsca składa jedno ostrzejsze, pokazujące drobniejsze szczegóły.",
   "plain_en": "Software that combines several blurry satellite pictures of one place into a single sharper image showing finer detail.",
   "solves": "Darmowe zdjęcia z satelitów są za mało szczegółowe, żeby policzyć domy czy drogi, a ostre ujęcia komercyjne kosztują i rzadko powstają.",
   "solves_en": "Free satellite pictures are too coarse to count houses or roads, while sharp commercial shots are costly and rarely taken.",
   "does": "Jak detektyw, który z kilku niewyraźnych klatek monitoringu odtwarza tablicę rejestracyjną: każde ujęcie dokłada okruch informacji, którego brakuje w pozostałych.",
   "does_en": "Like a detective rebuilding a licence plate from several fuzzy CCTV frames: each shot adds a crumb of detail the others lack.",
   "example": "Gmina chce zobaczyć nowe osiedle sprzed miesiąca, ale ma tylko bezpłatne zdjęcia; po wyostrzeniu widać już zarysy pojedynczych budynków.",
   "example_en": "A town wants to see last month's new housing estate but has only free imagery; after sharpening, individual building outlines appear.",
   "for_you": [
    "korzystasz z bezpłatnych zdjęć satelitarnych",
    "potrzebujesz szczegółów, na które nie stać cię w komercyjnych zdjęciach"
   ],
   "for_you_en": [
    "use free satellite imagery",
    "need detail you cannot afford to buy as commercial imagery"
   ],
   "how": "Metoda wyrównuje kilka przelotów z przesunięciami subpikselowymi i łączy je siecią, np. HighResNet, uczoną na czasowo dopasowanych parach z sensorem wysokiej rozdzielczości.",
   "how_en": "The method aligns several revisits with sub-pixel shifts and fuses them with a network such as HighResNet, trained on time-matched pairs from a higher-resolution sensor.",
   "limits": "Wynik jest rekonstrukcją, a nie nowym pomiarem. Pary treningowe z dwóch sensorów różnią się czasem, radiometrią i warunkami obserwacji, a jakość silnie zależy od sceny.",
   "limits_en": "The output is a reconstruction, not a new measurement. Training pairs from two sensors differ in time, radiometry and observation conditions, and quality depends strongly on the scene.",
   "terms": [
    {
     "gloss": "rekonstrukcja szczegółów z wielu ujęć tego samego miejsca",
     "term": "multi-frame SR"
    },
    {
     "gloss": "kolejny przelot satelity nad tym samym miejscem",
     "term": "revisit"
    }
   ],
   "terms_en": [
    {
     "gloss": "reconstructing detail from multiple views of the same place",
     "term": "multi-frame SR"
    },
    {
     "gloss": "another satellite pass over the same spot",
     "term": "revisit"
    }
   ],
   "prereq": [
    "imagerestoration",
    "cnnarchs"
   ],
   "keywords": [
    "WorldStrat",
    "HighResNet",
    "PROBA-V challenge",
    "Sentinel-2 super-resolution",
    "SEN2SR",
    "multi-frame SR"
   ],
   "source_ids": [
    "worldstrat-2022"
   ],
   "url": "https://aiatlasgraph.com/t/eosuperres",
   "markdown_url": "https://aiatlasgraph.com/t/eosuperres.md",
   "updated": "2026-10-30"
  },
  "equivariantgnn": {
   "id": "equivariantgnn",
   "parent_id": "gnn",
   "label": "Sieci geometryczne dla atomów w 3D (równoważność obrotów)",
   "canonical_name": "Equivariant graph networks for 3D atomic systems",
   "aliases": [
    "equivariant GNN",
    "E(3)-equivariant networks",
    "EGNN",
    "NequIP",
    "geometric GNN",
    "sieci ekwiwariantne"
   ],
   "description": "GNN na atomach z pozycjami 3D, równoważne względem obrotów, przesunięć i odbić (grupa E(3)); przewidują energie, siły i właściwości cząsteczek.",
   "description_en": "GNNs over atoms with 3D positions, equivariant to rotations, translations and reflections (the E(3) group); they predict energies, forces and molecular properties.",
   "plain": "Sieci grafowe dla obiektów w przestrzeni, dające spójny wynik bez względu na to, jak obrócisz lub przesuniesz obiekt.",
   "plain_en": "Graph networks for objects in space that give consistent answers however you rotate or move the object.",
   "solves": "Obrócona cząsteczka to wciąż ta sama cząsteczka, a zwykła sieć musiałaby uczyć się tego osobno dla każdego ustawienia.",
   "solves_en": "A rotated molecule is still the same molecule, yet an ordinary network would have to learn that separately for every orientation.",
   "does": "Wbudowuje w model regułę, którą fizyk zna z góry: obrót układu obraca siły, ale nie zmienia energii.",
   "does_en": "It builds in a rule physicists already know: rotating a system rotates its forces but leaves its energy unchanged.",
   "example": "Program do projektowania baterii przewiduje, jak będą się poruszać atomy w nowym materiale, bez wielogodzinnych obliczeń fizycznych.",
   "example_en": "Battery design software predicts how atoms will move in a new material without hours of physics calculations.",
   "for_you": [
    "pracujesz z cząsteczkami, kryształami lub białkami w 3D",
    "potrzebujesz szybkiej symulacji ruchu atomów"
   ],
   "for_you_en": [
    "work with molecules, crystals or proteins in 3D",
    "need fast simulations of atomic motion"
   ],
   "how": "Wiadomości zależą od odległości i kierunków między atomami, a cechy wektorowe lub tensorowe obracają się razem z układem. EGNN aktualizuje współrzędne skalarnymi wagami bez kosztownych reprezentacji wyższego rzędu; NequIP i MACE używają harmonik sferycznych i iloczynów tensorowych, budując wiadomości wielociałowe.",
   "how_en": "Messages depend on interatomic distances and directions, and vector or tensor features rotate together with the system. EGNN updates coordinates with scalar weights, avoiding costly higher-order representations; NequIP and MACE use spherical harmonics and tensor products to build many-body messages.",
   "limits": "Iloczyny tensorowe wysokich rzędów są kosztowne. Modele uczone na wynikach DFT dziedziczą błędy tej metody, a poza zakresem treningowym (nowe pierwiastki, warunki) mogą dawać fizycznie błędne siły.",
   "limits_en": "High-order tensor products are expensive. Models trained on DFT outputs inherit that method's errors, and outside their training range (new elements, conditions) they can produce physically wrong forces.",
   "terms": [
    {
     "gloss": "Przekształcenie wejścia zmienia wyjście w ten sam, przewidywalny sposób.",
     "term": "równoważność (equivariance)"
    },
    {
     "gloss": "Funkcje opisujące kierunki w 3D, które ładnie zachowują się przy obrotach.",
     "term": "harmoniki sferyczne"
    },
    {
     "gloss": "Odległość, poza którą atomy nie wymieniają wiadomości.",
     "term": "promień odcięcia"
    }
   ],
   "terms_en": [
    {
     "gloss": "Transforming the input changes the output in the same predictable way.",
     "term": "equivariance"
    },
    {
     "gloss": "Functions describing 3D directions that behave neatly under rotation.",
     "term": "spherical harmonics"
    },
    {
     "gloss": "The distance beyond which atoms exchange no messages.",
     "term": "cutoff radius"
    }
   ],
   "prereq": [
    "linearalgebra",
    "selfattention"
   ],
   "keywords": [
    "EGNN",
    "NequIP",
    "MACE",
    "SchNet",
    "e3nn",
    "SE(3)-Transformer",
    "Allegro",
    "spherical harmonics"
   ],
   "source_ids": [
    "ai4science-survey-2023",
    "mace-2022",
    "egnn-2021"
   ],
   "url": "https://aiatlasgraph.com/t/equivariantgnn",
   "markdown_url": "https://aiatlasgraph.com/t/equivariantgnn.md",
   "updated": "2026-10-30"
  },
  "erroranalysis": {
   "id": "erroranalysis",
   "parent_id": "evaluation",
   "label": "Analiza błędów",
   "canonical_name": "Error analysis",
   "description": "Czytanie prawdziwych śladów działania systemu i układanie z notatek listy sposobów, w jakie zawodzi. Dopiero ta lista mówi, co warto mierzyć.",
   "description_en": "Reading real traces of a system and turning the notes into a list of the ways it fails. Only that list tells you what is worth measuring.",
   "examples": "open coding · axial coding · taksonomia porażek · nasycenie teoretyczne",
   "examples_en": "open coding · axial coding · failure taxonomy · theoretical saturation",
   "plain": "To oglądanie prawdziwych pomyłek systemu i porządkowanie sposobów, w jakie zawodzi.",
   "plain_en": "This examines actual system mistakes and organises the ways it fails.",
   "solves": "Ogólny wynik jakości nie pokazuje, jakie problemy mają użytkownicy ani które pomyłki warto najpierw poprawić.",
   "solves_en": "An overall quality score does not show users' problems or which mistakes should be fixed first.",
   "does": "Czyta przykłady działania, zapisuje rodzaje błędów i łączy podobne przypadki, żeby wybrać potrzebne testy oraz poprawki.",
   "does_en": "It reviews examples, records error types and groups similar cases to select useful tests and fixes.",
   "example": "Przeglądasz nieudane odpowiedzi o dostawach i odkrywasz osobne problemy: złe daty, pominięte wyjątki oraz nieaktualne źródła.",
   "example_en": "You review failed delivery answers and discover separate problems: wrong dates, missed exceptions and outdated sources.",
   "for_you": [
    "znasz wynik testu, ale nie rozumiesz typowych pomyłek",
    "chcesz wybrać poprawki na podstawie rzeczywistych przypadków"
   ],
   "for_you_en": [
    "know a test score but not the recurring mistakes",
    "want fixes guided by actual cases"
   ],
   "how": "Próbkę odpowiedzi i śladów oznacza się według konkretnych trybów awarii. Grupowanie podobnych przypadków oraz porównanie etapów wykonania wskazuje, gdzie powstaje błąd i jak zbudować sprawdzający go test.",
   "how_en": "A sample of answers and traces is labelled by concrete failure modes. Grouping similar cases and comparing execution stages identifies where errors arise and how to build a test for them.",
   "limits": "Wygodna próbka może pominąć rzadkie lub kosztowne awarie. Kategorie wymagają spójnych kryteriów, a sam ślad nie zawsze ujawnia prawdziwą przyczynę.",
   "limits_en": "Convenient samples can omit rare or costly failures. Categories require consistent criteria, and traces do not always reveal the true cause.",
   "terms": [
    {
     "gloss": "Powtarzalny sposób, w jaki system nie spełnia oczekiwanego zachowania.",
     "term": "tryb awarii"
    },
    {
     "gloss": "Zestaw kategorii porządkujących zaobserwowane problemy.",
     "term": "taksonomia błędów"
    }
   ],
   "terms_en": [
    {
     "gloss": "A recurring way a system fails to meet expected behaviour.",
     "term": "failure mode"
    },
    {
     "gloss": "A set of categories organising observed problems.",
     "term": "error taxonomy"
    }
   ],
   "prereq": [
    "evalsets"
   ],
   "keywords": [
    "open coding",
    "axial coding",
    "failure taxonomies",
    "theoretical saturation",
    "trace annotation",
    "root cause analysis"
   ],
   "source_ids": [
    "hamel-evals-faq"
   ],
   "url": "https://aiatlasgraph.com/t/erroranalysis",
   "markdown_url": "https://aiatlasgraph.com/t/erroranalysis.md",
   "updated": "2026-10-30"
  },
  "esscale": {
   "id": "esscale",
   "parent_id": "neuroevolution",
   "label": "Strategie ewolucyjne w trenowaniu sieci i LLM",
   "canonical_name": "Evolution strategies as an alternative to RL",
   "aliases": [
    "evolution strategies for RL",
    "OpenAI-ES",
    "ES fine-tuning",
    "backprop-free fine-tuning",
    "ES dla LLM",
    "strategie ewolucyjne w RL"
   ],
   "description": "Skalowalne strategie ewolucyjne szacujące kierunek poprawy z wyników losowo zaburzonych kopii parametrów, stosowane w RL i dostrajaniu dużych modeli językowych.",
   "description_en": "Scalable evolution strategies estimating an improvement direction from scores of randomly perturbed parameter copies, used in RL and in fine-tuning large language models.",
   "plain": "Sposób trenowania dużych sieci, także modeli językowych, przez losowe zaburzanie wszystkich wag i uśrednianie, co pomogło.",
   "plain_en": "A way to train large networks, including language models, by randomly nudging all weights and averaging what helped.",
   "solves": "Uczenie przez nagrody bywa niestabilne, gdy nagroda przychodzi późno, a model uczy się oszukiwać ocenę.",
   "solves_en": "Reward-based learning can be unstable when rewards arrive late and models learn to game the score.",
   "does": "Tysiące kopii modelu dostają drobne losowe zmiany, każda zgłasza tylko jedną liczbę wyniku, a model przesuwa się w stronę zmian z lepszymi ocenami.",
   "does_en": "Thousands of model copies get small random changes, each reports a single score, and the model moves towards changes that scored better.",
   "example": "Zespół dostraja model językowy do rozwiązywania łamigłówek, oceniając tylko poprawność końcowej odpowiedzi, bez liczenia poprawek dla każdego słowa.",
   "example_en": "A team tunes a language model to solve puzzles, scoring only final-answer correctness, without computing corrections for each word.",
   "for_you": [
    "nagroda w twoim zadaniu pojawia się dopiero na końcu",
    "masz dużo maszyn, ale mało pamięci na każdej"
   ],
   "for_you_en": [
    "get rewards in your task only at the very end",
    "have many machines but little memory on each"
   ],
   "how": "Każdy pracownik dodaje do wag szum gaussowski z ziarna znanego wszystkim, ocenia zaburzoną kopię i przesyła tylko wynik. Ważona suma szumów daje estymatę gradientu wygładzonego celu. Ponieważ ocena dotyczy całego epizodu, nie trzeba dyskontowania ani funkcji wartości.",
   "how_en": "Each worker adds Gaussian noise to the weights from a seed everyone knows, scores the perturbed copy and sends back just the score. A weighted sum of noise estimates the gradient of a smoothed objective. Because scores cover whole episodes, no discounting or value function is needed.",
   "limits": "Wymaga wielu ocen na krok, więc jest mniej wydajne próbkowo niż metody gradientowe, gdy te działają. Wyniki dla dużych modeli językowych są nowe i potwierdzone przez niewiele niezależnych zespołów.",
   "limits_en": "It needs many evaluations per step, so it is less sample-efficient than gradient methods where those work. Results on large language models are recent and confirmed by few independent teams.",
   "terms": [
    {
     "gloss": "Ten sam generator szumu u wszystkich, więc wystarczy przesłać wynik.",
     "term": "wspólne ziarno losowe"
    },
    {
     "gloss": "Średni wynik w pobliżu parametrów, który ES faktycznie optymalizuje.",
     "term": "wygładzony cel"
    }
   ],
   "terms_en": [
    {
     "gloss": "Everyone uses the same noise generator, so only scores travel.",
     "term": "shared random seeds"
    },
    {
     "gloss": "The average score near the parameters, what ES actually optimises.",
     "term": "smoothed objective"
    }
   ],
   "prereq": [
    "policygradient",
    "evostrategies"
   ],
   "keywords": [
    "OpenAI-ES",
    "natural evolution strategies",
    "antithetic sampling",
    "EvoJAX",
    "evosax",
    "ES fine-tuning LLM",
    "reward hacking"
   ],
   "source_ids": [
    "es-rl-2017",
    "es-llm-2025"
   ],
   "url": "https://aiatlasgraph.com/t/esscale",
   "markdown_url": "https://aiatlasgraph.com/t/esscale.md",
   "updated": "2026-10-30"
  },
  "evalharness": {
   "id": "evalharness",
   "parent_id": "evalsets",
   "label": "Frameworki do uruchamiania ewaluacji",
   "canonical_name": "Evaluation harnesses and frameworks",
   "aliases": [
    "eval harness",
    "lm-evaluation-harness",
    "Inspect",
    "evaluation framework"
   ],
   "description": "Narzędzia, które powtarzalnie uruchamiają zbiory testowe na modelu lub agencie — z tymi samymi promptami, ustawieniami, piaskownicą i zapisem logów — żeby wyniki dało się porównać i odtworzyć.",
   "description_en": "Tools that run test sets against a model or agent repeatably — with the same prompts, settings, sandbox and logs — so results can be compared and reproduced.",
   "examples": "zbiór → solver → scorer · powtarzalne ustawienia · piaskownice dla agentów · logi i przegląd wyników",
   "examples_en": "dataset → solver → scorer · repeatable settings · agent sandboxes · logs and result review",
   "plain": "To narzędzia uruchamiające testy modeli w powtarzalny sposób i zapisujące wyniki do porównania.",
   "plain_en": "These tools run model tests repeatably and record results for comparison.",
   "solves": "Ręczne próby łatwo różnią się instrukcjami, ustawieniami i warunkami, przez co nie wiadomo, skąd bierze się zmiana wyniku.",
   "solves_en": "Manual trials easily differ in instructions, settings and conditions, making score changes hard to explain.",
   "does": "Przygotowuje te same zadania i ustawienia, uruchamia model w kontrolowanych warunkach oraz zapisuje odpowiedzi, oceny i przebieg.",
   "does_en": "It prepares shared tasks and settings, runs the model under controlled conditions and records answers, scores and activity.",
   "example": "Po zmianie modelu narzędzie ponownie uruchamia pytania o dostawy i pokazuje, które odpowiedzi oraz kroki różnią się od poprzednich.",
   "example_en": "After a model change, a tool reruns delivery questions and shows which answers and steps differ from the previous version.",
   "for_you": [
    "często porównujesz modele na tych samych zadaniach",
    "chcesz odtwarzać próby i przeglądać ich zapisy"
   ],
   "for_you_en": [
    "often compare models on the same tasks",
    "want to reproduce trials and inspect their records"
   ],
   "how": "Harness wiąże wersję zbioru, konfigurację modelu, prompt i narzędzia z identyfikatorem przebiegu. Uruchamia próby, izoluje ich środowisko i agreguje wyniki wraz ze śladami potrzebnymi do porównania.",
   "how_en": "A harness links dataset versions, model configuration, prompts and tools to a run identifier. It executes trials, isolates their environments and aggregates scores with traces needed for comparison.",
   "limits": "Ta sama konfiguracja nie gwarantuje identycznych wyników modelu lub zewnętrznych usług. Zmiany adapterów, promptów i sandboxa wpływają na porównywalność oraz koszt.",
   "limits_en": "Matching configurations do not guarantee identical model or external-service results. Changes to adapters, prompts and sandboxes affect comparability and cost.",
   "terms": [
    {
     "gloss": "Warstwa tłumacząca wspólny interfejs testu na wywołania konkretnego modelu.",
     "term": "adapter modelu"
    },
    {
     "gloss": "Klucz łączący ustawienia, wyniki i ślady jednej ewaluacji.",
     "term": "identyfikator przebiegu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A layer translating a shared test interface into specific model calls.",
     "term": "model adapter"
    },
    {
     "gloss": "A key linking settings, results and traces for one evaluation.",
     "term": "run identifier"
    }
   ],
   "prereq": [
    "dataversioning",
    "structured"
   ],
   "keywords": [
    "lm-evaluation-harness",
    "Inspect AI",
    "solver-scorer pipelines",
    "model adapters",
    "sandboxed execution",
    "run identifiers"
   ],
   "source_ids": [
    "lm-eval-harness-lessons-2024",
    "inspect-aisi-docs"
   ],
   "url": "https://aiatlasgraph.com/t/evalharness",
   "markdown_url": "https://aiatlasgraph.com/t/evalharness.md",
   "updated": "2026-10-30"
  },
  "evalsets": {
   "id": "evalsets",
   "parent_id": "evaluation",
   "label": "Zbiory testowe i regresje",
   "canonical_name": "Evaluation datasets and regression tests",
   "description": "Powtarzalne sprawdzanie zachowania po zmianach.",
   "description_en": "Repeatable checks on behaviour after changes.",
   "examples": "Test cases · golden sets · ewaluacje w CI",
   "examples_en": "Test cases · golden sets · CI evals",
   "plain": "To zestawy przykładów pozwalające sprawdzać, czy zmiany poprawiają model i nie psują wcześniejszych umiejętności.",
   "plain_en": "These example sets check whether changes improve a model without breaking earlier capabilities.",
   "solves": "Nowa instrukcja lub model może naprawić jeden błąd, a przy okazji zepsuć zadania, które wcześniej działały.",
   "solves_en": "A new instruction or model may fix one error while breaking tasks that previously worked.",
   "does": "Uruchamia te same reprezentatywne i trudne przypadki po zmianach, porównując wyniki z wymaganiami oraz poprzednią wersją.",
   "does_en": "It reruns representative and difficult cases after changes, comparing results with requirements and the previous version.",
   "example": "Po zmianie asystenta sprawdzasz zapisane pytania o zwroty, żeby poprawiona odpowiedź nie zepsuła obsługi wyjątkowych terminów.",
   "example_en": "After changing an assistant, you rerun saved returns questions to ensure the improved response has not broken handling of unusual deadlines.",
   "for_you": [
    "często zmieniasz model lub jego instrukcje",
    "chcesz zachować działanie wcześniej poprawionych przypadków"
   ],
   "for_you_en": [
    "often change a model or its instructions",
    "want previously fixed cases to keep working"
   ],
   "how": "Wersjonowane przypadki definiują wejścia, kontekst i oczekiwane zachowanie systemu. Ta sama procedura wykonania oraz oceny porównuje kolejne wersje, wykrywając zmiany wyników i konkretne regresje.",
   "how_en": "Versioned cases define inputs, context and expected system behaviour. A shared execution and scoring procedure compares versions, detecting outcome changes and specific regressions.",
   "limits": "Zbiór może przestać reprezentować rzeczywiste użycie. Wielokrotne strojenie pod te same przypadki grozi przeuczeniem, więc potrzebne są nowe próbki i oddzielny test końcowy.",
   "limits_en": "A dataset can stop representing actual usage. Repeated tuning against the same cases risks overfitting, requiring fresh samples and a separate final test.",
   "terms": [
    {
     "gloss": "Przypadek sprawdzający, czy wcześniej poprawne zachowanie nadal działa.",
     "term": "test regresyjny"
    },
    {
     "gloss": "Wejście, warunki i kryterium oczekiwanego wyniku jednej próby.",
     "term": "przypadek testowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A case checking whether previously correct behaviour still works.",
     "term": "regression test"
    },
    {
     "gloss": "The input, conditions and expected-outcome criterion for one trial.",
     "term": "test case"
    }
   ],
   "prereq": [
    "splits",
    "hypothesistesting"
   ],
   "keywords": [
    "golden datasets",
    "test cases",
    "CI evaluation",
    "versioned datasets",
    "held-out evaluation",
    "behavioral assertions"
   ],
   "source_ids": [
    "fsdl",
    "agents",
    "cs229",
    "hamel-evals-faq",
    "anthropic-prompt-evals"
   ],
   "url": "https://aiatlasgraph.com/t/evalsets",
   "markdown_url": "https://aiatlasgraph.com/t/evalsets.md",
   "updated": "2026-10-30"
  },
  "evalstats": {
   "id": "evalstats",
   "parent_id": "metrics",
   "label": "Niepewność statystyczna wyników ewaluacji",
   "canonical_name": "Statistical uncertainty in evaluations",
   "aliases": [
    "error bars",
    "słupki błędu",
    "confidence intervals for evals",
    "paired comparison"
   ],
   "description": "Ewaluacja jest eksperymentem na próbce zadań, więc wynik ma niepewność. Bez jej oszacowania mała różnica między modelami może być nieodróżnialna od losowości próbkowania.",
   "description_en": "An evaluation is an experiment on a sample of tasks, so its score is uncertain. Without estimating that uncertainty, a small gap between models may be indistinguishable from sampling variation.",
   "examples": "przedziały ufności · porównania parami na tych samych pytaniach · wielokrotne próby · liczba pytań potrzebna do wniosku",
   "examples_en": "confidence intervals · paired comparison on the same questions · repeated samples · number of questions needed for a conclusion",
   "plain": "To ocenianie, jak niepewne są wyniki testów wykonanych na ograniczonej próbce zadań.",
   "plain_en": "This assesses uncertainty in test results from a limited sample of tasks.",
   "solves": "Mała różnica między modelami może pochodzić z doboru pytań lub losowości odpowiedzi zamiast rzeczywistej przewagi.",
   "solves_en": "A small gap between models may come from question sampling or response randomness rather than a real advantage.",
   "does": "Porównuje te same zadania, powtarza próby i wyznacza zakres niepewności, żeby ocenić, jak stabilny jest zauważony wynik.",
   "does_en": "It compares shared tasks, repeats trials and estimates uncertainty ranges to assess how stable the observed result is.",
   "example": "Model wygrywa na wybranych pytaniach, ale po powtórzeniu prób i zmianie próbki przewaga znika, więc odkładasz wniosek o poprawie.",
   "example_en": "A model wins on selected questions, but repeated trials and a different sample remove the advantage, so you postpone claiming improvement.",
   "for_you": [
    "porównujesz podobne wyniki z niewielu zadań",
    "chcesz wiedzieć, czy zauważona przewaga jest stabilna"
   ],
   "for_you_en": [
    "compare similar scores from few tasks",
    "want to know whether an apparent advantage is stable"
   ],
   "how": "Wynik traktuje się jako estymatę z próbki zadań, a przedziały wyznacza z modelu próbkowania lub bootstrapu. Porównanie modeli na tych samych zadaniach wykorzystuje sparowane różnice i uwzględnia zależności między próbami.",
   "how_en": "Scores are treated as estimates from sampled tasks, with intervals derived from sampling models or bootstrap. Comparing models on the same tasks uses paired differences and accounts for dependencies among trials.",
   "limits": "Przedział nie naprawia niereprezentatywnej próby. Wybór najlepszej wersji spośród wielu testów i zależne zadania mogą zawężać pozorną niepewność, jeśli procedura tego nie uwzględnia.",
   "limits_en": "Intervals cannot repair unrepresentative samples. Selecting the best of many tested versions and dependent tasks can understate uncertainty unless the procedure accounts for them.",
   "terms": [
    {
     "gloss": "Ponowne próbkowanie obserwacji do przybliżania niepewności estymaty.",
     "term": "bootstrap"
    },
    {
     "gloss": "Ocena różnic modeli na tych samych przykładach zamiast oddzielnych próbach.",
     "term": "porównanie sparowane"
    }
   ],
   "terms_en": [
    {
     "gloss": "Resampling observations to approximate estimate uncertainty.",
     "term": "bootstrap"
    },
    {
     "gloss": "Assessing model differences on matching examples rather than separate samples.",
     "term": "paired comparison"
    }
   ],
   "prereq": [
    "hypothesistesting"
   ],
   "keywords": [
    "confidence intervals",
    "bootstrap resampling",
    "paired comparisons",
    "standard error",
    "statistical power",
    "sample size estimation"
   ],
   "source_ids": [
    "miller-error-bars-2024"
   ],
   "url": "https://aiatlasgraph.com/t/evalstats",
   "markdown_url": "https://aiatlasgraph.com/t/evalstats.md",
   "updated": "2026-10-30"
  },
  "evaluation": {
   "id": "evaluation",
   "parent_id": null,
   "label": "Ewaluacja i interpretowalność",
   "canonical_name": "Evaluation and interpretability",
   "description": "Jak sprawdzać jakość i rozumieć ograniczenia modeli oraz systemów.",
   "description_en": "How to check quality and understand the limits of models and systems.",
   "plain": "To sprawdzanie, jak dobrze model działa, gdzie się myli i co można ustalić o jego zachowaniu.",
   "plain_en": "This checks how well a model works, where it makes mistakes and what can be learned about its behaviour.",
   "solves": "Przekonująca odpowiedź lub udany pokaz nie mówi, czy system będzie działał poprawnie w różnych rzeczywistych sytuacjach.",
   "solves_en": "A convincing answer or successful demonstration does not show whether a system will work correctly across real situations.",
   "does": "Łączy testy, analizę błędów, oceny ludzi, obserwację działania i badanie modelu, dobierając miary do zadania oraz jego ryzyka.",
   "does_en": "It combines tests, error analysis, human assessments, operational monitoring and model studies, choosing measures suited to the task and its risks.",
   "example": "Przed użyciem asystenta sprawdzasz typowe i trudne sprawy, a po wdrożeniu oglądasz pomyłki, koszty i zmiany jakości.",
   "example_en": "Before using an assistant, you test ordinary and difficult cases; after deployment, you examine mistakes, costs and changes in quality.",
   "for_you": [
    "chcesz sprawdzić działanie modelu poza udanym pokazem",
    "musisz znać pomyłki, ograniczenia i jakość systemu"
   ],
   "for_you_en": [
    "want to assess a model beyond a successful demonstration",
    "need to understand errors, limits and system quality"
   ],
   "how": "Kontrolowane próby łączą zadania, odpowiedzi referencyjne i reguły oceny z zapisami wykonania modelu. Analiza błędów, niepewności statystycznej oraz interwencje w modelu pozwalają oceniać zachowanie i sprawdzać hipotezy o jego mechanizmie.",
   "how_en": "Controlled trials combine tasks, reference answers and scoring rules with model execution records. Error analysis, statistical uncertainty and model interventions assess behaviour and test hypotheses about its mechanisms.",
   "limits": "Wynik zależy od próby, kryteriów i warunków wykonania. Agregaty ukrywają rzadkie błędy, a czytelne wyjaśnienie nie musi wiernie odtwarzać obliczeń modelu.",
   "limits_en": "Results depend on samples, criteria and execution conditions. Aggregates hide rare failures, and readable explanations may not faithfully represent model computations.",
   "terms": [
    {
     "gloss": "Reguła przekształcająca wyniki prób w porównywalną ocenę.",
     "term": "metryka"
    },
    {
     "gloss": "Sprawdzanie hipotezy lub rozwiązania na danych niezależnych od jego doboru.",
     "term": "walidacja"
    },
    {
     "gloss": "Zgodność wyjaśnienia z rzeczywistym sposobem obliczania predykcji.",
     "term": "wierność wyjaśnienia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule converting trial outcomes into a comparable score.",
     "term": "metric"
    },
    {
     "gloss": "Checking a hypothesis or solution using data independent of its selection.",
     "term": "validation"
    },
    {
     "gloss": "Agreement between an explanation and the actual prediction computation.",
     "term": "explanation faithfulness"
    }
   ],
   "prereq": [
    "probability",
    "supervised"
   ],
   "keywords": [
    "regression evaluation",
    "LLM-as-a-judge",
    "error analysis",
    "confidence intervals",
    "calibration",
    "distribution shift",
    "SHAP",
    "LIME",
    "activation patching",
    "sparse autoencoders",
    "agent benchmarks",
    "execution tracing"
   ],
   "source_ids": [
    "fsdl",
    "agents",
    "cs229",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/evaluation",
   "markdown_url": "https://aiatlasgraph.com/t/evaluation.md",
   "updated": "2026-10-30"
  },
  "eventdriven": {
   "id": "eventdriven",
   "parent_id": "workflows",
   "label": "Architektura zdarzeniowa",
   "canonical_name": "Event-driven AI",
   "description": "Pipeline’y uruchamiane zdarzeniem, nie kliknięciem.",
   "description_en": "Pipelines triggered by events rather than by a click.",
   "examples": "Airflow · kolejki",
   "examples_en": "Airflow · queues",
   "plain": "To uruchamianie pracy asystenta, gdy pojawi się wiadomość, plik lub inna ustalona zmiana.",
   "plain_en": "This starts an assistant's work when a message, file or another specified change arrives.",
   "solves": "Nowe zgłoszenia czekają na obsługę, dopóki ktoś ręcznie nie zauważy ich w systemie.",
   "solves_en": "New requests wait until someone notices them in the system and starts the work by hand.",
   "does": "Sygnał o zmianie trafia do właściwego zadania; kolejka może zachować go, aż system będzie gotowy do pracy.",
   "does_en": "A signal about the change reaches the relevant task; a queue can keep it until the system is ready to work.",
   "example": "Wrzucasz skan rachunku do folderu, a system uruchamia odczytanie danych i przygotowanie wpisu do sprawdzenia.",
   "example_en": "You add a scanned receipt to a folder, and the system starts reading its details and preparing an entry for review.",
   "for_you": [
    "chcesz rozpocząć obsługę, gdy pojawi się nowy plik lub wiadomość",
    "ręcznie uruchamiasz te same czynności po każdej zmianie"
   ],
   "for_you_en": [
    "want work to start when a file or message arrives",
    "start the same actions manually whenever something changes"
   ],
   "how": "Producent publikuje zdarzenie opisujące zmianę, a broker lub kolejka przekazuje je zainteresowanym odbiorcom. Konsument uruchamia odpowiedni etap przetwarzania, zapisuje wynik i może opublikować kolejne zdarzenie.",
   "how_en": "A producer publishes an event describing a change, and a broker or queue delivers it to interested recipients. A consumer starts the relevant processing stage, records its result and can publish another event.",
   "limits": "Duplikaty, zmieniona kolejność i opóźnione dostarczenie zależą od gwarancji transportu. Konsumenci potrzebują idempotencji, zasad ponawiania i kontroli przeciążenia; zdarzenie samo nie zapewnia spójności całego procesu.",
   "limits_en": "Duplicates, reordered events and delivery delays depend on transport guarantees. Consumers need idempotency, retry policies and overload controls; an event alone does not ensure consistency of the entire process.",
   "terms": [
    {
     "gloss": "Komponent publikujący informację o zdarzeniu.",
     "term": "producent"
    },
    {
     "gloss": "Komponent odbierający zdarzenia i wykonujący odpowiednią pracę.",
     "term": "konsument"
    },
    {
     "gloss": "Ograniczanie napływu pracy, gdy odbiorca nie nadąża z przetwarzaniem.",
     "term": "backpressure"
    }
   ],
   "terms_en": [
    {
     "gloss": "A component publishing information about an event.",
     "term": "producer"
    },
    {
     "gloss": "A component receiving events and performing the relevant work.",
     "term": "consumer"
    },
    {
     "gloss": "Restricting incoming work when the recipient cannot process it fast enough.",
     "term": "backpressure"
    }
   ],
   "prereq": [
    "pipelines"
   ],
   "keywords": [
    "message queues",
    "publish-subscribe",
    "Apache Airflow",
    "CloudEvents",
    "event-driven scheduling",
    "backpressure"
   ],
   "courses": [
    {
     "title": "Event-Driven Agentic Document Workflows",
     "url": "https://www.deeplearning.ai/courses/event-driven-agentic-document-workflows"
    },
    {
     "title": "Orchestrating Workflows for GenAI Applications",
     "url": "https://www.deeplearning.ai/courses/orchestrating-workflows-for-genai-applications"
    }
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/eventdriven",
   "markdown_url": "https://aiatlasgraph.com/t/eventdriven.md",
   "updated": "2026-10-30"
  },
  "evobenchmarking": {
   "id": "evobenchmarking",
   "parent_id": "evodesign",
   "label": "Rzetelne porównywanie algorytmów optymalizacji (benchmarki)",
   "canonical_name": "Benchmarking evolutionary and black-box optimisers",
   "aliases": [
    "benchmarking optimizers",
    "black-box optimization benchmarking",
    "porównywanie optymalizatorów",
    "porównywanie metaheurystyk"
   ],
   "description": "Metodyka porównywania optymalizatorów czarnej skrzynki: znormalizowane zestawy funkcji, budżety ocen, miary czasu do celu i testy statystyczne.",
   "description_en": "Methodology for comparing black-box optimisers: standardised function suites, evaluation budgets, time-to-target measures and statistical tests.",
   "plain": "Uczciwe sprawdzanie, który algorytm optymalizacji naprawdę działa lepiej, na wspólnym zestawie zadań i według wspólnych zasad.",
   "plain_en": "Fairly checking which optimisation algorithm really works better, on a shared set of tasks and by shared rules.",
   "solves": "Każdy autor pokazuje swój algorytm na wybranych przez siebie zadaniach, więc wyniki trudno porównać i łatwo przecenić.",
   "solves_en": "Each author shows their algorithm on tasks they picked themselves, so results are hard to compare and easy to overrate.",
   "does": "Jak test zderzeniowy samochodów: wszystkie auta uderzają w tę samą ścianę z tą samą prędkością, więc oceny da się zestawić.",
   "does_en": "Like car crash tests: every car hits the same wall at the same speed, so the scores can be compared.",
   "example": "Zespół wybiera optymalizator do strojenia linii produkcyjnej i najpierw puszcza trzy kandydaty na wspólnym zestawie trudnych funkcji testowych.",
   "example_en": "A team choosing an optimiser for tuning a production line first runs three candidates on a shared set of hard test functions.",
   "for_you": [
    "wybierasz algorytm optymalizacji do realnego zadania",
    "czytasz artykuł z wynikami nowej metody",
    "porównujesz własny algorytm z innymi"
   ],
   "for_you_en": [
    "you are choosing an optimiser for a real task",
    "you read a paper with results for a new method",
    "you compare your own algorithm against others"
   ],
   "how": "Platformy takie jak COCO definiują problem jako instancję funkcji testowej, cele jakościowe oraz czas działania mierzony liczbą wywołań funkcji potrzebną do osiągnięcia kolejnych celów. Wyniki porównuje się w tych samych budżetach, na wielu instancjach i wymiarach, zamiast opierać wniosek na jednym przebiegu lub jednym końcowym rankingu.",
   "how_en": "Platforms such as COCO define a problem as a test-function instance, quality targets and runtime measured by the number of function evaluations needed to reach successive targets. Results are compared under the same budgets across multiple instances and dimensions rather than inferred from a single run or final ranking.",
   "limits": "Funkcje testowe są sztuczne i mogą nie przypominać realnego problemu; algorytmy bywają nadmiernie dostrajane do znanych zestawów. Wyniki zależą od budżetu ocen i wymiaru, więc pojedynczy ranking myli.",
   "limits_en": "Test functions are artificial and may not resemble the real problem; algorithms get over-tuned to known suites. Results depend on evaluation budget and dimension, so a single ranking misleads.",
   "terms": [
    {
     "gloss": "Ile razy wolno policzyć funkcję celu.",
     "term": "budżet ocen"
    },
    {
     "gloss": "Wykres, jaki odsetek zadań rozwiązano po danej liczbie ocen.",
     "term": "ECDF"
    },
    {
     "gloss": "Wersja funkcji testowej przesunięta lub obrócona, by uniknąć sztuczek.",
     "term": "instancja funkcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "How many times the objective may be computed.",
     "term": "evaluation budget"
    },
    {
     "gloss": "A plot of the share of tasks solved after a number of evaluations.",
     "term": "ECDF"
    },
    {
     "gloss": "A shifted or rotated test function variant to prevent tricks.",
     "term": "function instance"
    }
   ],
   "prereq": [
    "evalstats",
    "nofreelunch"
   ],
   "keywords": [
    "COCO",
    "BBOB",
    "CEC benchmark suites",
    "IOHprofiler",
    "Nevergrad",
    "ECDF",
    "expected running time",
    "anytime performance",
    "Wilcoxon test"
   ],
   "source_ids": [
    "hansen-coco-2016"
   ],
   "url": "https://aiatlasgraph.com/t/evobenchmarking",
   "markdown_url": "https://aiatlasgraph.com/t/evobenchmarking.md",
   "updated": "2026-10-30"
  },
  "evoclassic": {
   "id": "evoclassic",
   "parent_id": "evolutionary",
   "label": "Klasyczne algorytmy ewolucyjne",
   "canonical_name": "Classical evolutionary algorithms",
   "aliases": [
    "evolutionary algorithms",
    "EA",
    "klasyczne EA"
   ],
   "description": "Główne rodziny algorytmów ewolucyjnych: genetyczne, strategie ewolucyjne, programowanie genetyczne i ewolucyjna optymalizacja wielokryterialna.",
   "description_en": "The main evolutionary algorithm families: genetic algorithms, evolution strategies, genetic programming and evolutionary multi-objective optimisation.",
   "plain": "Podstawowe przepisy na sztuczną ewolucję: jak zapisać rozwiązanie, jak je oceniać, krzyżować i zmieniać.",
   "plain_en": "The basic recipes of artificial evolution: how to encode a solution, score it, combine it and change it.",
   "solves": "Masz problem z mnóstwem ustawień i żadnej wskazówki, w którą stronę je zmieniać, żeby było lepiej.",
   "solves_en": "You face a problem with countless settings and no hint about which direction makes things better.",
   "does": "Każda rodzina zapisuje rozwiązanie inaczej: jako ciąg znaków, listę liczb albo drzewo instrukcji, i do tego dobiera sposób zmian.",
   "does_en": "Each family encodes solutions differently, as a string, a list of numbers or a tree of instructions, and picks matching ways to change them.",
   "example": "Inżynierowie szukają kształtu anteny, który najlepiej odbiera sygnał; program sprawdza tysiące kształtów w symulacji i rozwija najlepsze.",
   "example_en": "Engineers look for an antenna shape that receives best; software tests thousands of shapes in simulation and develops the best ones.",
   "for_you": [
    "dobierasz wiele parametrów naraz bez wzoru na wynik",
    "twój problem ma kilka sprzecznych celów"
   ],
   "for_you_en": [
    "tune many parameters at once with no formula for the result",
    "face a problem with several conflicting goals"
   ],
   "how": "Wszystkie dzielą pętlę: inicjalizacja populacji, ocena, selekcja rodziców, operatory zmienności i selekcja przeżycia. Różnią się reprezentacją i operatorami: krzyżowanie dominuje w algorytmach genetycznych, mutacja z adaptacją kroku w strategiach ewolucyjnych, operacje na drzewach w programowaniu genetycznym.",
   "how_en": "All share a loop: initialise a population, evaluate, select parents, apply variation operators and select survivors. They differ in representation and operators: crossover dominates genetic algorithms, step-size-adapted mutation drives evolution strategies, and tree operations drive genetic programming.",
   "limits": "Dobór reprezentacji i operatorów wymaga wiedzy o problemie; zły wybór niszczy dobre fragmenty rozwiązań. Twierdzenia o braku darmowego obiadu przypominają, że żaden algorytm nie wygrywa na wszystkich problemach.",
   "limits_en": "Choosing representation and operators needs problem knowledge; poor choices destroy good solution parts. No-free-lunch theorems remind us that no algorithm wins on every problem.",
   "terms": [
    {
     "gloss": "Reguła tworzenia nowych kandydatów: krzyżowanie albo mutacja.",
     "term": "operator zmienności"
    },
    {
     "gloss": "Decyzja, którzy kandydaci przechodzą do następnego pokolenia.",
     "term": "selekcja przeżycia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule for creating new candidates: crossover or mutation.",
     "term": "variation operator"
    },
    {
     "gloss": "Deciding which candidates move on to the next generation.",
     "term": "survivor selection"
    }
   ],
   "prereq": [
    "localsearch",
    "distributions"
   ],
   "keywords": [
    "genetic algorithms",
    "evolution strategies",
    "genetic programming",
    "differential evolution",
    "NSGA-II",
    "CMA-ES",
    "pymoo",
    "DEAP"
   ],
   "source_ids": [
    "gecco2026tracks",
    "pymoo-ga"
   ],
   "url": "https://aiatlasgraph.com/t/evoclassic",
   "markdown_url": "https://aiatlasgraph.com/t/evoclassic.md",
   "updated": "2026-10-30"
  },
  "evocrossover": {
   "id": "evocrossover",
   "parent_id": "evodesign",
   "label": "Krzyżowanie: łączenie cech dwóch rodziców",
   "canonical_name": "Crossover (recombination) operators",
   "aliases": [
    "crossover",
    "recombination",
    "rekombinacja",
    "operator krzyżowania"
   ],
   "description": "Operatory rekombinacji tworzące potomstwo z materiału wielu rodziców, dobierane do reprezentacji: binarnej, rzeczywistej lub permutacyjnej.",
   "description_en": "Recombination operators building offspring from several parents' material, chosen to fit the representation: binary, real-valued or permutation.",
   "plain": "Sposób tworzenia nowego rozwiązania przez połączenie fragmentów dwóch lub więcej dobrych rozwiązań.",
   "plain_en": "A way to make a new solution by combining parts of two or more good solutions.",
   "solves": "Dwa rozwiązania mogą być dobre z różnych powodów, a samo poprawianie każdego osobno nie zbierze ich zalet razem.",
   "solves_en": "Two solutions can be good for different reasons, and improving each separately will not bring their strengths together.",
   "does": "Jak sklejanie najlepszych zwrotek z dwóch wersji piosenki: każda wnosi swoją mocną część do nowego utworu.",
   "does_en": "Like splicing the best verses from two versions of a song: each brings its strong part to the new track.",
   "example": "Program układający grafik pielęgniarek bierze poranne zmiany z jednego dobrego planu i nocne z drugiego, tworząc plan lepszy od obu.",
   "example_en": "A nurse-rostering program takes the morning shifts from one good plan and the night shifts from another, making a plan better than both.",
   "for_you": [
    "dobre rozwiązania twojego problemu mają niezależne części",
    "używasz algorytmu genetycznego na kolejnościach lub trasach",
    "chcesz wiedzieć, kiedy wyłączyć krzyżowanie"
   ],
   "for_you_en": [
    "good solutions to your problem have independent parts",
    "you run a genetic algorithm on orderings or routes",
    "want to know when to switch crossover off"
   ],
   "how": "Dla łańcuchów stosuje się krzyżowanie jedno-, dwupunktowe i równomierne. Dla liczb rzeczywistych można użyć operatorów arytmetycznych albo symulowanego krzyżowania binarnego (SBX), które tworzy potomstwo wokół wartości rodziców. Reprezentacje permutacyjne wymagają osobnych operatorów zachowujących poprawność kolejności.",
   "how_en": "Strings use one-point, two-point and uniform crossover. Real-valued representations can use arithmetic operators or simulated binary crossover (SBX), which generates offspring around parental values. Permutation representations require separate operators that preserve a valid ordering.",
   "limits": "Krzyżowanie pomaga tylko, gdy problem ma łączalne części; inaczej działa jak duża losowa mutacja. Niewłaściwy operator psuje dopuszczalność rozwiązań, a w małych populacjach przyspiesza utratę różnorodności.",
   "limits_en": "Crossover only helps when the problem has combinable parts; otherwise it acts like a large random mutation. A mismatched operator breaks feasibility, and in small populations it speeds up loss of diversity.",
   "terms": [
    {
     "gloss": "Krótkie fragmenty zapisu, które razem dają dobre rozwiązanie.",
     "term": "building blocks"
    },
    {
     "gloss": "Krzyżowanie liczb rzeczywistych naśladujące jednopunktowe krzyżowanie bitów.",
     "term": "SBX"
    },
    {
     "gloss": "Krzyżowania kolejności, które nie powtarzają ani nie gubią elementów.",
     "term": "PMX / OX"
    }
   ],
   "terms_en": [
    {
     "gloss": "Short encoding fragments that together make a good solution.",
     "term": "building blocks"
    },
    {
     "gloss": "Real-valued crossover mimicking one-point crossover on bits.",
     "term": "SBX"
    },
    {
     "gloss": "Ordering crossovers that neither repeat nor lose items.",
     "term": "PMX / OX"
    }
   ],
   "prereq": [
    "geneticalgorithms"
   ],
   "keywords": [
    "one-point crossover",
    "two-point crossover",
    "uniform crossover",
    "SBX",
    "HUX",
    "crossover rate",
    "recombination"
   ],
   "source_ids": [
    "eiben-smith-2015",
    "pymoo-2020"
   ],
   "url": "https://aiatlasgraph.com/t/evocrossover",
   "markdown_url": "https://aiatlasgraph.com/t/evocrossover.md",
   "updated": "2026-10-30"
  },
  "evodesign": {
   "id": "evodesign",
   "parent_id": "evolutionary",
   "label": "Budowa algorytmu ewolucyjnego: reprezentacja, operatory, parametry",
   "canonical_name": "Designing an evolutionary algorithm: representation, operators and parameters",
   "aliases": [
    "EA design",
    "evolutionary algorithm components",
    "genetic operators",
    "operatory genetyczne",
    "projektowanie algorytmu ewolucyjnego"
   ],
   "description": "Komponenty algorytmu ewolucyjnego: reprezentacja, inicjalizacja, selekcja rodziców i przeżycia, operatory zmienności, obsługa ograniczeń, sterowanie parametrami i rzetelne porównania.",
   "description_en": "Components of an evolutionary algorithm: representation, initialisation, parent and survivor selection, variation operators, constraint handling, parameter control and sound comparison.",
   "plain": "Zestaw klocków, z których składa się każdy algorytm ewolucyjny: jak zapisać rozwiązanie, kogo wybrać na rodzica i jak tworzyć potomstwo.",
   "plain_en": "The building blocks of every evolutionary algorithm: how to write down a solution, whom to pick as parents and how to make offspring.",
   "solves": "Gotowy algorytm z biblioteki często nie pasuje do problemu, a zmiana jednej części potrafi zepsuć całe przeszukiwanie.",
   "solves_en": "An off-the-shelf algorithm often does not fit the problem, and changing one part can break the whole search.",
   "does": "Działa jak przepis kucharski rozpisany na etapy: wymieniasz jeden składnik, a resztę zostawiasz, i widzisz, co zmieniło smak.",
   "does_en": "It works like a recipe split into steps: you swap one ingredient, keep the rest, and see what changed the taste.",
   "example": "Planista tras dostaw zamienia losową mutację na zamianę dwóch przystanków miejscami i nagle dostaje krótsze trasy w tym samym czasie.",
   "example_en": "A delivery route planner replaces random mutation with swapping two stops and suddenly gets shorter routes in the same time.",
   "for_you": [
    "piszesz własny algorytm ewolucyjny od zera",
    "gotowy solver utyka na twoim problemie",
    "chcesz rozumieć, co robią ustawienia w bibliotece"
   ],
   "for_you_en": [
    "are writing your own evolutionary algorithm from scratch",
    "an off-the-shelf solver gets stuck on your problem",
    "want to understand what library settings actually do"
   ],
   "how": "Algorytm ewolucyjny to pętla: inicjalizuj populację, oceń przystosowanie, wybierz rodziców, utwórz potomstwo krzyżowaniem i mutacją, wybierz, kto przeżyje, powtórz do kryterium stopu. Każdy krok jest wymiennym modułem, a dobór modułów do reprezentacji problemu decyduje o równowadze eksploracji i eksploatacji.",
   "how_en": "An evolutionary algorithm is a loop: initialise a population, evaluate fitness, select parents, create offspring by recombination and mutation, select survivors, repeat until a stopping criterion. Each step is a swappable module, and matching modules to the problem representation sets the balance between exploration and exploitation.",
   "limits": "Brak uniwersalnie najlepszej konfiguracji: dobre operatory zależą od problemu, a wiele komponentów oddziałuje ze sobą. Strojenie kosztuje dużo ocen funkcji celu, a wnioski z jednego benchmarku słabo się przenoszą.",
   "limits_en": "There is no universally best configuration: good operators depend on the problem and many components interact. Tuning costs many objective evaluations, and conclusions from one benchmark transfer poorly.",
   "terms": [
    {
     "gloss": "Liczba mówiąca, jak dobre jest rozwiązanie według celu.",
     "term": "przystosowanie (fitness)"
    },
    {
     "gloss": "Szukanie w nowych miejscach kontra dopracowywanie obiecujących.",
     "term": "eksploracja vs eksploatacja"
    },
    {
     "gloss": "Reguła tworząca nowe rozwiązania z istniejących: krzyżowanie lub mutacja.",
     "term": "operator zmienności"
    }
   ],
   "terms_en": [
    {
     "gloss": "A number saying how good a solution is with respect to the goal.",
     "term": "fitness"
    },
    {
     "gloss": "Searching new regions versus refining promising ones.",
     "term": "exploration vs exploitation"
    },
    {
     "gloss": "A rule creating new solutions from existing ones: crossover or mutation.",
     "term": "variation operator"
    }
   ],
   "prereq": [
    "mathoptimization"
   ],
   "keywords": [
    "DEAP",
    "pymoo",
    "EvoTorch",
    "evosax",
    "Nevergrad",
    "tournament selection",
    "SBX crossover",
    "polynomial mutation",
    "elitism",
    "steady-state GA",
    "penalty function",
    "self-adaptation",
    "irace",
    "COCO BBOB"
   ],
   "source_ids": [
    "eiben-smith-2015",
    "pymoo-2020"
   ],
   "url": "https://aiatlasgraph.com/t/evodesign",
   "markdown_url": "https://aiatlasgraph.com/t/evodesign.md",
   "updated": "2026-10-30"
  },
  "evolutionary": {
   "id": "evolutionary",
   "parent_id": null,
   "label": "Obliczenia ewolucyjne i inteligencja roju",
   "canonical_name": "Evolutionary computation and swarm intelligence",
   "aliases": [
    "evolutionary computation",
    "evolutionary algorithms",
    "nature-inspired optimization",
    "metaheuristics",
    "algorytmy ewolucyjne",
    "obliczenia ewolucyjne",
    "metaheurystyki"
   ],
   "description": "Populacyjne metody optymalizacji i przeszukiwania inspirowane ewolucją i zachowaniami zbiorowymi, działające bez gradientu, tylko na ocenach kandydatów.",
   "description_en": "Population-based optimisation and search methods inspired by evolution and collective behaviour, working without gradients, only on candidate scores.",
   "plain": "Rodzina metod, które szukają dobrych rozwiązań jak natura: tworzą wiele wariantów, sprawdzają je i rozwijają najlepsze.",
   "plain_en": "A family of methods that search for good solutions the way nature does: make many variants, test them, build on the best.",
   "solves": "Wiele problemów nie ma wzoru na rozwiązanie, a sprawdzenie wszystkich możliwości zajęłoby wieki.",
   "solves_en": "Many problems have no formula for the answer, and checking every possibility would take ages.",
   "does": "Działa jak hodowca: z każdego pokolenia zostawia najlepsze osobniki, krzyżuje je i lekko zmienia, aż potomstwo jest coraz lepsze.",
   "does_en": "It works like a breeder: keep the best of each generation, cross them, change them slightly, and offspring keep improving.",
   "example": "Firma kurierska co noc układa trasy setek aut; program próbuje tysięcy wariantów i zachowuje te, które skracają przejazdy.",
   "example_en": "A courier firm plans routes for hundreds of vans every night; software tries thousands of variants and keeps those that shorten trips.",
   "for_you": [
    "umiesz ocenić rozwiązanie, ale nie wiesz, jak je wyprowadzić",
    "szukasz kilku różnych dobrych wariantów, nie jednego",
    "chcesz, by program sam wymyślał i ulepszał kod"
   ],
   "for_you_en": [
    "can score a solution but cannot derive one",
    "want several different good options, not just one",
    "want software that invents and improves code by itself"
   ],
   "how": "Algorytm utrzymuje populację kandydatów, ocenia je funkcją przystosowania i tworzy następne pokolenie przez selekcję, krzyżowanie i mutację albo przez ruch w roju. Rodziny różnią się reprezentacją: ciągi bitów, wektory liczb, drzewa programów, sieci neuronowe, a ostatnio kod generowany przez modele językowe.",
   "how_en": "The algorithm keeps a population of candidates, scores them with a fitness function and builds the next generation through selection, recombination and mutation, or swarm movement. Families differ in representation: bit strings, real vectors, program trees, neural networks and, recently, code generated by language models.",
   "limits": "Potrzebuje wielu ocen kandydatów, więc kosztowna ewaluacja szybko dominuje. Brak gwarancji znalezienia optimum, wyniki zależą od reprezentacji, operatorów i parametrów; przy gładkich, różniczkowalnych problemach metody gradientowe są zwykle szybsze.",
   "limits_en": "It needs many candidate evaluations, so expensive scoring quickly dominates. There is no guarantee of the optimum; results depend on representation, operators and parameters. On smooth differentiable problems gradient methods are usually faster.",
   "terms": [
    {
     "gloss": "Zbiór kandydatów rozwijanych równolegle w kolejnych pokoleniach.",
     "term": "populacja"
    },
    {
     "gloss": "Ocena mówiąca, jak dobre jest dane rozwiązanie.",
     "term": "funkcja przystosowania (fitness)"
    },
    {
     "gloss": "Szukanie najlepszych ustawień, gdy znamy tylko wynik, nie wzór.",
     "term": "optymalizacja czarnej skrzynki"
    }
   ],
   "terms_en": [
    {
     "gloss": "A set of candidates developed in parallel across generations.",
     "term": "population"
    },
    {
     "gloss": "A score saying how good a given solution is.",
     "term": "fitness function"
    },
    {
     "gloss": "Searching for best settings when only the outcome, not the formula, is known.",
     "term": "black-box optimisation"
    }
   ],
   "keywords": [
    "genetic algorithms",
    "CMA-ES",
    "genetic programming",
    "NSGA-II",
    "particle swarm optimization",
    "ant colony optimization",
    "differential evolution",
    "MAP-Elites",
    "novelty search",
    "NEAT",
    "evolution strategies",
    "AlphaEvolve",
    "FunSearch",
    "pymoo",
    "DEAP"
   ],
   "source_ids": [
    "gecco2026tracks",
    "evo-llm-survey-2024",
    "neuroevolution-review-2019"
   ],
   "url": "https://aiatlasgraph.com/t/evolutionary",
   "markdown_url": "https://aiatlasgraph.com/t/evolutionary.md",
   "updated": "2026-10-30"
  },
  "evolutionarymerge": {
   "id": "evolutionarymerge",
   "parent_id": "merging",
   "label": "Ewolucyjne łączenie modeli",
   "canonical_name": "Evolutionary model merging",
   "aliases": [
    "evolutionary model merge",
    "merge recipe search",
    "layer stacking"
   ],
   "description": "Algorytm ewolucyjny przeszukuje możliwe proporcje wag lub sposoby składania warstw zamiast polegać na jednym ręcznie dobranym przepisie. W pracy źródłowej pokazano również łączenie modeli wyspecjalizowanych w różnych dziedzinach.",
   "description_en": "An evolutionary algorithm searches weight mixtures or layer compositions instead of relying on one hand-designed recipe. The source paper also demonstrates merging models specialised in different domains.",
   "examples": "ewolucja w przestrzeni wag · składanie warstw z różnych modeli · łączenie międzydziedzinowe",
   "examples_en": "evolution in weight space · stacking layers from different models · cross-domain merging",
   "plain": "To automatyczne szukanie dobrego przepisu na połączenie modeli przez kolejne próby i wybór lepszych wariantów.",
   "plain_en": "This automatically searches for a useful model-merging recipe through successive trials and selection of better variants.",
   "solves": "Możliwych proporcji i układów modeli jest zbyt wiele, żeby ręcznie sprawdzić każdy przepis.",
   "solves_en": "There are too many possible model proportions and arrangements to check every recipe by hand.",
   "does": "Algorytm zmienia przepisy łączenia, ocenia powstałe modele i rozwija lepiej wypadające kombinacje, podobnie do selekcji kolejnych pokoleń.",
   "does_en": "An algorithm varies merging recipes, evaluates the resulting models and develops stronger combinations, like selection across successive generations.",
   "example": "Program próbuje różnych proporcji zgodnych wariantów i wybiera te, które lepiej radzą sobie z przygotowanymi zadaniami.",
   "example_en": "Software tries different proportions of compatible variants and selects those performing better on prepared tasks.",
   "for_you": [
    "chcesz przeszukać wiele sposobów łączenia",
    "masz testy pozwalające porównywać powstałe modele"
   ],
   "for_you_en": [
    "want to explore many merging recipes",
    "have tests for comparing the resulting models"
   ],
   "how": "Populacja receptur określa współczynniki parametrów lub układ warstw pochodzących z różnych checkpointów. Ewaluacja nadaje fitness, a selekcja i mutacje tworzą kolejne kandydaty, przeszukując przestrzeń scalania bez zwykłej aktualizacji gradientowej wag.",
   "how_en": "A recipe population specifies parameter coefficients or layer arrangements from different checkpoints. Evaluation assigns fitness, and selection plus mutations creates successive candidates, searching merge spaces without ordinary gradient-based weight updates.",
   "limits": "Ocena wielu kandydatów może być kosztowna i przeuczać zestaw selekcyjny. Przestrzeń receptur ogranicza wynik; zgodność architektur i niezależne testy pozostają konieczne.",
   "limits_en": "Evaluating many candidates can be expensive and overfit selection sets. Recipe spaces constrain outcomes; architecture compatibility and independent tests remain necessary.",
   "terms": [
    {
     "gloss": "Wynik oceniający przydatność kandydata według celu przeszukiwania.",
     "term": "fitness"
    },
    {
     "gloss": "Zmiana sposobu łączenia parametrów lub warstw w kandydacie.",
     "term": "mutacja receptury"
    }
   ],
   "terms_en": [
    {
     "gloss": "A score assessing candidate suitability under the search objective.",
     "term": "fitness"
    },
    {
     "gloss": "Changing how a candidate combines parameters or layers.",
     "term": "recipe mutation"
    }
   ],
   "prereq": [
    "localsearch",
    "evalsets"
   ],
   "keywords": [
    "Evolutionary Model Merge",
    "CMA-ES",
    "mergekit-evolve",
    "data flow space merging",
    "parameter space merging"
   ],
   "source_ids": [
    "sakana-evomerge-2024"
   ],
   "url": "https://aiatlasgraph.com/t/evolutionarymerge",
   "markdown_url": "https://aiatlasgraph.com/t/evolutionarymerge.md",
   "updated": "2026-10-30"
  },
  "evomutation": {
   "id": "evomutation",
   "parent_id": "evodesign",
   "label": "Mutacja: drobne losowe zmiany rozwiązania",
   "canonical_name": "Mutation operators",
   "aliases": [
    "mutation",
    "mutation operator",
    "mutacja",
    "operator mutacji"
   ],
   "description": "Jednoargumentowe operatory zmienności wprowadzające losowe zaburzenia osobnika; zapewniają eksplorację i osiągalność całej przestrzeni.",
   "description_en": "Unary variation operators adding random perturbations to an individual; they provide exploration and reachability of the whole space.",
   "plain": "Niewielka przypadkowa zmiana w rozwiązaniu, dzięki której algorytm sprawdza coś nowego zamiast tylko mieszać to, co już ma.",
   "plain_en": "A small random change to a solution, so the algorithm tries something new instead of only reshuffling what it has.",
   "solves": "Bez świeżych zmian populacja kręci się w kółko wokół tych samych pomysłów i nie znajdzie lepszych.",
   "solves_en": "Without fresh changes the population circles the same ideas and never finds better ones.",
   "does": "Jak kucharz, który przy każdym gotowaniu lekko zmienia jedną przyprawę: zwykle niewiele to zmienia, czasem odkrywa nowy smak.",
   "does_en": "Like a cook who slightly changes one spice every time: usually little changes, sometimes a new flavour is found.",
   "example": "Projektant anteny w symulatorze lekko wydłuża jedno ramię i sprawdza, czy zasięg się poprawił; setki takich prób dają nietypowy kształt.",
   "example_en": "An antenna designer in a simulator slightly lengthens one arm and checks whether range improved; hundreds of such trials give an unusual shape.",
   "for_you": [
    "algorytm utyka w jednym miejscu",
    "nie wiesz, jak mocno zmieniać rozwiązania",
    "optymalizujesz liczby, bity albo kolejność"
   ],
   "for_you_en": [
    "your algorithm gets stuck in one place",
    "you are unsure how strongly to change solutions",
    "you optimise numbers, bits or orderings"
   ],
   "how": "Dla bitów mutacja odwraca wybrane pozycje z małym prawdopodobieństwem. Dla liczb rzeczywistych stosuje się losowe zaburzenia, m.in. mutację wielomianową zależną od zakresu zmiennej. Reprezentacje permutacyjne wymagają zmian zachowujących poprawną permutację, a siłę mutacji można adaptować podczas przebiegu.",
   "how_en": "For bit strings, mutation flips selected positions with a small probability. Real-valued representations use random perturbations, including polynomial mutation scaled to the variable range. Permutation representations require changes that preserve a valid permutation, and mutation strength can be adapted during the run.",
   "limits": "Zbyt mała mutacja grzęźnie w optimum lokalnym, zbyt duża zamienia algorytm w losowe szukanie. Optymalna siła zmienia się w trakcie przebiegu i zależy od skali zmiennych.",
   "limits_en": "Too little mutation stalls in a local optimum; too much turns the algorithm into random search. The best strength changes during the run and depends on variable scaling.",
   "terms": [
    {
     "gloss": "Prawdopodobieństwo zmiany pojedynczego genu.",
     "term": "współczynnik mutacji"
    },
    {
     "gloss": "Zaburzenie liczby rzeczywistej, zwykle małe, rzadko duże.",
     "term": "mutacja wielomianowa"
    },
    {
     "gloss": "Jak daleko od rodzica trafia potomek.",
     "term": "krok mutacji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Probability of changing a single gene.",
     "term": "mutation rate"
    },
    {
     "gloss": "A real-value perturbation that is usually small, rarely large.",
     "term": "polynomial mutation"
    },
    {
     "gloss": "How far from the parent an offspring lands.",
     "term": "mutation step size"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "bit-flip mutation",
    "polynomial mutation",
    "mutation rate",
    "step-size adaptation",
    "variation operator"
   ],
   "source_ids": [
    "eiben-smith-2015",
    "pymoo-2020"
   ],
   "url": "https://aiatlasgraph.com/t/evomutation",
   "markdown_url": "https://aiatlasgraph.com/t/evomutation.md",
   "updated": "2026-10-30"
  },
  "evonas": {
   "id": "evonas",
   "parent_id": "neuroevolution",
   "label": "Ewolucyjne projektowanie architektur sieci (NAS)",
   "canonical_name": "Evolutionary neural architecture search",
   "aliases": [
    "evolutionary NAS",
    "evolutionary neural architecture search",
    "neuroevolutionary architecture search",
    "ewolucyjne projektowanie architektur sieci"
   ],
   "description": "Przeszukiwanie przestrzeni architektur sieci neuronowych algorytmem ewolucyjnym, w którym przystosowaniem jest jakość wytrenowanego kandydata.",
   "description_en": "Searching neural architecture space with an evolutionary algorithm whose fitness is the quality of the trained candidate.",
   "plain": "Program sam wymyśla układ warstw sieci neuronowej, hodując kolejne pokolenia projektów i zachowując te, które uczą się najlepiej.",
   "plain_en": "Software designs the layer layout of a neural network itself, breeding generations of designs and keeping those that learn best.",
   "solves": "Projektowanie architektury sieci ręcznie to miesiące prób eksperta, a możliwych układów są miliardy.",
   "solves_en": "Hand-designing a network architecture takes an expert months of trial, and there are billions of possible layouts.",
   "does": "Każdy projekt to przepis na sieć; z kilku losowo wybranych bierze się najlepszy, zmienia jeden element i trenuje, a najstarsze projekty odchodzą.",
   "does_en": "Each design is a network recipe; the best of a few random picks gets one element changed and is trained, while the oldest designs retire.",
   "example": "Zespół potrzebuje sieci rozpoznającej zdjęcia na telefonie; automat wypróbowuje tysiące układów i zwraca mały, celny model.",
   "example_en": "A team needs a photo-recognition network for phones; the automated search tries thousands of layouts and returns a small, accurate model.",
   "for_you": [
    "szukasz architektury sieci pod konkretne zadanie i sprzęt",
    "masz dużo mocy obliczeniowej, a mało czasu eksperta"
   ],
   "for_you_en": [
    "need a network architecture for a specific task and device",
    "have lots of compute but little expert time"
   ],
   "how": "Architektura jest kodowana jako komórki z operacjami i połączeniami. W ewolucji regularyzowanej z populacji losuje się próbkę, najlepszy jej członek dostaje jedną mutację operacji lub połączenia, potomek jest trenowany i dodawany, a usuwa się najstarszego, nie najgorszego. Starzenie zmniejsza wpływ szczęśliwych, zaszumionych ocen i działa asynchronicznie na wielu maszynach.",
   "how_en": "An architecture is encoded as cells of operations and connections. In regularised evolution a sample is drawn from the population, its best member gets one operation or connection mutation, the child is trained and added, and the oldest, not the worst, is removed. Ageing reduces the effect of lucky noisy scores and runs asynchronously across many machines.",
   "limits": "Każda ocena oznacza trenowanie sieci, więc pełne przeszukiwanie pochłania ogromne zasoby; stosuje się skróty, np. krótsze trenowanie lub współdzielenie wag. Wynik zależy od zaprojektowanej ręcznie przestrzeni poszukiwań, a starannie dobrany losowy wybór bywa trudnym przeciwnikiem.",
   "limits_en": "Each evaluation means training a network, so full search consumes huge resources; shortcuts such as shorter training or weight sharing are used. Results depend on a hand-designed search space, and well-tuned random search is a tough baseline.",
   "terms": [
    {
     "gloss": "Zbiór dozwolonych operacji i połączeń, z których składa się architekturę.",
     "term": "przestrzeń poszukiwań"
    },
    {
     "gloss": "Usuwanie najstarszych modeli zamiast najgorszych.",
     "term": "ewolucja ze starzeniem"
    },
    {
     "gloss": "Powtarzalny blok sieci, którego budowę się przeszukuje.",
     "term": "komórka"
    }
   ],
   "terms_en": [
    {
     "gloss": "The allowed operations and connections an architecture is built from.",
     "term": "search space"
    },
    {
     "gloss": "Removing the oldest models instead of the worst.",
     "term": "ageing evolution"
    },
    {
     "gloss": "A repeated network block whose structure is searched.",
     "term": "cell"
    }
   ],
   "prereq": [
    "cnnarchs",
    "automl"
   ],
   "keywords": [
    "regularized evolution",
    "aging evolution",
    "AmoebaNet",
    "NASNet search space",
    "NAS-Bench-101",
    "weight sharing",
    "multi-objective NAS",
    "Optuna"
   ],
   "source_ids": [
    "regularized-evolution-2019"
   ],
   "url": "https://aiatlasgraph.com/t/evonas",
   "markdown_url": "https://aiatlasgraph.com/t/evonas.md",
   "updated": "2026-10-30"
  },
  "evoprompt": {
   "id": "evoprompt",
   "parent_id": "llmevolution",
   "label": "Ewolucyjne ulepszanie poleceń dla modeli językowych",
   "canonical_name": "Evolutionary prompt optimisation",
   "aliases": [
    "evolutionary prompt optimization",
    "reflective prompt evolution",
    "prompt evolution",
    "ewolucyjna optymalizacja promptów",
    "ewolucja promptów"
   ],
   "description": "Optymalizacja tekstu promptów algorytmem ewolucyjnym, w którym model językowy wykonuje mutacje i krzyżowanie, a selekcja opiera się na wyniku na zbiorze walidacyjnym.",
   "description_en": "Optimising prompt text with an evolutionary algorithm where a language model performs mutation and crossover and selection uses validation scores.",
   "plain": "Program hoduje kolejne wersje polecenia dla modelu językowego, sprawdza je na przykładach i rozwija te, które dają najlepsze odpowiedzi.",
   "plain_en": "Software breeds new versions of an instruction for a language model, tests them on examples and develops those that get the best answers.",
   "solves": "Dopracowywanie poleceń dla modelu metodą prób i błędów trwa godzinami, a drobna zmiana słów potrafi mocno zmienić wyniki.",
   "solves_en": "Polishing instructions for a model by trial and error takes hours, and a small wording change can swing results a lot.",
   "does": "Sam model pełni rolę hodowcy: miesza dwa dobre polecenia, przeredagowuje je albo czyta zapis błędów i pisze poprawioną wersję.",
   "does_en": "The model itself acts as the breeder: it mixes two good instructions, rewrites them, or reads an error log and writes a fixed version.",
   "example": "Sklep internetowy używa asystenta do klasyfikowania reklamacji; nocny proces próbuje dziesiątek wersji instrukcji i rano wdraża tę, która myli się najrzadziej.",
   "example_en": "An online shop uses an assistant to sort complaints; an overnight job tries dozens of instruction versions and deploys the one that errs least.",
   "for_you": [
    "piszesz polecenia dla modelu i chcesz je mierzalnie poprawić",
    "masz kilkadziesiąt przykładów z dobrą odpowiedzią"
   ],
   "for_you_en": [
    "write model instructions and want measurable gains",
    "have a few dozen examples with correct answers"
   ],
   "how": "Populacja promptów jest oceniana na zbiorze przykładów. Model generuje potomków przez operatory w stylu algorytmu genetycznego lub ewolucji różnicowej, a niektóre metody ewoluują też same polecenia mutujące. Mutacja refleksyjna analizuje ślady wykonania i informację zwrotną oceniającego, a selekcja paretowska zachowuje kandydatów najlepszych choć na jednym przykładzie.",
   "how_en": "A population of prompts is scored on an example set. The model generates offspring with genetic-algorithm or differential-evolution style operators, and some methods also evolve the mutation instructions themselves. Reflective mutation reads execution traces and evaluator feedback, and Pareto selection keeps candidates best on at least one example.",
   "limits": "Wymaga zbioru przykładów z wiarygodną oceną i wielu wywołań modelu. Polecenie może przeuczyć się do małego zbioru, a zysk często nie przenosi się na inny model ani na zmienione dane.",
   "limits_en": "It needs an example set with reliable scoring and many model calls. A prompt can overfit a small set, and gains often do not carry over to another model or shifted data.",
   "terms": [
    {
     "gloss": "Model czyta zapis porażki i na tej podstawie poprawia polecenie.",
     "term": "mutacja refleksyjna"
    },
    {
     "gloss": "Instrukcja mówiąca modelowi, jak zmienić inne polecenie.",
     "term": "prompt mutujący"
    },
    {
     "gloss": "Przykłady z odpowiedziami, na których mierzy się jakość polecenia.",
     "term": "zbiór walidacyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "The model reads a failure trace and improves the instruction from it.",
     "term": "reflective mutation"
    },
    {
     "gloss": "An instruction telling the model how to change another prompt.",
     "term": "mutation prompt"
    },
    {
     "gloss": "Examples with answers used to measure prompt quality.",
     "term": "validation set"
    }
   ],
   "prereq": [
    "promptopt"
   ],
   "keywords": [
    "EvoPrompt",
    "Promptbreeder",
    "GEPA",
    "DSPy",
    "MIPROv2",
    "OPRO",
    "reflective mutation",
    "Pareto selection"
   ],
   "source_ids": [
    "gepa-2025",
    "promptbreeder-2023"
   ],
   "url": "https://aiatlasgraph.com/t/evoprompt",
   "markdown_url": "https://aiatlasgraph.com/t/evoprompt.md",
   "updated": "2026-10-30"
  },
  "evorepresentation": {
   "id": "evorepresentation",
   "parent_id": "evodesign",
   "label": "Reprezentacja osobnika (kodowanie binarne, liczbowe, permutacje, drzewa)",
   "canonical_name": "Solution representation in evolutionary algorithms",
   "aliases": [
    "representation",
    "encoding",
    "genotype-phenotype mapping",
    "kodowanie osobnika",
    "genotyp i fenotyp"
   ],
   "description": "Odwzorowanie genotyp–fenotyp: wybór struktury danych dla kandydatów, który określa przestrzeń przeszukiwania i dopuszczalne operatory.",
   "description_en": "The genotype–phenotype mapping: choosing a data structure for candidates that defines the search space and admissible operators.",
   "plain": "Sposób zapisania kandydata na rozwiązanie tak, żeby algorytm mógł go kopiować i zmieniać: jako ciąg bitów, liczb, kolejność albo drzewo.",
   "plain_en": "The way a candidate solution is written down so the algorithm can copy and change it: as bits, numbers, an ordering or a tree.",
   "solves": "Źle zapisany problem sprawia, że drobna zmiana zapisu daje zupełnie inne, często bezsensowne rozwiązanie.",
   "solves_en": "A badly encoded problem means a tiny change in the code gives a completely different, often meaningless solution.",
   "does": "Jak wybór alfabetu do zapisu przepisu: z dobrym alfabetem drobna literówka daje podobne danie, ze złym niejadalne.",
   "does_en": "Like choosing the alphabet for a recipe: with a good one a typo yields a similar dish, with a bad one an inedible mess.",
   "example": "Plan lekcji zapisany jako kolejność zajęć zamiast listy godzin: każda zmiana nadal daje poprawny plan bez nakładających się sal.",
   "example_en": "A school timetable stored as an order of classes instead of a list of hours: every change still gives a valid plan with no room clashes.",
   "for_you": [
    "twój problem to kolejność, harmonogram albo trasa",
    "algorytm generuje dużo niepoprawnych rozwiązań",
    "łączysz liczby całkowite i rzeczywiste w jednym zadaniu"
   ],
   "for_you_en": [
    "your problem is an ordering, schedule or route",
    "the algorithm produces many invalid solutions",
    "you mix integers and real numbers in one task"
   ],
   "how": "Typowe kodowania to łańcuchy binarne (np. z kodem Graya), wektory rzeczywiste, permutacje dla problemów kolejności, drzewa lub grafy dla programów oraz klucze losowe dekodowane do permutacji. Dobra reprezentacja zachowuje lokalność: małe zmiany genotypu dają małe zmiany fenotypu i jakości.",
   "how_en": "Typical encodings are bit strings (e.g. with Gray code), real vectors, permutations for ordering problems, trees or graphs for programs, and random keys decoded into permutations. A good representation preserves locality: small genotype changes give small phenotype and fitness changes.",
   "limits": "Reprezentacja i operatory muszą pasować do siebie; zwykłe krzyżowanie na permutacjach tworzy duplikaty. Pośrednie kodowania z dekoderem bywają redundantne i trudne do analizy, a kodowanie binarne liczb rzeczywistych wprowadza skoki wartości.",
   "limits_en": "Representation and operators must match; plain crossover on permutations creates duplicates. Indirect encodings with decoders can be redundant and hard to analyse, and binary encoding of reals introduces value jumps.",
   "terms": [
    {
     "gloss": "Zapis rozwiązania, na którym działają operatory.",
     "term": "genotyp"
    },
    {
     "gloss": "Rzeczywiste rozwiązanie odczytane z genotypu i oceniane.",
     "term": "fenotyp"
    },
    {
     "gloss": "Liczby rzeczywiste, których posortowanie daje kolejność elementów.",
     "term": "random keys"
    }
   ],
   "terms_en": [
    {
     "gloss": "The encoding of a solution that operators act on.",
     "term": "genotype"
    },
    {
     "gloss": "The actual solution decoded from the genotype and evaluated.",
     "term": "phenotype"
    },
    {
     "gloss": "Real numbers whose sorting yields an ordering of items.",
     "term": "random keys"
    }
   ],
   "keywords": [
    "binary encoding",
    "Gray code",
    "real-valued encoding",
    "permutation encoding",
    "random-key GA",
    "BRKGA",
    "tree representation",
    "indirect encoding",
    "locality"
   ],
   "source_ids": [
    "eiben-smith-2015",
    "pymoo-2020"
   ],
   "url": "https://aiatlasgraph.com/t/evorepresentation",
   "markdown_url": "https://aiatlasgraph.com/t/evorepresentation.md",
   "updated": "2026-10-30"
  },
  "evorobotics": {
   "id": "evorobotics",
   "parent_id": "artificiallife",
   "label": "Robotyka ewolucyjna (ewolucja sterowania i budowy robotów)",
   "canonical_name": "Evolutionary robotics",
   "aliases": [
    "evolutionary robotics",
    "ER",
    "robotyka ewolucyjna"
   ],
   "description": "Zastosowanie algorytmów ewolucyjnych do projektowania sterowników, morfologii lub obu naraz u robotów fizycznych i symulowanych, także jako narzędzie badań nad ewolucją.",
   "description_en": "Applying evolutionary algorithms to design controllers, morphologies or both for physical and simulated robots, also as a tool for studying evolution.",
   "plain": "Projektowanie robotów metodą ewolucji: komputer hoduje i testuje wiele wersji sterowania, a czasem całego ciała robota, i zostawia najlepsze.",
   "plain_en": "Designing robots by evolution: a computer breeds and tests many versions of a robot's controller, sometimes its whole body, and keeps the best.",
   "solves": "Trudno ręcznie zaprojektować ruch i kształt robota tak, by dobrze ze sobą współgrały w nieprzewidywalnym otoczeniu.",
   "solves_en": "It is hard to hand-design a robot's motion and shape so they work well together in an unpredictable environment.",
   "does": "Jak hodowla psich ras, tylko w przyspieszeniu: z każdym pokoleniem roboty lepiej chodzą, pływają albo chwytają.",
   "does_en": "Like breeding dog breeds, only sped up: with every generation the robots walk, swim or grab better.",
   "example": "W symulatorze powstają dziwaczne stworki z klocków, które z pokolenia na pokolenie uczą się pełzać coraz szybciej.",
   "example_en": "In a simulator odd block creatures appear that learn to crawl faster with every generation.",
   "for_you": [
    "budujesz roboty i nie wiesz, jaki kształt wybrać",
    "chcesz, by robot sam przystosował się do uszkodzeń",
    "interesuje cię łączenie ciała i „mózgu” maszyny"
   ],
   "for_you_en": [
    "you build robots and do not know which shape to choose",
    "want a robot to adapt to damage on its own",
    "are interested in combining a machine's body and “brain”"
   ],
   "how": "Populacja kandydatów, zwykle sieci neuronowe sterujące lub opisy budowy ciała, jest oceniana w symulacji lub na prawdziwym robocie według zachowania, np. przebytego dystansu. Selekcja i zmienność ulepszają całego robota naraz, wykorzystując współgrę ciała i sterowania; metody różnorodności dają repertuar zachowań na wypadek uszkodzeń.",
   "how_en": "A population of candidates, usually neural controllers or body descriptions, is evaluated in simulation or on a real robot by behaviour, e.g. distance travelled. Selection and variation improve the whole robot at once, exploiting body–controller interplay; diversity methods give a repertoire of behaviours for damage recovery.",
   "limits": "Ocena na fizycznych robotach jest powolna i zużywa sprzęt, a rozwiązania z symulacji często zawodzą w rzeczywistości. Zaprojektowanie funkcji przystosowania, która nagradza pożądane zachowanie bez obejść, jest trudne.",
   "limits_en": "Evaluating on physical robots is slow and wears hardware, and solutions from simulation often fail in reality. Designing a fitness function that rewards the desired behaviour without exploits is hard.",
   "terms": [
    {
     "gloss": "Budowa ciała robota: kształt, człony, położenie siłowników.",
     "term": "morfologia"
    },
    {
     "gloss": "Różnica między zachowaniem w symulacji a w realnym świecie.",
     "term": "luka rzeczywistości (reality gap)"
    },
    {
     "gloss": "Program lub sieć decydująca, jak robot porusza się w każdej chwili.",
     "term": "sterownik"
    }
   ],
   "terms_en": [
    {
     "gloss": "A robot's body plan: shape, segments, actuator placement.",
     "term": "morphology"
    },
    {
     "gloss": "The difference between behaviour in simulation and the real world.",
     "term": "reality gap"
    },
    {
     "gloss": "Program or network deciding how the robot moves at each moment.",
     "term": "controller"
    }
   ],
   "prereq": [
    "geneticalgorithms"
   ],
   "keywords": [
    "evolving virtual creatures",
    "body-brain coevolution",
    "reality gap",
    "soft robots",
    "Evogym",
    "neuroevolution",
    "intelligent trial and error",
    "Robogen",
    "embodied cognition"
   ],
   "source_ids": [
    "eiben-smith-2015",
    "isal-what-is-alife",
    "doncieux-er-2015"
   ],
   "url": "https://aiatlasgraph.com/t/evorobotics",
   "markdown_url": "https://aiatlasgraph.com/t/evorobotics.md",
   "updated": "2026-10-30"
  },
  "evoselection": {
   "id": "evoselection",
   "parent_id": "evodesign",
   "label": "Selekcja rodziców i przeżycia (turniej, ruletka, elitaryzm)",
   "canonical_name": "Parent and survivor selection (tournament, roulette, elitism)",
   "aliases": [
    "selection schemes",
    "parent selection",
    "survivor selection",
    "selekcja rodziców",
    "selekcja przeżycia"
   ],
   "description": "Mechanizmy wyboru rodziców i ocalałych, sterujące presją selekcyjną: proporcjonalny, rankingowy, turniejowy, plus strategie zastępowania i elitaryzm.",
   "description_en": "Mechanisms for choosing parents and survivors that control selection pressure: proportional, rank-based and tournament, plus replacement strategies and elitism.",
   "plain": "Reguły, które decydują, które rozwiązania dostaną szansę mieć potomstwo, a które przejdą do następnego pokolenia.",
   "plain_en": "Rules that decide which solutions get to have offspring and which carry on to the next generation.",
   "solves": "Za ostra selekcja szybko zostawia same kopie jednego rozwiązania, za łagodna sprawia, że poszukiwanie stoi w miejscu.",
   "solves_en": "Selection that is too harsh soon leaves only copies of one solution; too lenient and the search goes nowhere.",
   "does": "Jak turniej szkolny: losujesz kilku zawodników, najlepszy z grupy przechodzi dalej, więc słabsi też czasem mają szansę.",
   "does_en": "Like a school tournament: you draw a few players and the group winner goes on, so weaker ones sometimes get a chance too.",
   "example": "Generator układów mebli w pokoju zawsze zachowuje najlepszy dotychczasowy projekt, a pozostałe miejsca losuje turniejem spośród nowych pomysłów.",
   "example_en": "A room-layout generator always keeps the best design so far and fills the remaining places by tournaments among new ideas.",
   "for_you": [
    "populacja szybko staje się jednakowa",
    "nie wiesz, czym różni się turniej od ruletki",
    "chcesz nie zgubić najlepszego rozwiązania"
   ],
   "for_you_en": [
    "your population quickly becomes uniform",
    "you are unsure how tournament differs from roulette",
    "want to never lose the best solution"
   ],
   "how": "Selekcja proporcjonalna losuje z prawdopodobieństwem zależnym od przystosowania, rankingowa od pozycji, a turniejowa wybiera najlepszego z k losowych osobników. Selekcja przeżycia decyduje, czy potomstwo zastępuje całe pokolenie, czy konkuruje z rodzicami (μ,λ) lub (μ+λ); elitaryzm kopiuje najlepszych bez zmian.",
   "how_en": "Proportional selection samples with probability tied to fitness, rank selection by position, and tournament picks the best of k random individuals. Survivor selection decides whether offspring replace the whole generation or compete with parents, (μ,λ) or (μ+λ); elitism copies the best unchanged.",
   "limits": "Selekcja proporcjonalna jest wrażliwa na skalę funkcji celu i zbyt wolna lub zbyt zachłanna. Wysoka presja i silny elitaryzm sprzyjają przedwczesnej zbieżności, a dobór rozmiaru turnieju zależy od problemu.",
   "limits_en": "Proportional selection is sensitive to objective scaling and is either too slow or too greedy. High pressure and strong elitism encourage premature convergence, and tournament size is problem-dependent.",
   "terms": [
    {
     "gloss": "Jak mocno selekcja faworyzuje najlepszych kosztem reszty.",
     "term": "presja selekcyjna"
    },
    {
     "gloss": "Ile pokoleń trzeba, by najlepszy wypełnił całą populację.",
     "term": "czas przejęcia (takeover time)"
    },
    {
     "gloss": "Rodzice i potomstwo razem walczą o miejsca w kolejnym pokoleniu.",
     "term": "(μ+λ)"
    }
   ],
   "terms_en": [
    {
     "gloss": "How strongly selection favours the best at the expense of the rest.",
     "term": "selection pressure"
    },
    {
     "gloss": "Generations needed for the best individual to fill the population.",
     "term": "takeover time"
    },
    {
     "gloss": "Parents and offspring compete together for places in the next generation.",
     "term": "(μ+λ)"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "tournament selection",
    "roulette wheel selection",
    "stochastic universal sampling",
    "linear ranking",
    "truncation selection",
    "elitism",
    "steady-state replacement",
    "(mu+lambda)",
    "takeover time"
   ],
   "source_ids": [
    "eiben-smith-2015",
    "goldberg-deb-1991-selection"
   ],
   "url": "https://aiatlasgraph.com/t/evoselection",
   "markdown_url": "https://aiatlasgraph.com/t/evoselection.md",
   "updated": "2026-10-30"
  },
  "evostrategies": {
   "id": "evostrategies",
   "parent_id": "evoclassic",
   "label": "Strategie ewolucyjne i CMA-ES",
   "canonical_name": "Evolution strategies and CMA-ES",
   "aliases": [
    "evolution strategies",
    "ES",
    "CMA-ES",
    "covariance matrix adaptation",
    "strategie ewolucyjne"
   ],
   "description": "Ewolucyjne metody optymalizacji ciągłej, które próbkują kandydatów z rozkładu normalnego i adaptują jego średnią, kroki oraz macierz kowariancji.",
   "description_en": "Evolutionary continuous optimisers that sample candidates from a normal distribution and adapt its mean, step size and covariance matrix.",
   "plain": "Metoda dostrajania wielu liczb naraz: losuje ich warianty wokół obecnego ustawienia i przesuwa się tam, gdzie wyszło lepiej.",
   "plain_en": "A way to tune many numbers at once: sample variants around the current setting and move where results were better.",
   "solves": "Masz dziesiątki pokręteł, a wynik zależy od nich w poplątany sposób, którego nie da się opisać wzorem.",
   "solves_en": "You have dozens of dials, and the result depends on them in a tangled way no formula describes.",
   "does": "Jak grupa zwiadowców wysłana wokół obozu: tam, gdzie wróciło najwięcej dobrych wieści, obóz się przesuwa i uczy się, w którą stronę warto iść.",
   "does_en": "Like scouts sent around a camp: the camp moves where the best news came from and learns which directions are worth trying.",
   "example": "Producent dobiera ustawienia pieca: program próbuje chmury podobnych ustawień, sprawdza jakość wypieku i przesuwa chmurę w stronę lepszych wyników.",
   "example_en": "A manufacturer tunes oven settings: software tries a cloud of similar settings, checks baking quality and shifts the cloud towards better results.",
   "for_you": [
    "dostrajasz kilkanaście lub kilkadziesiąt liczbowych ustawień",
    "mierzysz tylko wynik, bez dostępu do wzoru"
   ],
   "for_you_en": [
    "tune a dozen or more numeric settings",
    "can measure only the outcome, not the formula"
   ],
   "how": "W każdej iteracji losuje się populację z wielowymiarowego rozkładu normalnego, ocenia ją i przesuwa średnią ku ważonym najlepszym. CMA-ES dodatkowo uczy się macierzy kowariancji, czyli kształtu i orientacji chmury próbek, oraz długości kroku, co działa podobnie do przybliżenia odwrotnego hesjanu.",
   "how_en": "Each iteration samples a population from a multivariate normal, evaluates it and moves the mean towards a weighted set of the best. CMA-ES also learns the covariance matrix, the cloud shape and orientation, plus the step size, behaving somewhat like an inverse-Hessian approximation.",
   "limits": "Koszt pamięci i obliczeń rośnie kwadratowo z liczbą zmiennych, więc pełne CMA-ES pasuje do problemów do kilku tysięcy wymiarów. Szum w ocenach i wiele optimów lokalnych wymagają restartów lub większej populacji.",
   "limits_en": "Memory and compute grow quadratically with the number of variables, so full CMA-ES suits problems up to a few thousand dimensions. Noisy scores and many local optima need restarts or larger populations.",
   "terms": [
    {
     "gloss": "Opis kształtu i kierunku chmury losowanych próbek.",
     "term": "macierz kowariancji"
    },
    {
     "gloss": "Automatyczne zwiększanie lub zmniejszanie zasięgu losowania.",
     "term": "adaptacja kroku"
    }
   ],
   "terms_en": [
    {
     "gloss": "Describes the shape and direction of the sampled cloud.",
     "term": "covariance matrix"
    },
    {
     "gloss": "Automatically widening or narrowing the sampling range.",
     "term": "step-size adaptation"
    }
   ],
   "prereq": [
    "distributions",
    "mathoptimization"
   ],
   "keywords": [
    "CMA-ES",
    "(1+1)-ES",
    "step-size adaptation",
    "IPOP-CMA-ES",
    "differential evolution",
    "natural evolution strategies",
    "pycma",
    "Nevergrad",
    "COCO benchmark"
   ],
   "source_ids": [
    "gecco2026tracks",
    "cmaes-tutorial-2016"
   ],
   "url": "https://aiatlasgraph.com/t/evostrategies",
   "markdown_url": "https://aiatlasgraph.com/t/evostrategies.md",
   "updated": "2026-10-30"
  },
  "executiongrading": {
   "id": "executiongrading",
   "parent_id": "codeevals",
   "label": "Ocena przez uruchomienie testów (poprawność funkcjonalna)",
   "canonical_name": "Execution-based grading with unit tests",
   "aliases": [
    "functional correctness",
    "unit-test grading",
    "execution-based evaluation",
    "ocena wykonaniem"
   ],
   "description": "Ocena generowanego kodu przez wykonanie go w piaskownicy na testach jednostkowych lub integracyjnych.",
   "description_en": "Grading generated code by executing it in a sandbox against unit or integration tests.",
   "plain": "Kod napisany przez model ocenia się, uruchamiając go na przygotowanych testach, a nie porównując tekst z wzorcem.",
   "plain_en": "Code written by a model is graded by running it against prepared tests, not by comparing its text to a model answer.",
   "solves": "Dwa zupełnie różnie wyglądające programy mogą być oba poprawne, a podobny do wzorca może nie działać.",
   "solves_en": "Two very different-looking programs can both be correct, while one that resembles the model answer may not work.",
   "does": "Jak sprawdzenie przepisu przez ugotowanie potrawy: liczy się, czy wychodzi, nie czy słowa zgadzają się z książką kucharską.",
   "does_en": "Like testing a recipe by cooking it: what matters is whether the dish works, not whether the wording matches the cookbook.",
   "example": "Asystent programisty poprawia funkcję liczenia rabatów; zmiana przechodzi, jeśli wcześniej padający test teraz przechodzi, a reszta dalej działa.",
   "example_en": "A coding assistant fixes a discount function; the change passes if the previously failing test now passes and the rest still work.",
   "for_you": [
    "używasz AI do pisania lub poprawiania kodu",
    "porównujesz asystentów programisty na własnych zadaniach"
   ],
   "for_you_en": [
    "you use AI to write or fix code",
    "you compare coding assistants on your own tasks"
   ],
   "how": "Każde zadanie ma testy; wygenerowany kod uruchamia się w izolowanej piaskownicy z ograniczoną siecią, a wynikiem jest zaliczenie wszystkich testów. Uzupełnieniem bywają linter, typowanie i analiza bezpieczeństwa.",
   "how_en": "Each task has tests; generated code runs in an isolated sandbox with restricted network, and success means passing all tests. Linters, type checks and security analysis often complement them.",
   "limits": "Wynik jest tak dobry jak testy: słabe testy przepuszczają kod, który tylko je oszukuje. Nie ocenia czytelności ani stylu. Uruchamianie obcego kodu wymaga bezpiecznej piaskownicy i kosztuje czas obliczeń.",
   "limits_en": "Results are only as good as the tests: weak tests pass code that merely games them. Readability and style are not assessed. Running untrusted code requires a safe sandbox and compute time.",
   "terms": [
    {
     "gloss": "Program robi to, co ma robić, sprawdzone przez uruchomienie.",
     "term": "poprawność funkcjonalna"
    },
    {
     "gloss": "Automatyczny test małego fragmentu programu z określonym wejściem i oczekiwanym wynikiem.",
     "term": "test jednostkowy"
    },
    {
     "gloss": "Odizolowane środowisko, w którym obcy kod nie zaszkodzi systemowi.",
     "term": "piaskownica"
    }
   ],
   "terms_en": [
    {
     "gloss": "The program does what it should, verified by running it.",
     "term": "functional correctness"
    },
    {
     "gloss": "An automated check of a small program component with a specified input and expected result.",
     "term": "unit test"
    },
    {
     "gloss": "An isolated environment where untrusted code cannot harm the system.",
     "term": "sandbox"
    }
   ],
   "prereq": [
    "codingbench",
    "aicoding"
   ],
   "keywords": [
    "HumanEval",
    "unit tests",
    "sandboxed execution",
    "test coverage",
    "static analysis"
   ],
   "source_ids": [
    "codex-humaneval-2021"
   ],
   "url": "https://aiatlasgraph.com/t/executiongrading",
   "markdown_url": "https://aiatlasgraph.com/t/executiongrading.md",
   "updated": "2026-10-30"
  },
  "exoplanetdetect": {
   "id": "exoplanetdetect",
   "parent_id": "physastro",
   "label": "Wyszukiwanie planet pozasłonecznych w zmianach jasności gwiazd",
   "canonical_name": "Exoplanet transit detection with deep learning",
   "aliases": [
    "exoplanet detection",
    "transit classification",
    "egzoplanety",
    "wykrywanie tranzytów"
   ],
   "description": "Klasyfikacja sygnałów tranzytowych w krzywych blasku (planeta vs. fałszywy alarm) sieciami konwolucyjnymi 1D i ranking kandydatów.",
   "description_en": "Classifying transit signals in light curves (planet vs. false positive) with 1D convolutional networks and ranking candidates.",
   "plain": "Sieć przegląda zapisy jasności tysięcy gwiazd i wskazuje te, w których drobne regularne przyciemnienia mogą oznaczać przechodzącą planetę.",
   "plain_en": "A network scans brightness records of thousands of stars and flags those whose small regular dips may mean a passing planet.",
   "solves": "Przyciemnień udających planety jest znacznie więcej niż prawdziwych planet, a ludzie nie są w stanie ręcznie sprawdzić każdego kandydata.",
   "solves_en": "Dips that mimic planets far outnumber real planets, and people cannot check every candidate by hand.",
   "does": "Jak doświadczony obserwator, który po kształcie spadku jasności odróżnia cień planety od zaćmienia dwóch gwiazd czy usterki aparatu.",
   "does_en": "Like a seasoned observer who tells a planet's shadow from two stars eclipsing or a camera glitch by the shape of the dip.",
   "example": "Z archiwum dawnych obserwacji sieć wyławia nieznaną wcześniej planetę wokół gwiazdy, przy której znano już siedem innych.",
   "example_en": "From an archive of past observations a network finds an unknown planet around a star already known to host seven others.",
   "for_you": [
    "ciekawi cię, jak znajduje się planety przy innych gwiazdach",
    "pracujesz z długimi zapisami pomiarów i szukasz rzadkich wzorców"
   ],
   "for_you_en": [
    "wonder how planets around other stars are found",
    "work with long measurement records and look for rare patterns"
   ],
   "how": "Krzywą blasku składa się w fazie okresu kandydata i podaje sieci w dwóch widokach: globalnym (cały okres) i lokalnym (sam tranzyt). Sieć konwolucyjna 1D, trenowana na kandydatach oznaczonych przez ekspertów, zwraca prawdopodobieństwo planety; najwyżej ocenione sygnały przechodzą statystyczną walidację.",
   "how_en": "The light curve is phase-folded on the candidate's period and fed to the network in two views: global (the whole period) and local (just the transit). A 1D convolutional network, trained on expert-labelled candidates, outputs a planet probability; top-ranked signals undergo statistical validation.",
   "limits": "Model uczy się z etykiet ekspertów i dziedziczy ich pomyłki. Słabe sygnały małych planet oraz dane z innego teleskopu wymagają ponownego trenowania, a ostateczne potwierdzenie i tak zależy od dodatkowych obserwacji.",
   "limits_en": "The model learns from expert labels and inherits their mistakes. Weak signals of small planets and data from another telescope require retraining, and final confirmation still needs follow-up observations.",
   "terms": [
    {
     "gloss": "Przejście planety na tle gwiazdy, lekko ją przyciemniające.",
     "term": "tranzyt"
    },
    {
     "gloss": "Nakładanie na siebie kolejnych okresów, by wzmocnić słaby sygnał.",
     "term": "składanie w fazie"
    },
    {
     "gloss": "Sygnał podobny do planety, np. zaćmienie dwóch gwiazd.",
     "term": "fałszywy alarm"
    }
   ],
   "terms_en": [
    {
     "gloss": "A planet passing in front of its star, slightly dimming it.",
     "term": "transit"
    },
    {
     "gloss": "Stacking successive periods to strengthen a weak signal.",
     "term": "phase folding"
    },
    {
     "gloss": "A planet-like signal, e.g. two stars eclipsing each other.",
     "term": "false positive"
    }
   ],
   "prereq": [
    "convpool",
    "classimbalance"
   ],
   "keywords": [
    "AstroNet",
    "Kepler",
    "TESS",
    "light curves",
    "1D CNN",
    "box least squares",
    "ExoMiner"
   ],
   "source_ids": [
    "astronet-2017"
   ],
   "url": "https://aiatlasgraph.com/t/exoplanetdetect",
   "markdown_url": "https://aiatlasgraph.com/t/exoplanetdetect.md",
   "updated": "2026-10-30"
  },
  "expectedutility": {
   "id": "expectedutility",
   "parent_id": "gametheory",
   "label": "Oczekiwana użyteczność i decyzje w niepewności",
   "canonical_name": "Expected utility and decisions under uncertainty",
   "aliases": [
    "expected utility",
    "expected utility theory",
    "teoria oczekiwanej użyteczności",
    "maximum expected utility"
   ],
   "description": "Normatywna teoria wyboru: racjonalny agent wybiera działanie maksymalizujące wartość oczekiwaną funkcji użyteczności po wynikach.",
   "description_en": "Normative theory of choice: a rational agent picks the action maximising the expected value of a utility function over outcomes.",
   "plain": "Zasada podejmowania decyzji: oceń każdy możliwy skutek, pomnóż przez jego szansę i wybierz opcję o najlepszym bilansie.",
   "plain_en": "A decision rule: score each possible outcome, weight it by its chance and pick the option with the best balance.",
   "solves": "Wybory w niepewności łatwo podejmować na wyczucie, a wtedy rzadkie, kosztowne skutki giną obok częstych, drobnych korzyści.",
   "solves_en": "Choices under uncertainty are easily made on gut feeling, letting rare, costly outcomes vanish beside frequent small gains.",
   "does": "Jak ważenie zakładów: liczy się nie tylko to, ile możesz wygrać, ale też jak często i jak bardzo ci zależy.",
   "does_en": "Like weighing bets: what counts is not just how much you could win, but how often and how much you care.",
   "example": "Nawigacja wybiera trasę o trochę dłuższym średnim czasie, bo krótsza ma spore ryzyko godzinnego korka przed ważnym spotkaniem.",
   "example_en": "A navigation app picks a route with a slightly longer average time because the shorter one carries a real risk of an hour-long jam before an important meeting.",
   "for_you": [
    "projektujesz system, który sam wybiera działania",
    "chcesz rozumieć, jak agent waży ryzyko"
   ],
   "for_you_en": [
    "design a system that chooses actions itself",
    "want to understand how an agent weighs risk"
   ],
   "how": "Twierdzenia reprezentacyjne pokazują, że preferencje spełniające aksjomaty (zupełność, przechodniość, ciągłość, niezależność) da się opisać funkcją użyteczności, unikalną z dokładnością do przekształcenia liniowego. Wariant z danymi prawdopodobieństwami loterii pochodzi od von Neumanna i Morgensterna, a wariant wyprowadzający również subiektywne prawdopodobieństwa — od Savage'a. W AI jest to podstawa agentów racjonalnych i procesów decyzyjnych Markowa.",
   "how_en": "Representation theorems show that preferences satisfying axioms (completeness, transitivity, continuity, independence) can be described by a utility function unique up to positive linear transformation. The variant with given lottery probabilities is due to von Neumann and Morgenstern; the one also deriving subjective probabilities, to Savage. In AI it underpins rational agents and Markov decision processes.",
   "limits": "Ludzkie wybory często naruszają założenia teorii: paradoks Allais podważa aksjomat niezależności, a paradoks Ellsberga pokazuje trudność z niejednoznacznym prawdopodobieństwem. Wynik zależy też od trafnie zapisanej funkcji użyteczności; źle określony cel prowadzi do formalnie optymalnych, lecz niepożądanych działań.",
   "limits_en": "Human choices often violate the theory's assumptions: the Allais paradox challenges independence, while the Ellsberg paradox exposes difficulty with ambiguous probabilities. Results also depend on a well-specified utility function; a bad objective yields formally optimal but unwanted actions.",
   "terms": [
    {
     "gloss": "Przypisuje każdemu wynikowi liczbę oddającą, jak bardzo jest pożądany.",
     "term": "funkcja użyteczności"
    },
    {
     "gloss": "Zbiór możliwych wyników z przypisanymi prawdopodobieństwami.",
     "term": "loteria"
    },
    {
     "gloss": "Wybór pewniejszej opcji kosztem nieco niższej średniej.",
     "term": "awersja do ryzyka"
    }
   ],
   "terms_en": [
    {
     "gloss": "Assigns each outcome a number reflecting how desirable it is.",
     "term": "utility function"
    },
    {
     "gloss": "A set of possible outcomes with assigned probabilities.",
     "term": "lottery"
    },
    {
     "gloss": "Preferring the safer option at the cost of a slightly lower average.",
     "term": "risk aversion"
    }
   ],
   "prereq": [
    "distributions",
    "bayesinference"
   ],
   "keywords": [
    "von Neumann-Morgenstern utility",
    "Savage subjective expected utility",
    "decision networks",
    "value of information",
    "risk aversion",
    "Allais paradox",
    "multi-attribute utility",
    "prospect theory"
   ],
   "source_ids": [
    "aima4",
    "sep-expected-utility"
   ],
   "url": "https://aiatlasgraph.com/t/expectedutility",
   "markdown_url": "https://aiatlasgraph.com/t/expectedutility.md",
   "updated": "2026-10-30"
  },
  "experiencereplay": {
   "id": "experiencereplay",
   "parent_id": "rlalgorithms",
   "label": "Bufor doświadczeń i priorytetowe odtwarzanie",
   "canonical_name": "Experience replay and prioritised replay",
   "aliases": [
    "experience replay",
    "replay buffer",
    "prioritized experience replay",
    "PER",
    "bufor powtórek"
   ],
   "description": "Mechanizm przechowywania przejść do wielokrotnego uczenia off-policy; wersja priorytetowa częściej odtwarza bardziej pouczające doświadczenia.",
   "description_en": "A mechanism that stores transitions for repeated off-policy learning; prioritised replay samples more informative experiences more often.",
   "plain": "Agent zapisuje swoje dawne próby i wielokrotnie się na nich uczy, częściej wracając do tych najbardziej pouczających.",
   "plain_en": "An agent stores its past attempts and learns from them repeatedly, returning more often to the most instructive ones.",
   "solves": "Każda próba w środowisku kosztuje, a uczenie tylko na najnowszych, podobnych do siebie chwilach jest niestabilne i marnotrawne.",
   "solves_en": "Every trial in the environment costs something, and learning only from the latest, similar moments is unstable and wasteful.",
   "does": "Jak uczeń, który przegląda zeszyt błędów i najczęściej powtarza zadania, które najbardziej go zaskoczyły.",
   "does_en": "Like a student reviewing a mistakes notebook, most often redoing the problems that surprised them most.",
   "example": "Program uczący się gier wideo wraca do zapisanych chwil tuż przed utratą życia, bo z nich uczy się najwięcej.",
   "example_en": "A program learning video games revisits stored moments just before losing a life, because it learns most from them.",
   "for_you": [
    "próby w twoim środowisku są drogie lub powolne",
    "chcesz zrozumieć, jak działają klasyczne agenty do gier"
   ],
   "for_you_en": [
    "trials in your environment are costly or slow",
    "you want to understand how classic game agents work"
   ],
   "how": "Przejścia (stan, akcja, nagroda, następny stan) trafiają do bufora, z którego losuje się minipartie, co rozbija korelacje czasowe. Prioritized replay losuje częściej przejścia o dużym błędzie TD i koryguje obciążenie wagami ważności. Rainbow łączy podwójne Q, PER, sieci dueling, zwroty wielokrokowe, RL rozkładowe i noisy nets.",
   "how_en": "Transitions (state, action, reward, next state) go into a buffer from which minibatches are sampled, breaking temporal correlations. Prioritised replay samples high-TD-error transitions more often and corrects the bias with importance weights. Rainbow combines double Q, PER, dueling networks, multi-step returns, distributional RL and noisy nets.",
   "limits": "Dane z bufora pochodzą ze starszych polityk, więc działa to głównie z metodami off-policy. Silna priorytetyzacja zwiększa niestabilność, a duży bufor kosztuje pamięć.",
   "limits_en": "Buffer data comes from older policies, so it mainly suits off-policy methods. Strong prioritisation increases instability, and large buffers cost memory.",
   "terms": [
    {
     "gloss": "Różnica między przewidywaną a poprawioną oceną; miara zaskoczenia.",
     "term": "TD error"
    },
    {
     "gloss": "Wagi korygujące skrzywienie wynikające z nierównego losowania danych.",
     "term": "importance sampling weights"
    },
    {
     "gloss": "Sieć osobno ocenia stan i przewagę każdej akcji.",
     "term": "dueling network"
    }
   ],
   "terms_en": [
    {
     "gloss": "Gap between predicted and updated value; a measure of surprise.",
     "term": "TD error"
    },
    {
     "gloss": "Weights correcting the skew from uneven data sampling.",
     "term": "importance sampling weights"
    },
    {
     "gloss": "A network that scores the state and each action's advantage separately.",
     "term": "dueling network"
    }
   ],
   "prereq": [
    "tdlearning",
    "qlearning"
   ],
   "keywords": [
    "prioritized experience replay",
    "Rainbow",
    "Double DQN",
    "dueling DQN",
    "n-step returns",
    "noisy nets",
    "hindsight experience replay",
    "Atari 100k"
   ],
   "source_ids": [
    "rainbow-2017",
    "per-2015"
   ],
   "url": "https://aiatlasgraph.com/t/experiencereplay",
   "markdown_url": "https://aiatlasgraph.com/t/experiencereplay.md",
   "updated": "2026-10-30"
  },
  "experiments": {
   "id": "experiments",
   "parent_id": "product",
   "label": "Eksperymenty produktowe",
   "canonical_name": "Product experimentation",
   "description": "Sprawdzanie wpływu rozwiązania w praktyce.",
   "description_en": "Testing the real effect of a solution.",
   "examples": "Pilotaż · feedback · A/B",
   "examples_en": "Pilot · feedback · A/B",
   "plain": "To sprawdzanie na rzeczywistej pracy, czy nowa funkcja faktycznie pomaga użytkownikom.",
   "plain_en": "This checks through real work whether a new feature actually helps users.",
   "solves": "Dobry pokaz i wyniki testów modelu nie mówią jeszcze, czy ludzie sprawniej wykonają swoje zadania.",
   "solves_en": "A good demonstration and model test scores do not yet show whether people will complete their tasks more effectively.",
   "does": "Ustala miary sukcesu, porównuje wersje w praktyce i wprowadza zmiany stopniowo, obserwując skutki oraz problemy.",
   "does_en": "It defines success measures, compares versions in practice and introduces changes gradually while observing outcomes and problems.",
   "example": "Testujesz nowego asystenta w części zespołu i sprawdzasz liczbę zakończonych spraw, poprawki, czas pracy oraz skargi klientów.",
   "example_en": "You trial an assistant with part of a team and measure completed cases, corrections, work time and customer complaints.",
   "for_you": [
    "chcesz sprawdzić wpływ funkcji poza pokazem",
    "wprowadzasz zmianę i potrzebujesz porównania jej skutków"
   ],
   "for_you_en": [
    "want to assess a feature beyond a demonstration",
    "introduce a change and need to compare its effects"
   ],
   "how": "Hipotezę przekłada się na interwencję, jednostkę porównania oraz wcześniej ustalone miary. Kontrolowany przydział lub uzasadniony projekt porównawczy oddziela efekt funkcji od innych zmian, a analiza uwzględnia niepewność i metryki ochronne.",
   "how_en": "A hypothesis becomes an intervention, comparison unit and predefined measures. Controlled assignment or a justified comparison design separates feature effects from other changes, while analysis accounts for uncertainty and guardrail metrics.",
   "limits": "Selekcja użytkowników, zmiany sezonowe i wzajemny wpływ grup mogą zniekształcać wynik. Za krótka próba pomija uczenie oraz rzadkie szkody; wielokrotne podglądanie wymaga właściwej metody statystycznej.",
   "limits_en": "User selection, seasonality and cross-group influence can distort results. Short trials miss learning and rare harms; repeated checking requires suitable statistical methods.",
   "terms": [
    {
     "gloss": "Obiekt losowo przydzielany do wariantu, na przykład użytkownik lub zespół.",
     "term": "jednostka randomizacji"
    },
    {
     "gloss": "Miara wykrywająca niepożądany skutek mimo poprawy głównego wyniku.",
     "term": "metryka ochronna"
    }
   ],
   "terms_en": [
    {
     "gloss": "An entity randomly assigned to a variant, such as a user or team.",
     "term": "randomisation unit"
    },
    {
     "gloss": "A measure detecting unwanted effects despite improvements in the main outcome.",
     "term": "guardrail metric"
    }
   ],
   "prereq": [
    "hypothesistesting",
    "evalsets"
   ],
   "keywords": [
    "randomized experiments",
    "A/B tests",
    "guardrail metrics",
    "overall evaluation criterion",
    "statistical power",
    "sample ratio mismatch",
    "feature flags",
    "canary releases"
   ],
   "source_ids": [
    "fsdl",
    "bootcamp",
    "kohavi-experiments-2020"
   ],
   "url": "https://aiatlasgraph.com/t/experiments",
   "markdown_url": "https://aiatlasgraph.com/t/experiments.md",
   "updated": "2026-10-30"
  },
  "experimenttracking": {
   "id": "experimenttracking",
   "parent_id": "mlops",
   "label": "Śledzenie eksperymentów (parametry, metryki, artefakty)",
   "canonical_name": "Experiment tracking",
   "aliases": [
    "experiment tracking",
    "ML metadata store",
    "śledzenie eksperymentów",
    "MLflow Tracking",
    "Weights & Biases"
   ],
   "description": "Zapisywanie uruchomień treningu — hiperparametrów, metryk, artefaktów oraz wersji kodu i danych — aby ułatwić porównywanie wyników, śledzenie pochodzenia i odtwarzanie warunków eksperymentu.",
   "description_en": "Logging training runs — hyperparameters, metrics, artefacts, and code and data versions — to support result comparison, lineage and reconstruction of experiment conditions.",
   "examples": "logowanie parametrów i metryk · artefakty (wagi, wykresy) · grupowanie uruchomień w eksperymenty · porównywanie przebiegów",
   "examples_en": "logging parameters and metrics · artefacts (weights, plots) · grouping runs into experiments · comparing runs",
   "plain": "To zapisywanie ustawień, wyników i plików każdego eksperymentu z modelem.",
   "plain_en": "This records the settings, results and files of each model experiment.",
   "solves": "Dobry wynik znika wśród prób, bo nie pamiętasz, jakich danych i ustawień użyłeś.",
   "solves_en": "A good result gets lost among attempts because you cannot remember the data and settings used.",
   "does": "Każde uruchomienie wiąże parametry, pomiary, pliki oraz wersje kodu i danych, ułatwiając porównanie i odtworzenie warunków.",
   "does_en": "Each run links parameters, measurements, files and code and data versions, making comparison and reconstruction of conditions easier.",
   "example": "Po kilku treningach rozpoznawania usterek znajdujesz najlepszy wynik razem z dokładnym zestawem danych i ustawień.",
   "example_en": "After several defect-recognition training runs, you find the best result alongside its exact dataset and settings.",
   "for_you": [
    "wykonujesz wiele prób treningu",
    "chcesz porównywać i odtwarzać warunki eksperymentów"
   ],
   "for_you_en": [
    "run many training experiments",
    "want to compare and reproduce experiment conditions"
   ],
   "how": "Każde uruchomienie zapisuje identyfikator, parametry, wersje wejść i metryki wraz z artefaktami. Powiązanie wyników z konfiguracją i śladem wykonania umożliwia porównywanie prób oraz odtworzenie warunków, które stworzyły wybraną wersję.",
   "how_en": "Each run records an identifier, parameters, input versions, metrics and artifacts. Linking results to configuration and execution traces enables trial comparisons and reconstruction of conditions producing a selected version.",
   "limits": "Nieuchwycone zależności i zmienione dane ograniczają odtwarzalność. Metryki z różnych podziałów lub procedur nie są bezpośrednio porównywalne; samo zapisanie ziarna losowości nie gwarantuje identycznego wykonania.",
   "limits_en": "Uncaptured dependencies and changed data limit reproducibility. Metrics from different splits or procedures are not directly comparable; recording seeds alone cannot guarantee identical execution.",
   "terms": [
    {
     "gloss": "Jedno uruchomienie eksperymentu powiązane z parametrami i wynikami.",
     "term": "run"
    },
    {
     "gloss": "Powiązanie wyniku z danymi, kodem i uruchomieniem, które go utworzyło.",
     "term": "lineage artefaktu"
    }
   ],
   "terms_en": [
    {
     "gloss": "One experiment execution linked to parameters and results.",
     "term": "run"
    },
    {
     "gloss": "Linking outputs to the data, code and execution producing them.",
     "term": "artifact lineage"
    }
   ],
   "prereq": [
    "dataversioning",
    "hptuning"
   ],
   "keywords": [
    "MLflow Tracking",
    "run IDs",
    "parameter logging",
    "metric logging",
    "artifact lineage",
    "experiment comparison"
   ],
   "source_ids": [
    "google-mlops-levels",
    "mlflow-tracking"
   ],
   "url": "https://aiatlasgraph.com/t/experimenttracking",
   "markdown_url": "https://aiatlasgraph.com/t/experimenttracking.md",
   "updated": "2026-10-30"
  },
  "explainability": {
   "id": "explainability",
   "parent_id": "evaluation",
   "label": "Interpretowalność",
   "canonical_name": "Interpretability and explainability",
   "description": "Jak zrozumieć, dlaczego model podjął daną decyzję: od modeli przejrzystych z natury, przez wyjaśnienia dokładane z zewnątrz (SHAP, mapy istotności), po zaglądanie do wnętrza sieci.",
   "description_en": "How to understand why a model made a given decision: from models that are transparent by design, through explanations added from outside (SHAP, saliency maps), to looking inside the network.",
   "examples": "modele przejrzyste · wyjaśnienia lokalne i globalne · sondy · interpretowalność mechanistyczna",
   "examples_en": "transparent models · local and global explanations · probes · mechanistic interpretability",
   "plain": "To badanie, które informacje i obliczenia wiążą się z odpowiedzią modelu oraz jak zmieniają jego zachowanie.",
   "plain_en": "This investigates which information and computations relate to a model's answer and how they affect its behaviour.",
   "solves": "Model podaje wynik, ale trudno ocenić, na czym się opiera i czy wykorzystuje właściwe informacje.",
   "solves_en": "A model gives a result, but its basis and whether it uses appropriate information can be hard to assess.",
   "does": "Odczytuje proste reguły, porównuje zmiany wejść lub bada wnętrze modelu, sprawdzając też ograniczenia i wierność uzyskanych wyjaśnień.",
   "does_en": "It reads simple rules, compares input changes or studies model internals, also checking the limits and faithfulness of resulting explanations.",
   "example": "Model przewiduje opóźnienie dostawy; sprawdzasz wpływ trasy i wagi paczki oraz to, czy korzysta z nieprzydatnej przypadkowej cechy.",
   "example_en": "A model predicts delivery delays; you examine route and parcel weight effects and whether it relies on an irrelevant accidental feature.",
   "for_you": [
    "chcesz zrozumieć podstawy wyniku modelu",
    "musisz sprawdzać, jakie informacje wpływają na zachowanie"
   ],
   "for_you_en": [
    "want to understand the basis of a model result",
    "need to examine what information affects its behaviour"
   ],
   "how": "Interpretowalne modele ujawniają reguły obliczenia, a metody zewnętrzne badają predykcje przez perturbacje i lokalne aproksymacje. Analiza reprezentacji oraz interwencje wewnętrzne sprawdzają bardziej szczegółowe hipotezy o mechanizmie.",
   "how_en": "Interpretable models expose computation rules, while external methods study predictions through perturbations and local approximations. Representation analysis and internal interventions test more detailed mechanistic hypotheses.",
   "limits": "Wyjaśnienie może być czytelne, lecz niewierne lub niestabilne. Korelacje cech, dobór tła i zakres lokalnej aproksymacji ograniczają wnioski, szczególnie przy interpretacji przyczynowej.",
   "limits_en": "An explanation may be readable yet unfaithful or unstable. Feature correlations, background selection and local approximation scope limit conclusions, especially causal interpretations.",
   "terms": [
    {
     "gloss": "Opis zachowania modelu wokół konkretnego przykładu.",
     "term": "wyjaśnienie lokalne"
    },
    {
     "gloss": "Opis wzorców zachowania modelu na zbiorze przykładów.",
     "term": "wyjaśnienie globalne"
    }
   ],
   "terms_en": [
    {
     "gloss": "A description of model behaviour around a particular example.",
     "term": "local explanation"
    },
    {
     "gloss": "A description of model behaviour patterns across examples.",
     "term": "global explanation"
    }
   ],
   "prereq": [
    "supervised",
    "linearalgebra"
   ],
   "keywords": [
    "SHAP",
    "LIME",
    "partial dependence plots",
    "counterfactual search",
    "linear probes",
    "Integrated Gradients",
    "activation steering",
    "sparse autoencoders",
    "circuit analysis",
    "surrogate models"
   ],
   "source_ids": [
    "fsdl",
    "agents",
    "cs229",
    "molnar-iml-book-3ed"
   ],
   "url": "https://aiatlasgraph.com/t/explainability",
   "markdown_url": "https://aiatlasgraph.com/t/explainability.md",
   "updated": "2026-10-30"
  },
  "extractiveqa": {
   "id": "extractiveqa",
   "parent_id": "questionanswering",
   "label": "Wskazywanie odpowiedzi w podanym tekście (extractive QA)",
   "canonical_name": "Extractive question answering (reading comprehension)",
   "aliases": [
    "extractive QA",
    "span extraction QA",
    "pytania ekstraktywne"
   ],
   "description": "Odpowiadanie na pytanie przez wskazanie spanu odpowiedzi w podanym kontekście lub stwierdzenie, że odpowiedzi w nim nie ma.",
   "description_en": "Answering a question by selecting an answer span in a given context, or stating that the context has no answer.",
   "plain": "Program dostaje tekst i pytanie, a w odpowiedzi zaznacza dokładnie ten fragment, który na nie odpowiada.",
   "plain_en": "Software gets a text and a question and highlights exactly the passage that answers it.",
   "solves": "Szukanie jednej informacji w długiej instrukcji lub regulaminie zajmuje dużo czasu, a odpowiedź trzeba potem jeszcze sprawdzić.",
   "solves_en": "Finding one detail in a long manual or set of rules takes ages, and the answer still needs checking.",
   "does": "Zamiast pisać własną odpowiedź, podkreśla zdanie w oryginale, więc od razu widać, skąd pochodzi.",
   "does_en": "Instead of writing its own answer it underlines words in the original, so you see at once where it came from.",
   "example": "Pytasz o okres gwarancji, a program podświetla w umowie zdanie „gwarancja obejmuje 24 miesiące”.",
   "example_en": "You ask about the warranty period and the tool highlights the sentence in the contract stating it.",
   "for_you": [
    "szukasz konkretnej informacji w długich dokumentach",
    "potrzebujesz odpowiedzi z dokładnym cytatem",
    "chcesz, by program przyznał, gdy odpowiedzi brak"
   ],
   "for_you_en": [
    "look for specific facts in long documents",
    "need answers with an exact quote",
    "want software to admit when there is no answer"
   ],
   "how": "Pytanie i akapit trafiają razem do enkodera, który dla każdego tokenu przewiduje prawdopodobieństwo początku i końca odpowiedzi; wybiera się najlepszy span. Wersje z pytaniami bez odpowiedzi uczą model wstrzymania się, gdy żaden span nie przekracza progu.",
   "how_en": "Question and paragraph enter one encoder that predicts start and end probabilities for each token; the best span is chosen. Versions with unanswerable questions teach the model to abstain when no span passes a threshold.",
   "limits": "Odpowiedź musi dosłownie występować w tekście, więc pytania wymagające syntezy lub obliczeń wypadają słabo. Modele bez treningu na pytaniach bez odpowiedzi zgadują pasująco brzmiący fragment.",
   "limits_en": "The answer must appear verbatim, so questions needing synthesis or calculation fare poorly. Models not trained on unanswerable questions guess a plausible-looking span.",
   "terms": [
    {
     "gloss": "Ciągły fragment tekstu wskazany jako odpowiedź.",
     "term": "span"
    },
    {
     "gloss": "Miara: czy odpowiedź jest identyczna z wzorcową.",
     "term": "exact match"
    },
    {
     "gloss": "Pytanie, na które tekst nie odpowiada.",
     "term": "unanswerable question"
    }
   ],
   "terms_en": [
    {
     "gloss": "A continuous text fragment selected as the answer.",
     "term": "span"
    },
    {
     "gloss": "A metric: is the answer identical to the reference.",
     "term": "exact match"
    },
    {
     "gloss": "A question the text does not answer.",
     "term": "unanswerable question"
    }
   ],
   "prereq": [
    "transformers"
   ],
   "keywords": [
    "SQuAD",
    "SQuAD 2.0",
    "span prediction",
    "BERT QA",
    "exact match",
    "F1 score",
    "question-answering pipeline",
    "Natural Questions"
   ],
   "source_ids": [
    "squad-2016",
    "rajpurkar-2018-squad2"
   ],
   "url": "https://aiatlasgraph.com/t/extractiveqa",
   "markdown_url": "https://aiatlasgraph.com/t/extractiveqa.md",
   "updated": "2026-10-30"
  },
  "extractivesumm": {
   "id": "extractivesumm",
   "parent_id": "summarization",
   "label": "Streszczanie przez wybór najważniejszych zdań",
   "canonical_name": "Extractive summarisation",
   "aliases": [
    "extractive summarization",
    "extractive summarisation",
    "sentence extraction",
    "streszczanie ekstrakcyjne"
   ],
   "description": "Tworzenie streszczenia z wybranych zdań lub fragmentów źródła, bez generowania nowego tekstu.",
   "description_en": "Building a summary from selected source sentences or spans, without generating new text.",
   "plain": "Program wybiera z tekstu kilka najważniejszych zdań i składa z nich skrót, niczego nie dopisując od siebie.",
   "plain_en": "Software picks the few most important sentences from a text and joins them into a digest, adding nothing of its own.",
   "solves": "Potrzebujesz krótkiej wersji tekstu, ale nie możesz ryzykować, że ktoś doda zdanie, którego w oryginale nie było.",
   "solves_en": "You need a short version of a text but cannot risk anyone adding a sentence that wasn't in the original.",
   "does": "Jak zakreślacz na marginesie: każde zdanie skrótu da się znaleźć słowo w słowo w oryginale.",
   "does_en": "Like a highlighter in the margin: every sentence of the digest can be found word for word in the original.",
   "example": "Przegląd prasy dla zarządu pokazuje z każdego artykułu trzy wybrane, nienaruszone zdania.",
   "example_en": "A press digest for managers shows three chosen, unaltered sentences from each article.",
   "for_you": [
    "potrzebujesz streszczenia wiernego co do słowa",
    "pracujesz z tekstami prawnymi lub urzędowymi",
    "chcesz szybko przejrzeć wiele artykułów"
   ],
   "for_you_en": [
    "need a summary that is faithful word for word",
    "work with legal or official texts",
    "want to skim many articles quickly"
   ],
   "how": "Każde zdanie dostaje wynik ważności — dawniej z grafu podobieństw (np. TextRank), dziś z enkodera dostrojonego jako klasyfikator zdań. Wybiera się najlepsze zdania w limicie długości, unikając powtórzeń, i układa w kolejności oryginału.",
   "how_en": "Each sentence gets an importance score — formerly from a similarity graph (e.g. TextRank), now from an encoder fine-tuned as a sentence classifier. The best sentences within a length limit are chosen, avoiding redundancy, and kept in original order.",
   "limits": "Wybrane zdania bywają powtarzalne i słabo się łączą, np. zaimki tracą swoje odniesienia. Nie da się skrócić pojedynczego zdania ani połączyć informacji z kilku miejsc.",
   "limits_en": "Selected sentences can be redundant and read poorly together, e.g. pronouns lose their referents. It cannot shorten a single sentence or merge information from several places.",
   "terms": [
    {
     "gloss": "Ranking zdań według ich powiązań z innymi zdaniami tekstu.",
     "term": "TextRank"
    },
    {
     "gloss": "Powtarzanie tej samej informacji w kilku wybranych zdaniach.",
     "term": "redundancja"
    },
    {
     "gloss": "Miara pokrycia słów streszczenia ze streszczeniem wzorcowym.",
     "term": "ROUGE"
    }
   ],
   "terms_en": [
    {
     "gloss": "Ranking sentences by their links to other sentences in the text.",
     "term": "TextRank"
    },
    {
     "gloss": "Repeating the same information across selected sentences.",
     "term": "redundancy"
    },
    {
     "gloss": "A measure of word overlap with a reference summary.",
     "term": "ROUGE"
    }
   ],
   "keywords": [
    "TextRank",
    "LexRank",
    "BertSum",
    "sentence scoring",
    "maximal marginal relevance",
    "ROUGE",
    "CNN/DailyMail"
   ],
   "source_ids": [
    "zhang-2024-summarization-survey",
    "hf-task-summarization"
   ],
   "url": "https://aiatlasgraph.com/t/extractivesumm",
   "markdown_url": "https://aiatlasgraph.com/t/extractivesumm.md",
   "updated": "2026-10-30"
  },
  "factorgraphs": {
   "id": "factorgraphs",
   "parent_id": "probabilistic",
   "label": "Pola losowe Markowa i grafy czynników",
   "canonical_name": "Markov random fields and factor graphs",
   "aliases": [
    "Markov random field",
    "MRF",
    "pole losowe Markowa",
    "factor graph",
    "graf czynników",
    "undirected graphical model",
    "nieskierowany model graficzny"
   ],
   "description": "Nieskierowane modele graficzne i dwudzielne grafy czynników, z wnioskowaniem przez algorytm sumy-iloczynu (propagację przekonań).",
   "description_en": "Undirected graphical models and bipartite factor graphs, with inference by the sum-product algorithm (belief propagation).",
   "plain": "Sposób rozpisania wielkiej sieci zależności na małe, lokalne kawałki, żeby dało się ją policzyć przez przekazywanie wiadomości między sąsiadami.",
   "plain_en": "A way to break a big web of dependencies into small local pieces so it can be computed by passing messages between neighbours.",
   "solves": "Gdy tysiące niepewnych zmiennych wpływają na siebie nawzajem, policzenie wszystkich kombinacji naraz jest niemożliwe.",
   "solves_en": "When thousands of uncertain variables influence each other, computing every combination at once is impossible.",
   "does": "Działa jak plotka w sąsiedztwie: każdy węzeł mówi sąsiadom, co wie, aż cała sieć dojdzie do spójnego obrazu.",
   "does_en": "It works like neighbourhood gossip: each node tells its neighbours what it knows until the whole network settles on a consistent picture.",
   "example": "Telefon odszumia zdjęcie, zakładając, że sąsiednie piksele zwykle mają podobny kolor.",
   "example_en": "A phone denoises a photo by assuming neighbouring pixels usually have a similar colour.",
   "for_you": [
    "łączysz wiele niepewnych pomiarów w jedną ocenę",
    "chcesz zrozumieć, skąd biorą się algorytmy przekazywania wiadomości"
   ],
   "for_you_en": [
    "combine many uncertain measurements into one estimate",
    "want to understand where message-passing algorithms come from"
   ],
   "how": "Pole losowe Markowa zapisuje rozkład łączny jako iloczyn nieujemnych funkcji na klikach grafu, znormalizowany funkcją podziału. Graf czynników jawnie pokazuje, które zmienne łączy każdy czynnik. Algorytm sumy-iloczynu przekazuje wiadomości wzdłuż krawędzi i liczy rozkłady brzegowe dokładnie na drzewach, a przybliżenie na grafach z cyklami; jego szczególnymi przypadkami są m.in. algorytm forward-backward, Viterbi i filtr Kalmana.",
   "how_en": "A Markov random field writes the joint distribution as a product of non-negative functions on graph cliques, normalised by a partition function. A factor graph shows explicitly which variables each factor links. The sum-product algorithm passes messages along edges, computing marginals exactly on trees and approximately on loopy graphs; special cases include forward-backward, Viterbi and the Kalman filter.",
   "limits": "Funkcja podziału jest zwykle trudna do policzenia, co utrudnia uczenie parametrów. Propagacja na grafach z cyklami nie ma gwarancji zbieżności ani poprawności.",
   "limits_en": "The partition function is usually intractable, which complicates parameter learning. Belief propagation on loopy graphs has no guarantee of convergence or correctness.",
   "terms": [
    {
     "gloss": "Stała normalizująca, sumująca wagi wszystkich możliwych konfiguracji.",
     "term": "funkcja podziału"
    },
    {
     "gloss": "Przekazywanie wiadomości między węzłami w celu wyliczenia rozkładów.",
     "term": "propagacja przekonań"
    },
    {
     "gloss": "Model nieskierowany przewidujący etykiety przy danych wejściach, np. w tekście.",
     "term": "CRF"
    }
   ],
   "terms_en": [
    {
     "gloss": "Normalising constant summing the weights of all configurations.",
     "term": "partition function"
    },
    {
     "gloss": "Passing messages between nodes to compute distributions.",
     "term": "belief propagation"
    },
    {
     "gloss": "Undirected model predicting labels given inputs, e.g. in text.",
     "term": "CRF"
    }
   ],
   "prereq": [
    "bayesnets"
   ],
   "keywords": [
    "sum-product algorithm",
    "belief propagation",
    "loopy BP",
    "conditional random fields",
    "Ising model",
    "partition function",
    "Gibbs sampling",
    "factor graph SLAM",
    "GTSAM"
   ],
   "source_ids": [
    "kschischang-factorgraphs-2001"
   ],
   "url": "https://aiatlasgraph.com/t/factorgraphs",
   "markdown_url": "https://aiatlasgraph.com/t/factorgraphs.md",
   "updated": "2026-10-30"
  },
  "failuretaxonomy": {
   "id": "failuretaxonomy",
   "parent_id": "erroranalysis",
   "label": "Kodowanie otwarte i taksonomia błędów",
   "canonical_name": "Open and axial coding to build a failure taxonomy",
   "aliases": [
    "open coding",
    "axial coding",
    "failure taxonomy",
    "failure modes",
    "kodowanie osiowe",
    "kategorie błędów"
   ],
   "description": "Jakościowa analiza śladów: kodowanie otwarte notatek o błędach i kodowanie osiowe w taksonomię trybów awarii.",
   "description_en": "Qualitative trace analysis: open coding of failure notes, then axial coding into a taxonomy of failure modes.",
   "plain": "Czytasz prawdziwe rozmowy systemu, notujesz, co poszło źle, a potem grupujesz notatki w kilka powtarzających się rodzajów błędów.",
   "plain_en": "You read real conversations from your system, note what went wrong, then group the notes into a few recurring kinds of failure.",
   "solves": "Gotowe miary typu „pomocność” nie mówią, co konkretnie psuje się w twoim produkcie i co testować.",
   "solves_en": "Generic scores like 'helpfulness' do not tell you what specifically breaks in your product or what to test.",
   "does": "Najpierw swobodne notatki jak w dzienniku, potem porządkowanie ich w kategorie; dopiero dla nich pisze się automatyczne testy.",
   "does_en": "First free notes, like a journal, then sorting them into categories; only then do you write automatic tests for them.",
   "example": "Po lekturze stu rozmów asystenta biura podróży wychodzą trzy główne błędy: złe strefy czasowe, pomijanie budżetu i zbyt długie odpowiedzi.",
   "example_en": "After reading a hundred travel-assistant chats, three main failures emerge: wrong time zones, ignoring the budget and overly long replies.",
   "for_you": [
    "nie wiesz, od czego zacząć testowanie swojego asystenta",
    "masz dużo zapisów rozmów, ale brak wniosków"
   ],
   "for_you_en": [
    "you do not know where to start testing your assistant",
    "you have many conversation logs but no conclusions"
   ],
   "how": "Na zróżnicowanej próbce śladów ekspert dziedzinowy zapisuje swobodne notatki o pierwszym widocznym błędzie (kodowanie otwarte). Następnie podobne notatki łączy się w kategorie (kodowanie osiowe) i liczy ich częstość. Przegląd trwa do nasycenia, gdy nowe ślady nie zmieniają kategorii; najczęstsze kategorie dostają własne ewaluatory.",
   "how_en": "On a diverse trace sample, a domain expert writes free-form notes on the first visible error (open coding). Similar notes are then merged into categories (axial coding) and counted. Review continues to saturation, when new traces stop changing the categories; the most frequent ones get their own evaluators.",
   "limits": "Wymaga czasu eksperta dziedzinowego i ręcznej lektury. Taksonomia zależy od próbki: rzadkie błędy mogą nie wyjść. Trzeba ją powtarzać po większych zmianach produktu lub modelu.",
   "limits_en": "It needs a domain expert's time and manual reading. The taxonomy depends on the sample, so rare failures may not appear. It must be redone after major product or model changes.",
   "terms": [
    {
     "gloss": "Swobodne notatki o tym, co poszło źle, bez gotowych kategorii.",
     "term": "kodowanie otwarte"
    },
    {
     "gloss": "Grupowanie notatek w powtarzające się kategorie błędów.",
     "term": "kodowanie osiowe"
    },
    {
     "gloss": "Moment, gdy kolejne przykłady nie dodają nowych kategorii.",
     "term": "nasycenie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Free notes on what went wrong, with no preset categories.",
     "term": "open coding"
    },
    {
     "gloss": "Grouping notes into recurring failure categories.",
     "term": "axial coding"
    },
    {
     "gloss": "The point where more examples add no new categories.",
     "term": "saturation"
    }
   ],
   "prereq": [
    "tracereview",
    "annotationguidelines"
   ],
   "keywords": [
    "open coding",
    "axial coding",
    "failure modes",
    "grounded theory",
    "trace annotation",
    "error analysis",
    "benevolent dictator"
   ],
   "source_ids": [
    "hamel-faq-erroranalysis"
   ],
   "url": "https://aiatlasgraph.com/t/failuretaxonomy",
   "markdown_url": "https://aiatlasgraph.com/t/failuretaxonomy.md",
   "updated": "2026-10-30"
  },
  "fairness": {
   "id": "fairness",
   "parent_id": "safety",
   "label": "Stronniczość i sprawiedliwość",
   "canonical_name": "Bias and fairness",
   "description": "Skutki różnego działania systemu wobec różnych grup.",
   "description_en": "Effects of a system behaving differently toward different groups.",
   "examples": "Bias · fairness",
   "examples_en": "Bias · fairness",
   "plain": "To badanie, czy model działa nierówno wobec różnych grup ludzi i jakie skutki to powoduje.",
   "plain_en": "This examines whether a model behaves differently across groups of people and what consequences follow.",
   "solves": "Średni wynik wygląda dobrze, lecz część osób częściej dostaje błędną lub krzywdzącą odpowiedź.",
   "solves_en": "Average performance looks good, but some people receive incorrect or harmful responses more often.",
   "does": "Porównuje dane, błędy i skutki decyzji między grupami, a następnie dobiera i sprawdza działania ograniczające nierówności.",
   "does_en": "It compares data, errors and decision effects across groups, then selects and checks measures to reduce disparities.",
   "example": "Sprawdzasz, czy model rozpoznawania mowy gorzej zapisuje wypowiedzi osób z wybranym akcentem.",
   "example_en": "You check whether a speech model transcribes people with a particular accent less accurately.",
   "for_you": [
    "system obsługuje różne grupy ludzi",
    "średnie wyniki mogą ukrywać nierówne działanie"
   ],
   "for_you_en": [
    "serve different groups of people",
    "suspect average results hide unequal performance"
   ],
   "how": "Definiuje się rodzaje szkód i grupy, a następnie mierzy jakość oraz decyzje w ich kontekście. Analiza danych, progów i procesu pozwala odróżnić nierówny wynik od przyczyny oraz dobrać interwencję do konkretnego zastosowania.",
   "how_en": "Harms and affected groups are defined before measuring quality and decisions in context. Data, threshold and workflow analysis separates unequal outcomes from causes and guides application-specific interventions.",
   "limits": "Jedna metryka nie rozstrzyga sprawiedliwości społecznej ani prawnej. Brak danych o grupach ukrywa różnice, a małe próbki zwiększają niepewność; korelacja nie wyjaśnia przyczyny szkody.",
   "limits_en": "One metric cannot establish social or legal fairness. Missing group data hide differences, while small samples increase uncertainty; correlation does not explain harm causes.",
   "terms": [
    {
     "gloss": "Nierówny dostęp do zasobów lub możliwości przez decyzje systemu.",
     "term": "szkoda alokacyjna"
    },
    {
     "gloss": "Wynik systemu liczony osobno dla określonej części populacji.",
     "term": "jakość dla podgrupy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Unequal access to resources or opportunities caused by system decisions.",
     "term": "allocation harm"
    },
    {
     "gloss": "System performance calculated separately for a specified population subset.",
     "term": "subgroup performance"
    }
   ],
   "prereq": [
    "classmetrics",
    "annotation"
   ],
   "keywords": [
    "demographic parity",
    "equalized odds",
    "equal opportunity",
    "Fairlearn",
    "subgroup evaluation",
    "allocation harms",
    "representation harms",
    "fairness-accuracy trade-off"
   ],
   "source_ids": [
    "nist",
    "fsdl",
    "fairlearn-user-guide"
   ],
   "url": "https://aiatlasgraph.com/t/fairness",
   "markdown_url": "https://aiatlasgraph.com/t/fairness.md",
   "updated": "2026-10-30"
  },
  "fairnessmetrics": {
   "id": "fairnessmetrics",
   "parent_id": "fairness",
   "label": "Metryki sprawiedliwości grupowej",
   "canonical_name": "Group fairness metrics",
   "description": "Porównywanie działania modelu między grupami wyznaczonymi przez cechy wrażliwe: czy decyzje pozytywne i błędy rozkładają się podobnie. Różne metryki wzajemnie się wykluczają, a wynik bliski zeru nie oznacza automatycznie sprawiedliwości.",
   "description_en": "Comparing model behaviour across groups defined by sensitive features: are positive decisions and errors distributed similarly? Different metrics conflict with each other, and a near-zero gap does not by itself mean the result is fair.",
   "examples": "parytet demograficzny · equalized odds · równość szans",
   "examples_en": "demographic parity · equalized odds · equal opportunity",
   "plain": "To liczby porównujące decyzje i błędy modelu między różnymi grupami ludzi.",
   "plain_en": "These numbers compare a model's decisions and errors across groups of people.",
   "solves": "Nie wiesz, czy podobny ogólny wynik oznacza podobne traktowanie wszystkich grup.",
   "solves_en": "You do not know whether similar overall results mean all groups are treated similarly.",
   "does": "Miary zestawiają częstość decyzji lub rodzajów błędów; mogą wskazywać różne cele, więc jedna liczba nie rozstrzyga sprawiedliwości.",
   "does_en": "Measures compare decision rates or error types; they can reflect different goals, so one number cannot establish fairness.",
   "example": "Dla modelu sortującego zgłoszenia porównujesz między grupami odsetek spraw błędnie uznanych za nieważne.",
   "example_en": "For a model sorting requests, you compare how often each group's requests are wrongly marked unimportant.",
   "for_you": [
    "porównujesz jakość obsługi różnych grup",
    "musisz wybrać, które nierówności mierzyć"
   ],
   "for_you_en": [
    "compare service quality across groups",
    "need to choose which disparities to measure"
   ],
   "how": "Dane dzieli się według cech grupowych i porównuje częstość pozytywnych decyzji oraz błędów. Kryteria warunkowane rzeczywistym wynikiem odróżniają równość szans wykrycia od równości całkowitego udziału decyzji.",
   "how_en": "Data is split by group attributes to compare positive decisions and error rates. Criteria conditioned on true outcomes distinguish equal detection opportunities from equal overall decision rates.",
   "limits": "Kryteria mogą być niezgodne przy różnych częstościach bazowych, poza szczególnymi przypadkami. Małe grupy i niepełne etykiety utrudniają estymację; wyrównanie wskaźnika może przenieść szkody na inne grupy.",
   "limits_en": "Criteria can conflict under differing base rates, except in special cases. Small groups and incomplete labels impede estimation; equalising one measure can shift harms elsewhere.",
   "terms": [
    {
     "gloss": "Równa częstość pozytywnych decyzji między porównywanymi grupami.",
     "term": "demographic parity"
    },
    {
     "gloss": "Równość odsetków trafień i fałszywych alarmów między grupami.",
     "term": "equalized odds"
    },
    {
     "gloss": "Równa wykrywalność pozytywnych przypadków między grupami.",
     "term": "equal opportunity"
    }
   ],
   "terms_en": [
    {
     "gloss": "Equal positive-decision rates across compared groups.",
     "term": "demographic parity"
    },
    {
     "gloss": "Equal true-positive and false-positive rates across groups.",
     "term": "equalized odds"
    },
    {
     "gloss": "Equal detection of positive cases across groups.",
     "term": "equal opportunity"
    }
   ],
   "prereq": [
    "classmetrics",
    "probability"
   ],
   "keywords": [
    "demographic parity",
    "equalized odds",
    "equal opportunity",
    "disparate impact ratio",
    "MetricFrame",
    "false positive rate parity"
   ],
   "source_ids": [
    "fairlearn-user-guide"
   ],
   "url": "https://aiatlasgraph.com/t/fairnessmetrics",
   "markdown_url": "https://aiatlasgraph.com/t/fairnessmetrics.md",
   "updated": "2026-10-30"
  },
  "fastdetsim": {
   "id": "fastdetsim",
   "parent_id": "physastro",
   "label": "Szybka symulacja detektorów modelami generatywnymi",
   "canonical_name": "Generative fast simulation of particle detectors",
   "aliases": [
    "fast calorimeter simulation",
    "generative detector simulation",
    "szybka symulacja kalorymetru"
   ],
   "description": "Generatywne modele (GAN, VAE, przepływy, dyfuzja, flow matching) zastępujące symulację kaskad w kalorymetrach, oceniane na wspólnych wyzwaniach.",
   "description_en": "Generative models (GANs, VAEs, flows, diffusion, flow matching) replacing calorimeter shower simulation, evaluated on shared challenges.",
   "plain": "Model generatywny uczy się, jak wyglądają ślady cząstek w detektorze, i tworzy je znacznie szybciej niż szczegółowa symulacja fizyki.",
   "plain_en": "A generative model learns what particle traces look like in a detector and produces them much faster than detailed physics simulation.",
   "solves": "Eksperymenty fizyczne potrzebują miliardów symulowanych zderzeń, a dokładna symulacja zjada większość mocy obliczeniowej laboratoriów.",
   "solves_en": "Physics experiments need billions of simulated collisions, and detailed simulation eats most of the labs' computing power.",
   "does": "Jak szkicownik, który po obejrzeniu wielu zdjęć burz rysuje nowe, przekonujące burze w sekundę, bez liczenia każdej kropli.",
   "does_en": "Like a sketch artist who, after seeing many storm photos, draws convincing new storms in a second without computing every drop.",
   "example": "Zespół badawczy przygotowuje zbiór symulacji do analizy w jeden dzień zamiast tygodni czekania na kolejkę superkomputera.",
   "example_en": "A research team prepares a simulation set for analysis in one day instead of weeks waiting in a supercomputer queue.",
   "for_you": [
    "zastępujesz wolną symulację szybkim modelem",
    "porównujesz modele generatywne i zastanawiasz się, jak ocenić ich jakość"
   ],
   "for_you_en": [
    "replace a slow simulation with a fast model",
    "compare generative models and wonder how to judge their quality"
   ],
   "how": "Model warunkowany energią i kątem padającej cząstki generuje rozkład depozytów energii w tysiącach wokseli kalorymetru. Ocena łączy histogramy wielkości fizycznych, metryki odległości rozkładów i test klasyfikatora, który próbuje odróżnić próbki z modelu od pełnej symulacji, oraz czas generowania i rozmiar modelu.",
   "how_en": "Conditioned on the incoming particle's energy and angle, the model generates energy deposits across thousands of calorimeter voxels. Evaluation combines histograms of physical quantities, distribution-distance metrics and a classifier test trying to tell model samples from full simulation, plus generation time and model size.",
   "limits": "Szybkość płaci się dokładnością w ogonach rozkładów, które bywają kluczowe dla analiz. Model trzeba trenować osobno dla każdej geometrii detektora, a jego błędy trudno przenieść na niepewności systematyczne.",
   "limits_en": "Speed is paid for with accuracy in distribution tails, which can be key to analyses. A model must be trained per detector geometry, and its errors are hard to translate into systematic uncertainties.",
   "terms": [
    {
     "gloss": "Część detektora mierząca energię cząstek przez ich pochłanianie.",
     "term": "kalorymetr"
    },
    {
     "gloss": "Lawina wtórnych cząstek powstająca w materiale detektora.",
     "term": "kaskada"
    },
    {
     "gloss": "Sprawdzanie, czy sieć potrafi odróżnić próbki sztuczne od prawdziwych.",
     "term": "test klasyfikatora"
    }
   ],
   "terms_en": [
    {
     "gloss": "A detector part measuring particle energy by absorbing it.",
     "term": "calorimeter"
    },
    {
     "gloss": "An avalanche of secondary particles formed in detector material.",
     "term": "shower"
    },
    {
     "gloss": "Checking whether a network can tell synthetic samples from real ones.",
     "term": "classifier test"
    }
   ],
   "prereq": [
    "gan",
    "flowmatching"
   ],
   "keywords": [
    "CaloChallenge",
    "CaloGAN",
    "CaloFlow",
    "CaloDiffusion",
    "Geant4",
    "flow matching",
    "fast simulation ATLAS",
    "FPD KPD metrics"
   ],
   "source_ids": [
    "calochallenge-2024"
   ],
   "url": "https://aiatlasgraph.com/t/fastdetsim",
   "markdown_url": "https://aiatlasgraph.com/t/fastdetsim.md",
   "updated": "2026-10-30"
  },
  "featureattribution": {
   "id": "featureattribution",
   "parent_id": "explainability",
   "label": "Wyjaśnianie pojedynczej decyzji (SHAP, LIME)",
   "canonical_name": "Local feature attribution (SHAP, LIME)",
   "aliases": [
    "SHAP",
    "LIME",
    "Shapley values",
    "wartości Shapleya",
    "local explanations",
    "atrybucja cech"
   ],
   "description": "Metody wyjaśniające pojedynczą predykcję przez przypisanie cechom wkładu w wynik. Mogą traktować model jak czarną skrzynkę albo wykorzystywać jego strukturę.",
   "description_en": "Methods that explain an individual prediction by assigning contributions to input features. They may treat the model as a black box or exploit its structure.",
   "examples": "wartości Shapleya · SHAP · LIME · lokalny model zastępczy",
   "examples_en": "Shapley values · SHAP · LIME · local surrogate model",
   "plain": "To szacowanie, jaki wkład poszczególne cechy danych miały w konkretną odpowiedź modelu.",
   "plain_en": "This estimates how individual data features contributed to a particular model answer.",
   "solves": "Widzisz przewidywanie, ale nie wiesz, które części opisu podniosły je lub obniżyły względem wybranego porównania.",
   "solves_en": "You see a prediction but do not know which parts of the input raised or lowered it against a chosen reference.",
   "does": "Porównuje wpływ cech przez zmianę ich zestawów lub prosty model pomocniczy; wynik zależy od metody i przyjętego punktu odniesienia.",
   "does_en": "It compares feature effects through changed feature combinations or a simple supporting model; results depend on the method and reference choice.",
   "example": "Przy prognozie opóźnienia paczki oglądasz oszacowane wkłady długości trasy, wagi i dnia wysyłki dla tego jednego przypadku.",
   "example_en": "For one parcel delay forecast, you inspect estimated contributions from route length, weight and dispatch day.",
   "for_you": [
    "chcesz badać pojedyncze przewidywanie modelu",
    "potrzebujesz porównać wkład różnych cech przykładu"
   ],
   "for_you_en": [
    "want to examine an individual model prediction",
    "need to compare contributions from an example's features"
   ],
   "how": "Metody koalicyjne porównują predykcje dla różnych kombinacji cech względem wybranego tła. Lokalne modele zastępcze dopasowują prostą funkcję do perturbacji wejścia i przypisują cechom wkłady w odpowiedź.",
   "how_en": "Coalition-based methods compare predictions across feature combinations against a selected background. Local surrogate models fit a simple function to input perturbations and assign feature contributions to an answer.",
   "limits": "Wkłady zależą od definicji brakującej cechy i rozkładu tła. Skorelowane wejścia tworzą niejednoznaczności; atrybucja predykcji nie dowodzi przyczynowego wpływu w świecie.",
   "limits_en": "Contributions depend on how missing features and background distributions are defined. Correlated inputs create ambiguity; prediction attribution does not prove real-world causal influence.",
   "terms": [
    {
     "gloss": "Podzbiór wejść uwzględniony podczas porównania predykcji.",
     "term": "koalicja cech"
    },
    {
     "gloss": "Prosty model przybliżający zachowanie bardziej złożonego modelu.",
     "term": "model zastępczy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A subset of inputs included when comparing predictions.",
     "term": "feature coalition"
    },
    {
     "gloss": "A simple model approximating a more complex model's behaviour.",
     "term": "surrogate model"
    }
   ],
   "prereq": [
    "supervised",
    "distributions"
   ],
   "keywords": [
    "Shapley values",
    "KernelSHAP",
    "TreeSHAP",
    "feature coalitions",
    "local surrogate models"
   ],
   "source_ids": [
    "molnar-iml-book-3ed",
    "lundberg-lee-shap-2017",
    "ribeiro-lime-2016"
   ],
   "url": "https://aiatlasgraph.com/t/featureattribution",
   "markdown_url": "https://aiatlasgraph.com/t/featureattribution.md",
   "updated": "2026-10-30"
  },
  "featureeng": {
   "id": "featureeng",
   "parent_id": "ml",
   "label": "Przygotowanie cech (feature engineering)",
   "canonical_name": "Feature engineering and preprocessing",
   "description": "Zamiana surowych kolumn w cechy, z których model potrafi się uczyć: skalowanie, kodowanie kategorii, uzupełnianie braków, tworzenie i wybór cech. Kroki spina się w pipeline, żeby nie przeciekały informacje ze zbioru testowego.",
   "description_en": "Turning raw columns into features a model can learn from: scaling, encoding categories, imputing missing values, creating and selecting features. Steps are chained in a pipeline so no test-set information leaks in.",
   "examples": "one-hot · skalowanie · imputacja · feature crosses · pipeline",
   "examples_en": "one-hot · scaling · imputation · feature crosses · pipeline",
   "plain": "To przygotowanie danych w postaci, z której model może się uczyć.",
   "plain_en": "This prepares data in a form a model can learn from.",
   "solves": "Surowe tabele zawierają braki, różne skale i opisy, których model nie potrafi bezpośrednio wykorzystać.",
   "solves_en": "Raw tables contain missing values, different scales and descriptions that a model cannot directly use.",
   "does": "Uzupełnia braki według ustalonych zasad, przelicza wartości i zamienia opisy na użyteczne cechy, ucząc te przekształcenia bez podglądania danych testowych.",
   "does_en": "It handles missing values, rescales numbers and converts descriptions into useful features, learning those transformations without examining test data.",
   "example": "Z tabeli zamówień tworzysz cechy takie jak czas od poprzedniego zakupu i pora dnia, żeby model mógł porównywać przypadki.",
   "example_en": "You turn an order table into features such as time since the previous purchase and time of day so a model can compare cases.",
   "for_you": [
    "dane wymagają przygotowania przed użyciem w modelu",
    "chcesz wybrać informacje przydatne do przewidywania"
   ],
   "for_you_en": [
    "need to prepare data before using a model",
    "want to select information useful for predictions"
   ],
   "how": "Transformacje kodują kategorie, uzupełniają braki, skalują wartości i konstruują cechy z surowych danych. Parametry przygotowania dopasowuje się tylko na części treningowej, zapisując cały proces razem z modelem.",
   "how_en": "Transformations encode categories, impute missing values, scale measurements and construct features from raw data. Preparation parameters are fitted only on training data, with the entire process recorded alongside the model.",
   "limits": "Cecha użyteczna w treningu może nie być dostępna przy predykcji. Kodowanie i imputacja wprowadzają założenia; przygotowanie na całym zbiorze powoduje wyciek do oceny.",
   "limits_en": "A feature useful during training may be unavailable at prediction time. Encoding and imputation introduce assumptions; fitting preparation on all data leaks into evaluation.",
   "terms": [
    {
     "gloss": "Uzupełnianie brakujących wartości według ustalonej reguły lub modelu.",
     "term": "imputacja"
    },
    {
     "gloss": "Przekład etykiet kategorii na reprezentację użyteczną dla modelu.",
     "term": "kodowanie kategorii"
    }
   ],
   "terms_en": [
    {
     "gloss": "Filling missing values using a specified rule or model.",
     "term": "imputation"
    },
    {
     "gloss": "Converting category labels into a representation usable by a model.",
     "term": "categorical encoding"
    }
   ],
   "prereq": [
    "datavalidation",
    "splits"
   ],
   "keywords": [
    "one-hot encoding",
    "standardization",
    "imputation",
    "feature crosses",
    "ColumnTransformer",
    "Pipeline",
    "categorical encoding"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "sklearn-pitfalls",
    "google-mlcc"
   ],
   "url": "https://aiatlasgraph.com/t/featureeng",
   "markdown_url": "https://aiatlasgraph.com/t/featureeng.md",
   "updated": "2026-10-30"
  },
  "featurescaling": {
   "id": "featurescaling",
   "parent_id": "featureeng",
   "label": "Skalowanie i normalizacja cech",
   "canonical_name": "Feature scaling and normalisation",
   "aliases": [
    "feature scaling",
    "normalizacja cech",
    "skalowanie cech"
   ],
   "description": "Przekształcenia cech liczbowych: standaryzacja, min–max, skalowanie odporne oraz transformacje logarytmiczne, potęgowe i kwantylowe.",
   "description_en": "Transformations of numeric features: standardisation, min–max, robust scaling, and log, power and quantile transforms.",
   "plain": "Sprowadzanie liczb z różnych kolumn do podobnej skali, żeby żadna nie dominowała tylko przez swoje jednostki.",
   "plain_en": "Bringing numbers from different columns to a similar range so none dominates just because of its units.",
   "solves": "Wiek liczony w latach i wydatki w złotówkach dają liczby różnych rzędów, przez co część modeli źle je porównuje.",
   "solves_en": "Age in years and spending in currency produce numbers of very different sizes, so some models compare them badly.",
   "does": "Przelicza każdą kolumnę jak walutę na wspólną miarę: odejmuje typową wartość i dzieli przez typowy rozrzut.",
   "does_en": "It converts each column like a currency into a common measure: subtract the typical value, divide by the typical spread.",
   "example": "Szukając podobnych klientów, wyrównujesz skalę wieku i wydatków, żeby odległość nie zależała tylko od kwot.",
   "example_en": "When looking for similar customers, you put age and spending on the same scale so distance doesn't depend only on amounts.",
   "for_you": [
    "twoje kolumny mają bardzo różne jednostki",
    "używasz modeli opartych na odległościach lub gradientach"
   ],
   "for_you_en": [
    "your columns use very different units",
    "use models based on distances or gradients"
   ],
   "how": "Standaryzacja odejmuje średnią i dzieli przez odchylenie standardowe; min–max mapuje wartości na przedział [0, 1]; skalowanie odporne używa mediany i rozstępu międzykwartylowego. Transformacje logarytmiczne, potęgowe i kwantylowe zmieniają kształt rozkładu. Parametry wylicza się tylko na zbiorze treningowym.",
   "how_en": "Standardisation subtracts the mean and divides by the standard deviation; min–max maps values to [0, 1]; robust scaling uses the median and interquartile range. Log, power and quantile transforms reshape the distribution. Parameters are computed on training data only.",
   "limits": "Modele drzewiaste zwykle nie potrzebują skalowania. Min–max jest wrażliwe na wartości odstające. Dopasowanie skalera na całym zbiorze przecieka informacją ze zbioru testowego.",
   "limits_en": "Tree-based models usually don't need scaling. Min–max is sensitive to outliers. Fitting the scaler on the full dataset leaks test-set information.",
   "terms": [
    {
     "gloss": "Pokazuje, o ile odchyleń standardowych wartość odbiega od średniej.",
     "term": "standaryzacja (z-score)"
    },
    {
     "gloss": "Użycie mediany i kwartyli, mniej wrażliwe na skrajne wartości.",
     "term": "skalowanie odporne"
    }
   ],
   "terms_en": [
    {
     "gloss": "Shows how many standard deviations a value lies from the mean.",
     "term": "standardisation (z-score)"
    },
    {
     "gloss": "Uses the median and quartiles, less sensitive to extreme values.",
     "term": "robust scaling"
    }
   ],
   "keywords": [
    "StandardScaler",
    "MinMaxScaler",
    "RobustScaler",
    "QuantileTransformer",
    "PowerTransformer",
    "Yeo-Johnson",
    "log transform",
    "z-score"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "sklearn-pitfalls"
   ],
   "url": "https://aiatlasgraph.com/t/featurescaling",
   "markdown_url": "https://aiatlasgraph.com/t/featurescaling.md",
   "updated": "2026-10-30"
  },
  "featureselection": {
   "id": "featureselection",
   "parent_id": "featureeng",
   "label": "Selekcja cech",
   "canonical_name": "Feature selection",
   "aliases": [
    "wybór cech",
    "variable selection"
   ],
   "description": "Wybór podzbioru cech metodami filtrującymi (testy, informacja wzajemna), opakowującymi (RFE, selekcja sekwencyjna) i wbudowanymi (L1, ważność cech).",
   "description_en": "Choosing a feature subset with filter methods (tests, mutual information), wrapper methods (RFE, sequential selection) and embedded methods (L1, feature importance).",
   "plain": "Wybieranie z wielu kolumn tylko tych, które naprawdę pomagają w przewidywaniu.",
   "plain_en": "Picking, from many columns, only those that actually help predictions.",
   "solves": "Setki kolumn spowalniają model, zaciemniają wyniki i zwiększają ryzyko nauczenia się przypadkowych zbieżności.",
   "solves_en": "Hundreds of columns slow a model down, muddy its results and raise the risk of learning coincidences.",
   "does": "Jak pakowanie walizki: sprawdzasz każdą rzecz i zostawiasz tylko to, czego w podróży naprawdę użyjesz.",
   "does_en": "Like packing a suitcase: you check each item and keep only what you'll actually use on the trip.",
   "example": "Z dwustu pomiarów czujników maszyny zostawiasz piętnaście, które najlepiej zapowiadają awarię.",
   "example_en": "Out of two hundred machine sensor readings, you keep the fifteen that best signal an upcoming failure.",
   "for_you": [
    "masz więcej kolumn, niż jesteś w stanie zrozumieć",
    "chcesz prostszego i tańszego modelu"
   ],
   "for_you_en": [
    "have more columns than you can make sense of",
    "want a simpler, cheaper model"
   ],
   "how": "Filtry oceniają każdą cechę niezależnie od modelu, np. testem chi-kwadrat lub informacją wzajemną z celem. Metody opakowujące trenują model na różnych podzbiorach i usuwają albo dodają cechy według wyniku walidacji krzyżowej. Metody wbudowane wybierają cechy w trakcie treningu, np. regularyzacją L1.",
   "how_en": "Filters score each feature independently of the model, e.g. with a chi-squared test or mutual information with the target. Wrapper methods train the model on different subsets, removing or adding features by cross-validated score. Embedded methods select during training, e.g. through L1 regularisation.",
   "limits": "Selekcja wykonana przed podziałem danych przecieka informacją i zawyża wyniki. Metody opakowujące są kosztowne. Cechy skorelowane mogą się wzajemnie maskować, więc wybrany zbiór bywa niestabilny.",
   "limits_en": "Selecting before splitting the data leaks information and inflates scores. Wrapper methods are expensive. Correlated features can mask each other, making the chosen set unstable.",
   "terms": [
    {
     "gloss": "Miara tego, ile wiedza o cesze mówi o wyniku.",
     "term": "informacja wzajemna"
    },
    {
     "gloss": "Rekurencyjne usuwanie najsłabszych cech i ponowne trenowanie modelu.",
     "term": "RFE"
    },
    {
     "gloss": "Kara za wagi, która zeruje wagi zbędnych cech.",
     "term": "regularyzacja L1"
    }
   ],
   "terms_en": [
    {
     "gloss": "How much knowing a feature tells you about the outcome.",
     "term": "mutual information"
    },
    {
     "gloss": "Recursively removing the weakest features and retraining the model.",
     "term": "RFE"
    },
    {
     "gloss": "A weight penalty that drives useless features' weights to zero.",
     "term": "L1 regularisation"
    }
   ],
   "prereq": [
    "crossval"
   ],
   "keywords": [
    "SelectKBest",
    "mutual information",
    "RFE",
    "RFECV",
    "SelectFromModel",
    "SequentialFeatureSelector",
    "Lasso",
    "VarianceThreshold",
    "Boruta"
   ],
   "source_ids": [
    "sklearn-featureselection-api",
    "sklearn-pitfalls"
   ],
   "url": "https://aiatlasgraph.com/t/featureselection",
   "markdown_url": "https://aiatlasgraph.com/t/featureselection.md",
   "updated": "2026-10-30"
  },
  "featurestore": {
   "id": "featurestore",
   "parent_id": "mlops",
   "label": "Magazyn cech (feature store)",
   "canonical_name": "Feature store",
   "aliases": [
    "feature store",
    "magazyn cech"
   ],
   "description": "Wspólna platforma cech dla treningu i produkcji: magazyn offline z historią cech do budowy zbiorów treningowych oraz magazyn online serwujący aktualne cechy z niskim opóźnieniem. Wspólne definicje i złączenia point-in-time pomagają ograniczać rozjazd trening–serwowanie oraz wyciek danych z przyszłości.",
   "description_en": "A shared feature platform for training and production: an offline store with feature history for building training sets and an online store serving current features at low latency. Shared definitions and point-in-time joins help limit training-serving skew and leakage from the future.",
   "examples": "magazyn offline i online · złączenia point-in-time · spójność trening–serwowanie · ponowne użycie cech między projektami",
   "examples_en": "offline and online stores · point-in-time joins · training–serving consistency · feature reuse across projects",
   "plain": "To wspólne miejsce przechowywania cech używanych zarówno podczas uczenia modelu, jak i przygotowania przewidywań.",
   "plain_en": "This shared store holds features used both to train a model and to make predictions.",
   "solves": "Trening korzysta z inaczej liczonych lub późniejszych danych niż aplikacja, więc model dostaje niespójne informacje.",
   "solves_en": "Training uses differently calculated or later data than the application, giving a model inconsistent information.",
   "does": "Wspólne definicje dostarczają bieżące cechy do przewidywania i historyczne wartości z właściwego momentu do treningu.",
   "does_en": "Shared definitions provide current features for predictions and historical values from the appropriate time for training.",
   "example": "Model dostaw używa tej samej definicji liczby otwartych zamówień podczas treningu i bieżącego przewidywania opóźnień.",
   "example_en": "A delivery model uses the same definition of open-order count during training and live delay prediction.",
   "for_you": [
    "trening i aplikacja potrzebują tych samych cech",
    "chcesz uniknąć używania przyszłych informacji w treningu"
   ],
   "for_you_en": [
    "need the same features in training and production",
    "want to avoid future information leaking into training"
   ],
   "how": "Wspólne definicje obliczają cechy dla magazynu historycznego oraz ścieżki online. Złączenie point-in-time dobiera do przykładu wartości dostępne we właściwym momencie, a aktualizacja i wersjonowanie uzgadniają trening z serwowaniem.",
   "how_en": "Shared definitions compute features for historical storage and online access. Point-in-time joins select values available at each example's relevant moment, while updates and versioning reconcile training with serving.",
   "limits": "Opóźnione zdarzenia i różne czasy dostępności mogą nadal powodować wyciek. Online i offline wymagają zgodnych transformacji; magazyn nie naprawia błędnej definicji cechy ani jej nieaktualności.",
   "limits_en": "Late events and differing availability times can still cause leakage. Online and offline paths need matching transformations; stores cannot fix incorrect feature definitions or staleness.",
   "terms": [
    {
     "gloss": "Złączenie wybierające wartości cech bez użycia informacji z przyszłości.",
     "term": "point-in-time join"
    },
    {
     "gloss": "Różnica cech lub transformacji między treningiem i użyciem produkcyjnym.",
     "term": "training-serving skew"
    }
   ],
   "terms_en": [
    {
     "gloss": "A join selecting feature values without future information.",
     "term": "point-in-time join"
    },
    {
     "gloss": "Differences in features or transformations between training and production use.",
     "term": "training-serving skew"
    }
   ],
   "prereq": [
    "featureeng",
    "leakagetypes"
   ],
   "keywords": [
    "Feast",
    "point-in-time joins",
    "offline feature store",
    "online feature store",
    "training-serving skew",
    "feature materialization"
   ],
   "source_ids": [
    "google-mlops-levels",
    "featurestore-org-what-is",
    "feast-point-in-time-joins"
   ],
   "url": "https://aiatlasgraph.com/t/featurestore",
   "markdown_url": "https://aiatlasgraph.com/t/featurestore.md",
   "updated": "2026-10-30"
  },
  "federated": {
   "id": "federated",
   "parent_id": "privacy",
   "label": "Uczenie federacyjne",
   "canonical_name": "Federated learning",
   "description": "Wspólne trenowanie modelu bez centralizowania surowych danych: dane zostają na urządzeniach lub serwerach uczestników, które przesyłają aktualizacje do agregacji. Samo uczenie federacyjne nie gwarantuje prywatności — aktualizacje mogą ujawniać informacje, dlatego stosuje się m.in. bezpieczną agregację i prywatność różnicową.",
   "description_en": "Collaborative model training without centralising raw data: data stays on participants’ devices or servers, which send updates for aggregation. Federated learning alone does not guarantee privacy — updates can leak information, so secure aggregation and differential privacy are among the additional protections used.",
   "examples": "FedAvg · bezpieczna agregacja · trening na urządzeniach",
   "examples_en": "FedAvg · secure aggregation · on-device training",
   "plain": "To wspólne uczenie modelu, gdy surowe dane pozostają na urządzeniach lub serwerach uczestników.",
   "plain_en": "This jointly trains a model while raw data stays on participants' devices or servers.",
   "solves": "Chcesz uczyć się na danych wielu miejsc, ale nie możesz zebrać wszystkich surowych danych w jednym magazynie.",
   "solves_en": "You need to learn from data across locations but cannot gather all raw data in one repository.",
   "does": "Uczestnicy obliczają lokalne aktualizacje i przesyłają je do połączenia; same aktualizacje mogą ujawniać informacje, więc potrzebują dodatkowej ochrony.",
   "does_en": "Participants compute local updates and send them for aggregation; updates can themselves expose information, so they need additional protection.",
   "example": "Telefony wspólnie poprawiają podpowiadanie tekstu, przekazując aktualizacje modelu zamiast pełnej historii wiadomości.",
   "example_en": "Phones jointly improve text suggestions by sending model updates rather than their full message histories.",
   "for_you": [
    "dane muszą zostać u uczestników",
    "chcesz wspólnie uczyć model w wielu miejscach"
   ],
   "for_you_en": [
    "need data to stay with contributors",
    "want to train jointly across multiple locations"
   ],
   "how": "Koordynator wysyła wspólne parametry, a uczestnicy obliczają lokalne aktualizacje na własnych danych. Agregacja, często ważona udziałem przykładów, tworzy kolejną wersję modelu; opcjonalne zabezpieczenia ograniczają ujawnianie aktualizacji.",
   "how_en": "A coordinator distributes shared parameters, and participants compute local updates on their own data. Aggregation, often weighted by example counts, produces the next model version; optional safeguards restrict update disclosure.",
   "limits": "Niejednorodne dane, niedostępni uczestnicy i koszt komunikacji utrudniają zbieżność. Aktualizacje mogą ujawniać informacje; bezpieczna agregacja ukrywa wkłady, ale sama nie daje formalnej prywatności danych.",
   "limits_en": "Heterogeneous data, unavailable participants and communication costs impede convergence. Updates can leak information; secure aggregation hides contributions but alone provides no formal data-privacy guarantee.",
   "terms": [
    {
     "gloss": "Zmiana parametrów wyliczona przez uczestnika na jego własnych danych.",
     "term": "lokalna aktualizacja"
    },
    {
     "gloss": "Obliczanie łącznego wyniku bez ujawniania indywidualnych wkładów koordynatorowi.",
     "term": "bezpieczna agregacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A parameter change computed by a participant using local data.",
     "term": "local update"
    },
    {
     "gloss": "Computing combined results without revealing individual contributions to the coordinator.",
     "term": "secure aggregation"
    }
   ],
   "prereq": [
    "backprop",
    "pipelines"
   ],
   "keywords": [
    "FedAvg",
    "secure aggregation",
    "client sampling",
    "non-IID data",
    "local SGD",
    "communication efficiency"
   ],
   "source_ids": [
    "fedavg-mcmahan-2016",
    "federated-privacy-secagg-2022"
   ],
   "url": "https://aiatlasgraph.com/t/federated",
   "markdown_url": "https://aiatlasgraph.com/t/federated.md",
   "updated": "2026-10-30"
  },
  "feedbackcontrol": {
   "id": "feedbackcontrol",
   "parent_id": "robotcontrol",
   "label": "Sterowanie ze sprzężeniem zwrotnym (PID, MPC)",
   "canonical_name": "Feedback control for robots (PID, MPC)",
   "aliases": [
    "feedback control",
    "PID",
    "MPC",
    "model predictive control",
    "regulator PID",
    "sterowanie predykcyjne"
   ],
   "description": "Regulatory w pętli zamkniętej – od klasycznego PID przez LQR po sterowanie predykcyjne z modelem – śledzące trajektorię mimo zakłóceń.",
   "description_en": "Closed-loop controllers—from classical PID through LQR to model predictive control—that track a trajectory despite disturbances.",
   "plain": "Sposób, w jaki robot stale mierzy, jak bardzo odbiega od planu, i od razu poprawia siłę swoich silników.",
   "plain_en": "How a robot keeps measuring how far it strays from the plan and immediately adjusts its motor effort.",
   "solves": "Nawet idealnie zaplanowany ruch rozjeżdża się przez ciężar ładunku, tarcie i pchnięcia, a robot zaczyna drgać lub zbaczać.",
   "solves_en": "Even a perfectly planned motion drifts because of payload, friction and pushes, so the robot starts to shake or veer.",
   "does": "Jak kierowca trzymający auto w pasie: widzi odchylenie, delikatnie kręci kierownicą, a bystrzejszy przewiduje też najbliższy zakręt.",
   "does_en": "Like a driver keeping a car in lane: seeing the drift, nudging the wheel, and a sharper one also anticipating the next bend.",
   "example": "Dron utrzymuje się w miejscu mimo podmuchów wiatru, bo co ułamek sekundy koryguje obroty śmigieł.",
   "example_en": "A drone holds its position in gusty wind because it corrects its propeller speeds every fraction of a second.",
   "for_you": [
    "twój robot lub dron drga, przestrzeliwuje albo dryfuje",
    "łączysz polecenia z sieci neuronowej z prawdziwymi silnikami",
    "chcesz wiedzieć, jak maszyny utrzymują równowagę"
   ],
   "for_you_en": [
    "your robot or drone shakes, overshoots or drifts",
    "connect neural-network commands to real motors",
    "want to know how machines keep their balance"
   ],
   "how": "PID wylicza sygnał z bieżącego błędu, jego całki i pochodnej. LQR wyznacza optymalne wzmocnienia dla zlinearyzowanego modelu. MPC w każdym kroku rozwiązuje krótkie zadanie optymalizacji z ograniczeniami na modelu dynamiki i wykonuje tylko pierwszą akcję. Uczone polityki zwykle podają cele, które śledzi regulator niskiego poziomu.",
   "how_en": "PID computes the command from the current error, its integral and derivative. LQR derives optimal gains for a linearised model. MPC solves a short constrained optimisation over a dynamics model at every step and applies only the first action. Learned policies usually output targets tracked by a low-level controller.",
   "limits": "PID wymaga strojenia i słabo radzi sobie z silnie nieliniową dynamiką. MPC potrzebuje dobrego modelu i szybkiego solvera, bo musi zdążyć w każdym cyklu. Opóźnienia czujników mogą rozkołysać układ.",
   "limits_en": "PID needs tuning and copes poorly with strongly nonlinear dynamics. MPC needs a good model and a fast solver to finish within each cycle. Sensor delays can destabilise the loop.",
   "terms": [
    {
     "gloss": "Regulator reagujący na błąd, jego sumę w czasie i tempo zmian.",
     "term": "PID"
    },
    {
     "gloss": "Sterowanie, które planuje kilka kroków naprzód i wykonuje tylko pierwszy.",
     "term": "MPC"
    },
    {
     "gloss": "Przekroczenie celu przed ustabilizowaniem się, widoczne jako kołysanie.",
     "term": "przeregulowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A controller reacting to error, its accumulation over time and rate of change.",
     "term": "PID"
    },
    {
     "gloss": "Control that plans a few steps ahead and executes only the first.",
     "term": "MPC"
    },
    {
     "gloss": "Going past the target before settling, seen as oscillation.",
     "term": "overshoot"
    }
   ],
   "prereq": [
    "calculus",
    "mathoptimization"
   ],
   "keywords": [
    "PID tuning",
    "LQR",
    "model predictive control",
    "impedance control",
    "operational space control",
    "Drake",
    "acados",
    "ros2_control"
   ],
   "source_ids": [
    "modern-robotics-2017",
    "robotics"
   ],
   "url": "https://aiatlasgraph.com/t/feedbackcontrol",
   "markdown_url": "https://aiatlasgraph.com/t/feedbackcontrol.md",
   "updated": "2026-10-30"
  },
  "fewshotcot": {
   "id": "fewshotcot",
   "parent_id": "cot",
   "label": "Łańcuch myśli z przykładami",
   "canonical_name": "Few-shot chain-of-thought",
   "description": "W prompcie pokazuje się kilka przykładów zadań z rozpisanym rozwiązaniem krok po kroku; model naśladuje ten styl przy nowym zadaniu.",
   "description_en": "The prompt includes a few example problems with step-by-step worked solutions; the model imitates that style on a new problem.",
   "examples": "kilka rozwiązanych zadań w prompcie",
   "examples_en": "a few worked problems in the prompt",
   "plain": "To pokazywanie modelowi przykładów z rozpisanym rozwiązaniem, żeby podobnie podejść do nowego zadania.",
   "plain_en": "This shows a model examples with worked solutions so it can approach a new task similarly.",
   "solves": "Sama prośba o wynik nie wskazuje, jak rozłożyć nietypowe zadanie na potrzebne etapy.",
   "solves_en": "Asking for an answer alone does not show how to split an unfamiliar task into the needed steps.",
   "does": "Przykłady w poleceniu pokazują wzorzec rozumowania, który model może zastosować do kolejnego przypadku bez zmiany swoich ustawień.",
   "does_en": "Examples in the prompt demonstrate a reasoning pattern the model can apply to another case without changing its parameters.",
   "example": "Pokazujesz obliczenie kosztu jednego zamówienia, a następnie prosisz o analogiczne rozpisanie nowego koszyka.",
   "example_en": "You show a worked calculation for one order, then ask for a similar breakdown of a new basket.",
   "for_you": [
    "potrafisz przygotować dobre rozwiązane przykłady",
    "nowe zadania mają podobną strukturę"
   ],
   "for_you_en": [
    "can prepare useful worked examples",
    "handle new tasks with a similar structure"
   ],
   "how": "Kontekst zawiera przykładowe zadania wraz z pośrednimi krokami i odpowiedziami. Model wykorzystuje ich wzorzec do generowania rozwiązania nowego zadania, bez aktualizacji parametrów podczas tej interakcji.",
   "how_en": "Context contains example tasks with intermediate steps and answers. The model uses their pattern to generate a solution for a new task without updating parameters during that interaction.",
   "limits": "Dobór i kolejność przykładów wpływają na zachowanie. Nietrafne analogie przenoszą błędny schemat; długie demonstracje zajmują kontekst i mogą ujawniać odpowiedzi ze zbioru oceny.",
   "limits_en": "Example selection and order affect behaviour. Poor analogies transfer incorrect patterns; long demonstrations occupy context and can leak evaluation answers.",
   "terms": [
    {
     "gloss": "Przykład wejścia i oczekiwanego sposobu rozwiązania umieszczony w kontekście.",
     "term": "demonstracja"
    },
    {
     "gloss": "Dostosowanie zachowania do przykładów bez zmiany wag modelu.",
     "term": "uczenie w kontekście"
    }
   ],
   "terms_en": [
    {
     "gloss": "An input example and desired solution pattern placed in context.",
     "term": "demonstration"
    },
    {
     "gloss": "Adapting behaviour to examples without changing model weights.",
     "term": "in-context learning"
    }
   ],
   "prereq": [
    "prompting",
    "evalsets"
   ],
   "keywords": [
    "worked examples",
    "reasoning demonstrations",
    "in-context learning"
   ],
   "source_ids": [
    "wei-cot-2022"
   ],
   "url": "https://aiatlasgraph.com/t/fewshotcot",
   "markdown_url": "https://aiatlasgraph.com/t/fewshotcot.md",
   "updated": "2026-10-30"
  },
  "fewshotprompting": {
   "id": "fewshotprompting",
   "parent_id": "prompting",
   "label": "Przykłady w poleceniu (few-shot)",
   "canonical_name": "Few-shot prompting and in-context learning",
   "aliases": [
    "few-shot prompting",
    "in-context learning",
    "ICL",
    "one-shot prompting",
    "zero-shot prompting",
    "uczenie w kontekście",
    "przykłady w prompcie"
   ],
   "description": "Kilka par wejście–wyjście umieszczonych w prompcie pokazuje modelowi zadanie i format odpowiedzi bez zmiany wag.",
   "description_en": "A few input–output pairs placed in the prompt show the model the task and answer format without changing its weights.",
   "plain": "Zamiast długo tłumaczyć, czego chcesz, pokazujesz modelowi kilka gotowych przykładów, a on robi kolejny w tym samym stylu.",
   "plain_en": "Instead of explaining at length what you want, you show the model a few finished examples and it makes another in the same style.",
   "solves": "Trudno słowami opisać dokładny format, ton albo sposób klasyfikowania, więc odpowiedzi za każdym razem wyglądają inaczej.",
   "solves_en": "It is hard to describe an exact format, tone or way of sorting in words, so answers come out different every time.",
   "does": "Działa jak wzór wypełnionego formularza pokazany nowemu pracownikowi: od razu widać, co wpisać w które pole.",
   "does_en": "It works like a filled-in sample form shown to a new employee: it is instantly clear what goes in each field.",
   "example": "Wklejasz trzy opisy produktów napisane przez sklep i prosisz o czwarty, a model trzyma ich długość, ton i układ.",
   "example_en": "You paste three product descriptions the shop wrote and ask for a fourth; the model keeps their length, tone and layout.",
   "for_you": [
    "chcesz, żeby odpowiedzi miały zawsze ten sam format",
    "sortujesz wiadomości lub opinie do kategorii"
   ],
   "for_you_en": [
    "want answers to always follow the same format",
    "sort messages or reviews into categories"
   ],
   "how": "W badanych zadaniach klasyfikacji i wielokrotnego wyboru dużą część efektu dawały format, przestrzeń etykiet i typowy rozkład wejść, a poprawność etykiet miała mniejsze znaczenie; nie należy przenosić tego wyniku na wszystkie zadania.",
   "how_en": "In the studied classification and multiple-choice tasks, much of the effect came from the format, label space, and typical input distribution, while label correctness mattered less; this result should not be generalized to every task.",
   "limits": "Przykłady zużywają kontekst i zwiększają koszt każdego wywołania. Model może kopiować przypadkowe cechy przykładów, a wyniki bywają wrażliwe na ich kolejność; przy wielu podobnych zadaniach dostrajanie bywa tańsze.",
   "limits_en": "Examples consume context and raise the cost of every call. The model may copy incidental features of the examples, results can be sensitive to order, and for many similar tasks fine-tuning can be cheaper.",
   "terms": [
    {
     "gloss": "Przykład wejścia z oczekiwaną odpowiedzią umieszczony w prompcie.",
     "term": "demonstracja"
    },
    {
     "gloss": "Polecenie bez żadnego przykładu, tylko z opisem zadania.",
     "term": "zero-shot"
    },
    {
     "gloss": "Przejmowanie wzorca zadania z kontekstu bez zmiany wag modelu.",
     "term": "in-context learning"
    }
   ],
   "terms_en": [
    {
     "gloss": "An example input with its expected answer placed in the prompt.",
     "term": "demonstration"
    },
    {
     "gloss": "An instruction with no examples, only a task description.",
     "term": "zero-shot"
    },
    {
     "gloss": "Picking up a task pattern from context without changing weights.",
     "term": "in-context learning"
    }
   ],
   "prereq": [
    "nexttoken",
    "textclassification"
   ],
   "keywords": [
    "in-context learning",
    "zero-shot",
    "one-shot",
    "demonstration selection",
    "example ordering",
    "many-shot ICL",
    "k-shot"
   ],
   "source_ids": [
    "gpt3-fewshot-2020",
    "min-demonstrations-2022",
    "claude-prompting-best-practices"
   ],
   "url": "https://aiatlasgraph.com/t/fewshotprompting",
   "markdown_url": "https://aiatlasgraph.com/t/fewshotprompting.md",
   "updated": "2026-10-30"
  },
  "fewstepdiffusion": {
   "id": "fewstepdiffusion",
   "parent_id": "diffusion",
   "label": "Szybkie generowanie w kilku krokach",
   "canonical_name": "Fast and few-step diffusion sampling",
   "aliases": [
    "few-step generation",
    "fast sampling",
    "diffusion acceleration",
    "przyspieszanie dyfuzji",
    "one-step diffusion",
    "diffusion distillation"
   ],
   "description": "Metody skracania próbkowania modeli dyfuzyjnych: lepsze solvery bez ponownego treningu oraz destylacja do modeli kilku- i jednokrokowych.",
   "description_en": "Methods for shortening diffusion sampling: better solvers without retraining and distillation into few-step and one-step models.",
   "plain": "Zestaw sposobów, by modele tworzące obrazy z szumu dały wynik w kilku krokach zamiast w kilkuset.",
   "plain_en": "A set of ways to make models that create images from noise deliver a result in a few steps instead of hundreds.",
   "solves": "Dobre generatory obrazów odszumiają wynik dziesiątki lub setki razy, więc są wolne, drogie i nie nadają się do pracy na żywo.",
   "solves_en": "Good image generators denoise their output tens or hundreds of times, so they are slow, costly and unfit for live use.",
   "does": "Albo sprytniej przechodzi się po tej samej drodze, albo wolny model-nauczyciel uczy ucznia robić kilka kroków naraz.",
   "does_en": "Either the same path is walked more cleverly, or a slow teacher model trains a student to take several steps at once.",
   "example": "Rysujesz kształt w programie graficznym, a obok niemal od razu pojawia się jego realistyczna wersja, zmieniająca się razem z kreską.",
   "example_en": "You sketch a shape in a graphics app and a realistic version appears beside it almost instantly, changing as you draw.",
   "for_you": [
    "płacisz za każdy wygenerowany obraz lub klatkę",
    "chcesz generować obrazy na telefonie lub na żywo"
   ],
   "for_you_en": [
    "pay for every generated image or frame",
    "want to generate images on a phone or live"
   ],
   "how": "Pierwsza grupa traktuje odszumianie jako równanie różniczkowe i rozwiązuje je większymi, dokładniejszymi krokami. Druga trenuje nowy model na wynikach wolnego nauczyciela: przez stopniowe połowienie liczby kroków, wymuszanie spójności punktów na tej samej trajektorii albo dodanie dyskryminatora oceniającego realizm.",
   "how_en": "One group treats denoising as a differential equation and solves it with larger, more accurate steps. The other trains a new model on a slow teacher's outputs: by repeatedly halving the step count, enforcing consistency of points on one trajectory, or adding a discriminator that judges realism.",
   "limits": "Mniejsza liczba wywołań sieci zwiększa błąd przybliżenia trajektorii odszumiania albo wymaga dodatkowego treningu ucznia. Metody bez treningu, destylacja i modele spójności mają różne koszty i nie są wymienne dla każdego modelu.",
   "limits_en": "Fewer network evaluations increase approximation error along the denoising trajectory or require additional student training. Training-free methods, distillation and consistency models have different costs and are not interchangeable for every model.",
   "terms": [
    {
     "gloss": "Algorytm przechodzący krokami wzdłuż równania różniczkowego.",
     "term": "solver ODE"
    },
    {
     "gloss": "Trenowanie szybkiego ucznia na wynikach wolnego modelu dyfuzyjnego.",
     "term": "destylacja dyfuzji"
    },
    {
     "gloss": "Liczba wywołań sieci na jeden wynik; główna miara kosztu próbkowania.",
     "term": "NFE"
    }
   ],
   "terms_en": [
    {
     "gloss": "An algorithm stepping along a differential equation.",
     "term": "ODE solver"
    },
    {
     "gloss": "Training a fast student on a slow diffusion model's outputs.",
     "term": "diffusion distillation"
    },
    {
     "gloss": "Network calls per sample; the main measure of sampling cost.",
     "term": "NFE"
    }
   ],
   "prereq": [
    "distillation"
   ],
   "keywords": [
    "DDIM",
    "DPM-Solver",
    "progressive distillation",
    "consistency models",
    "adversarial diffusion distillation",
    "rectified flow",
    "NFE"
   ],
   "source_ids": [
    "liu-rectifiedflow-2022",
    "song-ddim-2020",
    "salimans-progdistill-2022",
    "song-consistency-2023",
    "sauer-add-2023",
    "lu-dpmsolver-2022"
   ],
   "url": "https://aiatlasgraph.com/t/fewstepdiffusion",
   "markdown_url": "https://aiatlasgraph.com/t/fewstepdiffusion.md",
   "updated": "2026-10-30"
  },
  "finance": {
   "id": "finance",
   "parent_id": null,
   "label": "AI w finansach",
   "canonical_name": "AI in finance",
   "aliases": [
    "financial AI",
    "AI in banking",
    "fintech AI",
    "AI w bankowości",
    "AI w finansach i bankowości"
   ],
   "description": "Uczenie maszynowe w bankowości, płatnościach, inwestycjach i ubezpieczeniach: wykrywanie oszustw, AML/KYC, ocena kredytowa, handel ilościowy, NLP finansowe i ryzyko modeli.",
   "description_en": "Machine learning in banking, payments, investing and insurance: fraud detection, AML/KYC, credit scoring, quantitative trading, financial NLP and model risk.",
   "plain": "Programy, które pilnują płatności, oceniają wnioski o kredyt, czytają raporty spółek i pomagają inwestować.",
   "plain_en": "Software that watches payments, assesses loan applications, reads company reports and helps with investing.",
   "solves": "Banki obsługują miliony płatności i wniosków dziennie, a oszustw, brudnych pieniędzy i ryzyka nie da się wyłapać ręcznie.",
   "solves_en": "Banks handle millions of payments and applications a day, and fraud, dirty money and risk cannot be caught by hand.",
   "does": "Jak doświadczony księgowy z fotograficzną pamięcią: porównuje każdą operację z milionami wcześniejszych i od razu widzi, co odstaje od normy.",
   "does_en": "Like a seasoned accountant with a photographic memory: compares each transaction with millions of earlier ones and spots what is out of line.",
   "example": "Bank wstrzymuje płatność twoją kartą w obcym kraju i pyta w aplikacji, czy to ty; tego samego dnia dostajesz decyzję kredytową w kilka minut.",
   "example_en": "Your bank holds a card payment abroad and asks in the app whether it was you; the same day you get a loan decision within minutes.",
   "for_you": [
    "płacisz kartą lub telefonem",
    "starasz się o kredyt lub zakup na raty",
    "inwestujesz oszczędności w akcje lub fundusze"
   ],
   "for_you_en": [
    "pay by card or phone",
    "apply for a loan or buy in instalments",
    "invest savings in shares or funds"
   ],
   "how": "Większość zastosowań to klasyfikacja i ranking na danych tabelarycznych i strumieniach transakcji (gradient boosting, modele sekwencyjne, grafy), uzupełniane modelami językowymi do dokumentów. Modele działają pod nadzorem regulatorów: wymagają walidacji, monitoringu dryfu, wyjaśniania decyzji klientom i udokumentowanego zarządzania ryzykiem modeli.",
   "how_en": "Most uses are classification and ranking on tabular data and transaction streams (gradient boosting, sequence models, graphs), complemented by language models for documents. Models operate under regulatory oversight: they need validation, drift monitoring, explanations of decisions to customers and documented model risk management.",
   "limits": "Dane są poufne, mocno niezbalansowane i zmienne, bo przeciwnik (oszust, rynek) się dostosowuje. Etykiety przychodzą z opóźnieniem lub wcale. Decyzje kredytowe podlegają wymogom wyjaśnialności i niedyskryminacji, a podobne modele w wielu instytucjach mogą wzmacniać ryzyko systemowe.",
   "limits_en": "Data are confidential, heavily imbalanced and shifting, because the adversary (fraudster, market) adapts. Labels arrive late or never. Credit decisions face explainability and non-discrimination rules, and similar models across many institutions can amplify systemic risk.",
   "terms": [
    {
     "gloss": "Przeciwdziałanie praniu pieniędzy i finansowaniu terroryzmu.",
     "term": "AML"
    },
    {
     "gloss": "Poznanie i weryfikacja klienta przed otwarciem konta.",
     "term": "KYC"
    },
    {
     "gloss": "Strata wynikająca z błędnego modelu lub jego złego użycia.",
     "term": "ryzyko modelu"
    },
    {
     "gloss": "Sprawdzenie strategii inwestycyjnej na danych historycznych.",
     "term": "backtest"
    }
   ],
   "terms_en": [
    {
     "gloss": "Anti-money laundering and countering terrorist financing.",
     "term": "AML"
    },
    {
     "gloss": "Knowing and verifying a customer before opening an account.",
     "term": "KYC"
    },
    {
     "gloss": "Loss caused by a wrong model or its misuse.",
     "term": "model risk"
    },
    {
     "gloss": "Testing an investment strategy on historical data.",
     "term": "backtest"
    }
   ],
   "prereq": [
    "gradientboosting",
    "anomalydetection"
   ],
   "keywords": [
    "fraud detection",
    "anti-money laundering",
    "KYC",
    "credit scoring",
    "algorithmic trading",
    "quantitative finance",
    "model risk management",
    "insurtech",
    "FinBERT",
    "FinQA",
    "Elliptic dataset",
    "gradient boosting",
    "EU AI Act high-risk",
    "RegTech",
    "explainable AI"
   ],
   "source_ids": [
    "fsb-ai-financial-stability-2024",
    "boe-ai-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/finance",
   "markdown_url": "https://aiatlasgraph.com/t/finance.md",
   "updated": "2026-10-30"
  },
  "finetuneselection": {
   "id": "finetuneselection",
   "parent_id": "dataselection",
   "label": "Selekcja danych do dostrajania",
   "canonical_name": "Selecting data for fine-tuning",
   "aliases": [
    "instruction data selection",
    "LIMA",
    "LESS"
   ],
   "description": "Wybór niewielkiego, starannego zbioru przykładów do SFT zamiast wielkiego i przypadkowego — ręcznie albo metodą, która mierzy wpływ przykładu na zadanie docelowe.",
   "description_en": "Choosing a small, carefully curated set of SFT examples instead of a large random one — by hand or with a method that measures each example's influence on the target task.",
   "examples": "1000 starannych przykładów (LIMA) · selekcja po podobieństwie gradientów (LESS)",
   "examples_en": "1,000 curated examples (LIMA) · gradient-similarity selection (LESS)",
   "plain": "To wybieranie przykładów, które najlepiej pokazują modelowi, jak wykonywać konkretne zadanie.",
   "plain_en": "This selects examples that best show a model how to perform a specific task.",
   "solves": "Przypadkowe przykłady nie uczą potrzebnego sposobu odpowiadania, nawet gdy masz ich dużo.",
   "solves_en": "Random examples may not teach the response you need, even when you have many of them.",
   "does": "Ocenia poprawność i przydatność przykładów oraz ich wpływ na docelowe zadanie, a potem wybiera materiał do dostrajania.",
   "does_en": "It assesses example quality, relevance and influence on the target task, then selects material for adapting the model.",
   "example": "Dostrajasz asystenta do reklamacji, wybierając sprawdzone odpowiedzi zarówno na typowe pytania, jak i na trudne przypadki.",
   "example_en": "You adapt a complaints assistant using checked replies to difficult cases as well as common questions.",
   "for_you": [
    "chcesz nauczyć model określonego sposobu odpowiadania",
    "wybierasz materiał z dużego archiwum odpowiedzi"
   ],
   "for_you_en": [
    "want to teach a model a particular response style",
    "select material from a large answer archive"
   ],
   "how": "Kandydatów ocenia się według jakości odpowiedzi, różnorodności i dopasowania do zadań docelowych. Metody wpływu porównują sygnały gradientowe przykładów treningowych z małym zbiorem docelowym, by wybrać bardziej użyteczne dane.",
   "how_en": "Candidates are assessed for answer quality, diversity and target-task relevance. Influence methods compare training-example gradient signals with a small target set to select more useful data.",
   "limits": "Ocena wpływu jest przybliżona i zależy od modelu oraz zadania. Zbyt wąska selekcja ogranicza pokrycie; mały zbiór nadal wymaga poprawnych odpowiedzi i kontroli wycieku.",
   "limits_en": "Influence estimates are approximate and model- and task-dependent. Narrow selection reduces coverage; small datasets still need correct answers and leakage checks.",
   "terms": [
    {
     "gloss": "Przybliżona zmiana zachowania modelu wynikająca z uczenia na konkretnej próbce.",
     "term": "wpływ przykładu"
    },
    {
     "gloss": "Przykłady reprezentujące zadania, dla których dobiera się dane treningowe.",
     "term": "zbiór docelowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "An estimated change in model behaviour from training on a particular sample.",
     "term": "example influence"
    },
    {
     "gloss": "Examples representing tasks used to guide training-data selection.",
     "term": "target set"
    }
   ],
   "prereq": [
    "sft",
    "evalsets"
   ],
   "keywords": [
    "LIMA",
    "LESS",
    "gradient-based influence",
    "instruction diversity",
    "target-task similarity"
   ],
   "source_ids": [
    "lima-2023",
    "less-2024"
   ],
   "url": "https://aiatlasgraph.com/t/finetuneselection",
   "markdown_url": "https://aiatlasgraph.com/t/finetuneselection.md",
   "updated": "2026-10-30"
  },
  "finllm": {
   "id": "finllm",
   "parent_id": "finnlp",
   "label": "Modele językowe uczone na tekstach finansowych",
   "canonical_name": "Finance-specific language models",
   "aliases": [
    "financial LLM",
    "domain-specific financial LLM",
    "finansowe modele językowe"
   ],
   "description": "Modele językowe pretrenowane lub dotrenowane na korpusach finansowych (raporty, wiadomości, transkrypcje), by poprawić wyniki w zadaniach dziedzinowych.",
   "description_en": "Language models pretrained or further trained on financial corpora (filings, news, transcripts) to improve domain task performance.",
   "plain": "Modele językowe, które poza zwykłymi tekstami czytały mnóstwo raportów, wiadomości giełdowych i dokumentów finansowych.",
   "plain_en": "Language models that, besides ordinary text, have read huge amounts of reports, market news and financial documents.",
   "solves": "Ogólne modele mylą żargon finansowy, skróty i liczby w raportach, a pomyłka w finansach szybko kosztuje.",
   "solves_en": "General models stumble over financial jargon, abbreviations and figures in reports, and mistakes in finance get expensive fast.",
   "does": "Jak tłumacz, który po studiach językowych przepracował lata w banku: zna język ogólny i branżowy.",
   "does_en": "Like a translator who after language school spent years at a bank: fluent in both everyday and trade language.",
   "example": "Analityk prosi asystenta o wyłuskanie z kwartalnego raportu wszystkich wzmianek o ryzyku walutowym i dostaje trafne, opisane fragmenty.",
   "example_en": "An analyst asks an assistant to pull every mention of currency risk from a quarterly report and gets accurate, labelled passages.",
   "for_you": [
    "analizujesz raporty spółek lub wiadomości rynkowe",
    "wybierasz model do zastosowań finansowych"
   ],
   "for_you_en": [
    "analyse company reports or market news",
    "choose a model for finance tasks"
   ],
   "how": "Stosuje się pretrening od zera na mieszance danych finansowych i ogólnych, dalszy pretrening ogólnego modelu na tekstach z dziedziny albo dostrajanie instrukcjami do zadań finansowych. Przykładowo model o 50 mld parametrów uczono na ok. 363 mld tokenów finansowych i 345 mld ogólnych; wypadał lepiej w zadaniach finansowych przy zachowaniu wyników ogólnych.",
   "how_en": "Options are pretraining from scratch on a mix of financial and general data, continued pretraining of a general model on domain text, or instruction tuning on financial tasks. For instance, a 50-billion-parameter model was trained on about 363 billion financial and 345 billion general tokens, doing better on financial tasks while keeping general performance.",
   "limits": "Pretrening od zera jest bardzo drogi, a przewagę szybko dogania kolejna generacja modeli ogólnych. Najcenniejsze dane finansowe są płatne i zastrzeżone. Wiedza o rynku starzeje się w miesiące, więc bez wyszukiwania model podaje nieaktualne fakty.",
   "limits_en": "Pretraining from scratch is very costly, and the next generation of general models quickly closes the gap. The most valuable financial data are paid and proprietary. Market knowledge ages within months, so without retrieval the model gives stale facts.",
   "terms": [
    {
     "gloss": "Model uczony głównie na tekstach z jednej branży.",
     "term": "model dziedzinowy"
    },
    {
     "gloss": "Douczanie gotowego modelu na tekstach z nowej dziedziny.",
     "term": "dalszy pretrening"
    },
    {
     "gloss": "Zestawy testów porównujących modele w zadaniach finansowych.",
     "term": "FLUE / FinBen"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model trained mainly on text from one industry.",
     "term": "domain model"
    },
    {
     "gloss": "Further training a ready model on text from a new domain.",
     "term": "continued pretraining"
    },
    {
     "gloss": "Test suites comparing models on financial tasks.",
     "term": "FLUE / FinBen"
    }
   ],
   "prereq": [
    "continuedpretraining"
   ],
   "keywords": [
    "BloombergGPT",
    "FinBERT",
    "FinGPT",
    "SEC-BERT",
    "domain-adaptive pretraining",
    "FinBen",
    "FLUE",
    "financial instruction tuning"
   ],
   "source_ids": [
    "bloomberggpt-2023",
    "finer-xbrl-2022"
   ],
   "url": "https://aiatlasgraph.com/t/finllm",
   "markdown_url": "https://aiatlasgraph.com/t/finllm.md",
   "updated": "2026-10-30"
  },
  "finmodelvalidation": {
   "id": "finmodelvalidation",
   "parent_id": "modelriskmgmt",
   "label": "Niezależna walidacja i monitoring modeli finansowych",
   "canonical_name": "Independent validation and ongoing monitoring of financial models",
   "aliases": [
    "model validation",
    "independent model validation",
    "ongoing monitoring",
    "champion-challenger",
    "effective challenge",
    "walidacja modeli",
    "monitoring modeli"
   ],
   "description": "Niezależna ocena koncepcji, danych, implementacji i wyników modelu oraz stały monitoring jego działania, proporcjonalne do istotności modelu.",
   "description_en": "Independent assessment of a model's concept, data, implementation and outcomes plus ongoing performance monitoring, proportionate to model materiality.",
   "plain": "Sprawdzanie modelu banku przez osoby, które go nie budowały, przed wdrożeniem i regularnie potem.",
   "plain_en": "Having people who didn't build a bank's model check it before launch and regularly afterwards.",
   "solves": "Twórcy modelu nie widzą własnych błędów, a model, który działał rok temu, może po cichu przestać pasować do rzeczywistości.",
   "solves_en": "Model builders miss their own mistakes, and a model that worked a year ago can quietly stop matching reality.",
   "does": "Działa jak recenzent i kontrola okresowa naraz: kwestionuje założenia, porównuje z modelem konkurencyjnym i śledzi, czy wyniki się nie rozjeżdżają.",
   "does_en": "Acts as reviewer and periodic check in one: challenges assumptions, compares with a rival model and tracks whether results drift.",
   "example": "Zespół walidacji zauważa, że model kredytowy coraz częściej zaniża ryzyko w jednej grupie klientów, i zleca jego ponowną kalibrację.",
   "example_en": "The validation team notices a credit model increasingly understating risk for one customer group and orders a recalibration.",
   "for_you": [
    "oddajesz model do przeglądu przed wdrożeniem",
    "odpowiadasz za działanie modelu po wdrożeniu"
   ],
   "for_you_en": [
    "hand a model over for review before launch",
    "are responsible for a model after it goes live"
   ],
   "how": "Walidatorzy, oddzieleni od twórców, przeglądają dokumentację i dane, odtwarzają wyniki, testują wrażliwość, porównują z modelem alternatywnym (challenger) i sprawdzają wyniki na nowszym okresie. Po wdrożeniu monitoruje się stabilność populacji, trafność i kalibrację; przekroczenie progów uruchamia przegląd. Głębokość walidacji zależy od klasy ryzyka modelu.",
   "how_en": "Validators separate from developers review documentation and data, reproduce results, run sensitivity tests, compare with a challenger model and check out-of-time performance. After launch, population stability, accuracy and calibration are monitored; threshold breaches trigger review. Validation depth depends on the model's risk tier.",
   "limits": "Walidacja złożonych modeli uczenia maszynowego jest kosztowna i wymaga rzadkich kompetencji. Modele dostawców bywają nieprzejrzyste. Progi monitoringu dobiera się arbitralnie, a opóźnione etykiety sprawiają, że spadek trafności widać dopiero po czasie.",
   "limits_en": "Validating complex ML models is costly and needs scarce skills. Vendor models can be opaque. Monitoring thresholds are set somewhat arbitrarily, and delayed labels mean accuracy drops show up only later.",
   "terms": [
    {
     "gloss": "Krytyczna, kompetentna i niezależna ocena modelu.",
     "term": "effective challenge"
    },
    {
     "gloss": "Model alternatywny, z którym porównuje się model główny.",
     "term": "challenger model"
    },
    {
     "gloss": "Wskaźnik, jak bardzo zmieniła się populacja względem danych treningowych.",
     "term": "PSI"
    }
   ],
   "terms_en": [
    {
     "gloss": "Critical, competent and independent assessment of a model.",
     "term": "effective challenge"
    },
    {
     "gloss": "An alternative model the main one is compared against.",
     "term": "challenger model"
    },
    {
     "gloss": "Index of how much the population shifted from training data.",
     "term": "PSI"
    }
   ],
   "prereq": [
    "driftdetection",
    "calibration"
   ],
   "keywords": [
    "PRA SS1/23",
    "champion-challenger",
    "out-of-time validation",
    "population stability index",
    "backtesting",
    "sensitivity analysis",
    "model tiering",
    "post-model adjustments"
   ],
   "source_ids": [
    "pra-ss1-23-mrm"
   ],
   "url": "https://aiatlasgraph.com/t/finmodelvalidation",
   "markdown_url": "https://aiatlasgraph.com/t/finmodelvalidation.md",
   "updated": "2026-10-30"
  },
  "finnlp": {
   "id": "finnlp",
   "parent_id": "finance",
   "label": "Przetwarzanie języka w finansach",
   "canonical_name": "Natural language processing in finance",
   "aliases": [
    "financial NLP",
    "FinNLP",
    "financial LLM",
    "LLM w finansach",
    "modele językowe w finansach"
   ],
   "description": "NLP i LLM na tekstach finansowych: analiza sentymentu wiadomości, ekstrakcja z raportów, odpowiadanie na pytania wymagające obliczeń na tabelach i tekście.",
   "description_en": "NLP and LLMs on financial text: news sentiment analysis, extraction from reports, question answering that requires calculations over tables and text.",
   "plain": "Programy czytające wiadomości, raporty spółek i dokumenty finansowe, które wyciągają z nich nastroje, liczby i odpowiedzi na pytania.",
   "plain_en": "Software that reads news, company reports and financial documents and pulls out sentiment, figures and answers.",
   "solves": "Każdego dnia ukazują się tysiące raportów, komunikatów i artykułów, a analityk nie zdąży przeczytać nawet ułamka.",
   "solves_en": "Thousands of reports, announcements and articles appear every day, and an analyst can't read even a fraction.",
   "does": "Jak asystent analityka, który przed poranną kawą przegląda całą prasę i sprawozdania i przynosi tylko najważniejsze liczby i sygnały.",
   "does_en": "Like an analyst's assistant who skims all the press and filings before morning coffee and brings back only the key figures and signals.",
   "example": "Analityczka pyta asystenta, jak zmieniła się marża spółki w ostatnim roku, i dostaje wynik z odnośnikiem do strony raportu.",
   "example_en": "An analyst asks the assistant how a company's margin changed last year and gets the answer with a link to the report page.",
   "for_you": [
    "czytasz raporty spółek przed inwestycją",
    "pracujesz z dokumentami w banku lub funduszu",
    "budujesz czatbota dla klientów finansowych"
   ],
   "for_you_en": [
    "read company reports before investing",
    "work with documents at a bank or fund",
    "build a chatbot for financial customers"
   ],
   "how": "Stosuje się modele dostrojone do języka finansów (np. warianty BERT douczone na tekstach finansowych) oraz ogólne LLM z wyszukiwaniem w dokumentach. Typowe zadania to klasyfikacja sentymentu, ekstrakcja encji i liczb, streszczanie oraz pytania wymagające wieloetapowych obliczeń na tabelach i tekście raportu.",
   "how_en": "Models tuned to financial language (e.g. BERT variants further trained on financial text) and general LLMs with document retrieval are used. Typical tasks are sentiment classification, entity and figure extraction, summarisation, and questions needing multi-step calculations over report tables and text.",
   "limits": "Finanse wymagają precyzji liczbowej, a modele mylą jednostki, okresy i znaki. W teście z pytaniami o raporty spółek model z wyszukiwaniem odpowiedział źle lub odmówił w większości przypadków. Halucynacje w dokumentach finansowych mogą mieć skutki prawne.",
   "limits_en": "Finance demands numerical precision, and models mix up units, periods and signs. In a test of questions on company filings, a retrieval-backed model answered wrongly or refused in most cases. Hallucinations in financial documents can have legal consequences.",
   "terms": [
    {
     "gloss": "Wydźwięk tekstu: pozytywny, negatywny lub neutralny dla inwestora.",
     "term": "sentyment"
    },
    {
     "gloss": "Roczne sprawozdanie spółki giełdowej w USA.",
     "term": "raport 10-K"
    },
    {
     "gloss": "Wieloetapowe obliczenia na danych z tabel i tekstu.",
     "term": "rozumowanie liczbowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "A text's tone: positive, negative or neutral for investors.",
     "term": "sentiment"
    },
    {
     "gloss": "A US-listed company's annual report.",
     "term": "10-K filing"
    },
    {
     "gloss": "Multi-step calculations on data from tables and text.",
     "term": "numerical reasoning"
    }
   ],
   "prereq": [
    "textclassification",
    "retrieval"
   ],
   "keywords": [
    "FinBERT",
    "Financial PhraseBank",
    "FinQA",
    "TAT-QA",
    "FinanceBench",
    "BloombergGPT",
    "SEC EDGAR",
    "earnings call analysis",
    "XBRL",
    "financial RAG"
   ],
   "source_ids": [
    "finbert-araci-2019",
    "finqa-2021",
    "financebench-2023"
   ],
   "url": "https://aiatlasgraph.com/t/finnlp",
   "markdown_url": "https://aiatlasgraph.com/t/finnlp.md",
   "updated": "2026-10-30"
  },
  "finreportqa": {
   "id": "finreportqa",
   "parent_id": "finnlp",
   "label": "Pytania i obliczenia na raportach finansowych",
   "canonical_name": "Question answering and numerical reasoning over financial reports",
   "aliases": [
    "financial QA",
    "FinQA",
    "FinanceBench",
    "numerical reasoning over tables",
    "analiza sprawozdań finansowych z LLM"
   ],
   "description": "Odpowiadanie na pytania wymagające wyszukania i wieloetapowych obliczeń na tabelach i tekście raportów finansowych; benchmarki FinQA, TAT-QA, FinanceBench.",
   "description_en": "Answering questions that require retrieval and multi-step calculation over tables and text in financial reports; FinQA, TAT-QA, FinanceBench benchmarks.",
   "plain": "Modele, które odpowiadają na pytania o sprawozdania spółek i same liczą potrzebne wskaźniki z tabel i tekstu.",
   "plain_en": "Models that answer questions about company reports and work out the needed ratios from tables and text.",
   "solves": "Odpowiedź na proste pytanie o spółkę wymaga znalezienia liczb w setkach stron raportu i poprawnego ich przeliczenia.",
   "solves_en": "Answering a simple question about a company means finding figures in hundreds of report pages and calculating correctly.",
   "does": "Jak student ekonomii z kalkulatorem: najpierw odszukuje właściwe wiersze tabeli, potem krok po kroku liczy wynik.",
   "does_en": "Like an economics student with a calculator: first finds the right table rows, then works out the result step by step.",
   "example": "Pytasz, o ile procent wzrosły przychody spółki rok do roku; model wskazuje dwie liczby z raportu i pokazuje obliczenie.",
   "example_en": "You ask by what percentage a company's revenue grew year on year; the model points to two figures in the report and shows the calculation.",
   "for_you": [
    "analizujesz sprawozdania finansowe",
    "oceniasz, czy czatbot nadaje się do pracy z raportami"
   ],
   "for_you_en": [
    "analyse financial statements",
    "judge whether a chatbot is fit for work with reports"
   ],
   "how": "System wyszukuje fragmenty raportu (tabele i akapity), a model generuje program obliczeń lub rozumowanie krok po kroku, wykonywane kalkulatorem albo kodem. Ocena porównuje wynik liczbowy z odpowiedzią eksperta i sprawdza, czy model wskazał właściwe dowody w dokumencie.",
   "how_en": "The system retrieves report passages (tables and paragraphs), and the model generates a calculation program or step-by-step reasoning executed by a calculator or code. Evaluation compares the number with an expert answer and checks that the model cited the right evidence.",
   "limits": "Benchmarki pokazały dużą przepaść między modelami a ekspertami w wieloetapowych obliczeniach. Wyszukiwanie często zwraca złą tabelę lub zły rok, a długie raporty wydłużają odpowiedź. Bez wskazania źródła każdą liczbę trzeba sprawdzać ręcznie.",
   "limits_en": "Benchmarks showed a large gap between models and experts on multi-step calculations. Retrieval often returns the wrong table or year, and long reports slow answers down. Without cited evidence every figure must be checked by hand.",
   "terms": [
    {
     "gloss": "Ciąg obliczeń, z których każde zależy od poprzedniego.",
     "term": "rozumowanie wieloetapowe"
    },
    {
     "gloss": "Fragment dokumentu, na którym opiera się odpowiedź.",
     "term": "dowód (evidence)"
    },
    {
     "gloss": "Pytania wymagające łączenia danych z tabel i akapitów.",
     "term": "QA na tabelach i tekście"
    }
   ],
   "terms_en": [
    {
     "gloss": "A chain of calculations, each depending on the previous one.",
     "term": "multi-step reasoning"
    },
    {
     "gloss": "The document passage the answer relies on.",
     "term": "evidence"
    },
    {
     "gloss": "Questions that combine data from tables and paragraphs.",
     "term": "table-text QA"
    }
   ],
   "prereq": [
    "questionanswering",
    "tableextraction"
   ],
   "keywords": [
    "FinQA",
    "TAT-QA",
    "FinanceBench",
    "ConvFinQA",
    "program of thought",
    "table-text QA",
    "SEC filings",
    "financial RAG"
   ],
   "source_ids": [
    "finqa-2021",
    "financebench-2023"
   ],
   "url": "https://aiatlasgraph.com/t/finreportqa",
   "markdown_url": "https://aiatlasgraph.com/t/finreportqa.md",
   "updated": "2026-10-30"
  },
  "finsentiment": {
   "id": "finsentiment",
   "parent_id": "finnlp",
   "label": "Analiza sentymentu wiadomości finansowych",
   "canonical_name": "Financial news sentiment analysis",
   "aliases": [
    "financial sentiment analysis",
    "news sentiment",
    "sentyment rynkowy",
    "FinBERT sentiment"
   ],
   "description": "Klasyfikacja wydźwięku nagłówków, komunikatów i rozmów wynikowych modelami dostrojonymi do domeny finansowej.",
   "description_en": "Classifying the tone of headlines, announcements and earnings calls with models tuned to the financial domain.",
   "plain": "Automatyczne ocenianie, czy wiadomość lub wypowiedź prezesa brzmi dla inwestorów dobrze, źle czy neutralnie.",
   "plain_en": "Automatically judging whether a news item or a CEO's remark sounds good, bad or neutral for investors.",
   "solves": "Zwykłe narzędzia do oceny nastroju mylą się w finansach, bo „cięcie kosztów” czy „spadek zadłużenia” to dobre wiadomości.",
   "solves_en": "Ordinary mood tools get finance wrong, because “cost cuts” or “falling debt” are good news.",
   "does": "Model, który przeczytał mnóstwo tekstów finansowych, rozpoznaje branżowe znaczenia słów, tak jak doświadczony makler słyszy podtekst komunikatu.",
   "does_en": "Having read lots of financial text, the model knows the trade meaning of words, the way a seasoned broker hears an announcement's subtext.",
   "example": "Portal inwestycyjny koloruje nagłówki: na zielono, gdy spółka podnosi prognozy, na czerwono, gdy ostrzega przed słabszym kwartałem.",
   "example_en": "An investing site colours headlines: green when a company raises its outlook, red when it warns of a weaker quarter.",
   "for_you": [
    "śledzisz wiadomości o spółkach, w które inwestujesz",
    "budujesz sygnały inwestycyjne z tekstu"
   ],
   "for_you_en": [
    "follow news about companies you invest in",
    "build investment signals from text"
   ],
   "how": "Model językowy douczony na tekstach finansowych dostraja się na oznaczonych zdaniach, np. z Financial PhraseBank, do klasyfikacji wydźwięku. Wyniki agreguje się po spółkach i dniach jako sygnał dla modeli inwestycyjnych lub monitoringu ryzyka.",
   "how_en": "A language model further trained on financial text is fine-tuned on labelled sentences, e.g. from Financial PhraseBank, to classify tone. Scores are aggregated per company and day as a signal for investment models or risk monitoring.",
   "limits": "Etykiety sentymentu są subiektywne i eksperci często się nie zgadzają. Ten sam tekst może działać różnie na różne spółki, a rynek szybko dyskontuje oczywiste wiadomości. Modele starzeją się wraz z językiem rynku.",
   "limits_en": "Sentiment labels are subjective and experts often disagree. The same text can affect companies differently, and markets price in obvious news quickly. Models age as market language changes.",
   "terms": [
    {
     "gloss": "Zbiór zdań z wiadomości finansowych oznaczonych wydźwiękiem.",
     "term": "Financial PhraseBank"
    },
    {
     "gloss": "Dalszy trening modelu na tekstach z jednej dziedziny.",
     "term": "douczanie domenowe"
    },
    {
     "gloss": "Konferencja zarządu z analitykami po publikacji wyników.",
     "term": "rozmowa wynikowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A set of financial news sentences labelled by tone.",
     "term": "Financial PhraseBank"
    },
    {
     "gloss": "Further training a model on text from one field.",
     "term": "domain-adaptive pretraining"
    },
    {
     "gloss": "Management's call with analysts after results are published.",
     "term": "earnings call"
    }
   ],
   "prereq": [
    "textclassification"
   ],
   "keywords": [
    "FinBERT",
    "Financial PhraseBank",
    "FiQA",
    "Loughran-McDonald dictionary",
    "earnings calls",
    "news analytics",
    "domain-adaptive pretraining"
   ],
   "source_ids": [
    "finbert-araci-2019"
   ],
   "url": "https://aiatlasgraph.com/t/finsentiment",
   "markdown_url": "https://aiatlasgraph.com/t/finsentiment.md",
   "updated": "2026-10-30"
  },
  "flashattn": {
   "id": "flashattn",
   "parent_id": "transformers",
   "label": "FlashAttention",
   "canonical_name": "FlashAttention",
   "description": "Atencja liczona z myślą o pamięci: mniej przepychania danych, ten sam wynik.",
   "description_en": "Attention computed with memory in mind: less data movement, the same result.",
   "examples": "IO-aware · kafelkowanie · specjalizacja warpów",
   "examples_en": "IO-aware · tiling · warp specialisation",
   "plain": "To liczenie uwagi z mniejszą ilością przenoszenia danych między częściami pamięci komputera.",
   "plain_en": "This computes attention while moving less data between parts of computer memory.",
   "solves": "Obliczenia uwagi czekają na odczyty i zapisy dużych zestawów danych, spowalniając pracę z długim tekstem.",
   "solves_en": "Attention calculations wait for large data reads and writes, slowing work with long text.",
   "does": "Obliczenia są wykonywane w blokach bliżej procesora, zamiast zapisywać całą wielką tabelę powiązań w wolniejszej pamięci.",
   "does_en": "Calculations run in blocks close to the processor instead of storing the entire large relationship matrix in slower memory.",
   "example": "Przy treningu na długich dokumentach włączasz wydajniejszą implementację uwagi i mierzysz zużycie pamięci oraz czas.",
   "example_en": "When training on long documents, you enable a more efficient attention implementation and measure memory use and runtime.",
   "for_you": [
    "pracujesz z długimi sekwencjami",
    "uwaga zużywa dużo pamięci lub czasu"
   ],
   "for_you_en": [
    "work with long sequences",
    "find attention consumes substantial memory or time"
   ],
   "how": "Uwagę oblicza się kafelkami w szybkiej pamięci procesora graficznego, bez zapisywania pełnej macierzy relacji do pamięci głównej urządzenia. Przyrostowy softmax łączy częściowe wyniki, zachowując dokładną konstrukcję uwagi zamiast przybliżania jej relacji.",
   "how_en": "Attention is computed in tiles within fast graphics-processor memory, without writing the full relationship matrix to device main memory. Incremental softmax combines partial results, preserving exact attention rather than approximating its relationships.",
   "limits": "Pełna uwaga nadal wymaga kwadratowej liczby relacji. Zysk zależy od sprzętu, rozmiarów i obsługiwanych masek; wynik może różnić się numerycznie przez kolejność operacji zmiennoprzecinkowych.",
   "limits_en": "Full attention still requires quadratically many relationships. Gains depend on hardware, shapes and supported masks; numerical results can differ due to floating-point operation order.",
   "terms": [
    {
     "gloss": "Podział obliczeń na bloki mieszczące się w szybkiej pamięci.",
     "term": "tiling"
    },
    {
     "gloss": "Aktualizacja normalizacji i sum ważonych bez przechowywania wszystkich wyników porównania.",
     "term": "online softmax"
    }
   ],
   "terms_en": [
    {
     "gloss": "Dividing computation into blocks fitting fast memory.",
     "term": "tiling"
    },
    {
     "gloss": "Updating normalisation and weighted sums without retaining all comparison scores.",
     "term": "online softmax"
    }
   ],
   "prereq": [
    "selfattention",
    "gpuprog"
   ],
   "keywords": [
    "FlashAttention-2",
    "FlashAttention-3",
    "IO-aware attention",
    "SRAM tiling",
    "online softmax",
    "warp specialization"
   ],
   "source_ids": [
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/flashattn",
   "markdown_url": "https://aiatlasgraph.com/t/flashattn.md",
   "updated": "2026-10-30"
  },
  "flowmatching": {
   "id": "flowmatching",
   "parent_id": "generative",
   "label": "Przepływy normalizujące i flow matching",
   "canonical_name": "Normalising flows and flow matching",
   "aliases": [
    "normalizing flows",
    "normalising flows",
    "flow matching",
    "rectified flow",
    "przepływy normalizujące",
    "continuous normalizing flows"
   ],
   "description": "Modele przekształcające prosty szum w dane odwracalną transformacją (przepływy normalizujące) albo wyuczonym polem prędkości wzdłuż ścieżki od szumu do danych (flow matching, rectified flow). Flow matching obejmuje dyfuzję jako szczególny przypadek i jest podstawą wielu nowych modeli obrazu, np. Stable Diffusion 3.",
   "description_en": "Models that turn simple noise into data with an invertible transform (normalising flows) or a learned velocity field along a path from noise to data (flow matching, rectified flow). Flow matching includes diffusion as a special case and underpins many new image models, e.g. Stable Diffusion 3.",
   "examples": "przepływy normalizujące · flow matching · rectified flow (proste ścieżki szum–dane)",
   "examples_en": "normalising flows · flow matching · rectified flow (straight noise–data paths)",
   "plain": "To tworzenie danych przez wyuczone przekształcanie prostego losowego zapisu w bardziej złożone obrazy lub dźwięki.",
   "plain_en": "This generates data by learning to transform simple random representations into more complex images or sounds.",
   "solves": "Losowe liczby łatwo wylosować, ale potrzebujesz sposobu zamiany ich w przykłady przypominające rzeczywiste dane.",
   "solves_en": "Random numbers are easy to sample, but you need a way to turn them into examples resembling real data.",
   "does": "Model uczy się odwracalnych przekształceń albo kierunku kolejnych zmian na drodze od szumu do danych.",
   "does_en": "A model learns invertible transformations or the direction of successive changes along a path from noise to data.",
   "example": "Generator stopniowo przekształca losowy zapis w obraz filiżanki odpowiadający twojemu opisowi.",
   "example_en": "A generator gradually transforms a random representation into a cup image matching your description.",
   "for_you": [
    "porównujesz sposoby tworzenia obrazów z szumu",
    "poznajesz generowanie przez wyuczone przekształcenia"
   ],
   "for_you_en": [
    "compare ways to create images from noise",
    "study generation through learned transformations"
   ],
   "how": "Przepływ normalizujący przekształca prosty rozkład odwracalnie, uwzględniając zmianę objętości przy obliczaniu gęstości. Flow matching uczy pole prędkości przez regresję względem ustalonej ścieżki między szumem i danymi; integracja tego pola tworzy próbkę.",
   "how_en": "A normalising flow invertibly transforms a simple distribution, accounting for volume changes when calculating density. Flow matching learns a velocity field by regression along a specified noise-to-data path; integrating that field produces samples.",
   "limits": "Odwracalność ogranicza konstrukcję klasycznych przepływów. Ciągłe warianty wymagają numerycznej integracji; wybór ścieżki, dokładność solvera i liczba ocen pola wpływają na koszt oraz błędy próbkowania.",
   "limits_en": "Invertibility constrains classical flow designs. Continuous variants require numerical integration; path choice, solver accuracy and field-evaluation counts affect sampling costs and errors.",
   "terms": [
    {
     "gloss": "Macierz lokalnych pochodnych przekształcenia opisująca zmianę objętości i kierunków.",
     "term": "jakobian"
    },
    {
     "gloss": "Funkcja wyznaczająca kierunek i tempo ruchu próbki w czasie.",
     "term": "pole prędkości"
    }
   ],
   "terms_en": [
    {
     "gloss": "A matrix of local transformation derivatives describing volume and direction changes.",
     "term": "Jacobian"
    },
    {
     "gloss": "A function determining a sample's direction and speed over time.",
     "term": "velocity field"
    }
   ],
   "prereq": [
    "calculus",
    "distributions"
   ],
   "keywords": [
    "normalizing flows",
    "continuous normalizing flows",
    "rectified flow",
    "velocity fields",
    "change of variables",
    "Jacobian determinant"
   ],
   "source_ids": [
    "udlbook-toc",
    "flow-matching-2022",
    "sd3-rectified-flow-2024",
    "lilianweng-flow-models-2018"
   ],
   "url": "https://aiatlasgraph.com/t/flowmatching",
   "markdown_url": "https://aiatlasgraph.com/t/flowmatching.md",
   "updated": "2026-10-30"
  },
  "fol": {
   "id": "fol",
   "parent_id": "logic",
   "label": "Logika zdań i logika pierwszego rzędu",
   "canonical_name": "Propositional and first-order logic",
   "description": "Formalny zapis faktów i reguł oraz automatyczne wyprowadzanie z nich wniosków.",
   "description_en": "Formal notation for facts and rules, and automatic derivation of conclusions from them.",
   "examples": "Kwantyfikatory · rezolucja · wnioskowanie w przód i wstecz · Prolog",
   "examples_en": "Quantifiers · resolution · forward and backward chaining · Prolog",
   "plain": "To ścisły zapis zdań i reguł, z których program może wyprowadzać kolejne wnioski.",
   "plain_en": "This writes statements and rules precisely so software can derive further conclusions.",
   "solves": "Zwykły opis zasad bywa niejednoznaczny, więc trudno sprawdzić, czy dany wniosek rzeczywiście z nich wynika.",
   "solves_en": "Everyday descriptions of rules can be ambiguous, making it hard to check whether a conclusion actually follows.",
   "does": "Łączy fakty z warunkami oraz stwierdzeniami o wszystkich lub wybranych obiektach, sprawdzając konsekwencje tych zapisów.",
   "does_en": "It combines facts, conditions and statements about all or some objects, checking what follows from those statements.",
   "example": "Zapisujesz, że każdy zarejestrowany uczestnik ma identyfikator; program sprawdza, czy wskazany uczestnik spełnia tę regułę.",
   "example_en": "You state that every registered participant has an identifier; software checks whether a selected participant satisfies that rule.",
   "for_you": [
    "chcesz jednoznacznie zapisać warunki i wyjątki",
    "musisz sprawdzić, czy wniosek wynika z reguł"
   ],
   "for_you_en": [
    "want conditions and exceptions written unambiguously",
    "need to check whether a conclusion follows from rules"
   ],
   "how": "Logika zdań łączy twierdzenia spójnikami, a logika pierwszego rzędu dodaje obiekty, predykaty i kwantyfikację. Dowodzenie stosuje reguły do formuł, natomiast semantyka sprawdza ich prawdziwość w interpretacjach.",
   "how_en": "Propositional logic combines statements with connectives; first-order logic adds objects, predicates and quantification. Proof systems apply rules to formulas, while semantics evaluates their truth in interpretations.",
   "limits": "Ogólne wnioskowanie w logice pierwszego rzędu jest nierozstrzygalne. Praktyczne systemy ograniczają język lub czas, a poprawność formalna nadal zależy od zapisanych przesłanek.",
   "limits_en": "General first-order inference is undecidable. Practical systems restrict languages or runtime, and formal correctness still depends on the stated premises.",
   "terms": [
    {
     "gloss": "Wyrażenie opisujące własność obiektu lub relację między obiektami.",
     "term": "predykat"
    },
    {
     "gloss": "Operator określający, czy twierdzenie dotyczy wszystkich czy niektórych obiektów.",
     "term": "kwantyfikator"
    }
   ],
   "terms_en": [
    {
     "gloss": "An expression describing an object's property or a relationship between objects.",
     "term": "predicate"
    },
    {
     "gloss": "An operator specifying whether a statement concerns all or some objects.",
     "term": "quantifier"
    }
   ],
   "keywords": [
    "resolution",
    "unification",
    "forward chaining",
    "backward chaining",
    "Prolog",
    "quantifiers"
   ],
   "source_ids": [
    "aima4"
   ],
   "url": "https://aiatlasgraph.com/t/fol",
   "markdown_url": "https://aiatlasgraph.com/t/fol.md",
   "updated": "2026-10-30"
  },
  "forcedalignment": {
   "id": "forcedalignment",
   "parent_id": "audio",
   "label": "Dopasowanie tekstu do czasu nagrania",
   "canonical_name": "Forced alignment of speech and text",
   "aliases": [
    "forced alignment",
    "word alignment",
    "wyrównanie czasowe",
    "wymuszone dopasowanie",
    "synchronizacja transkrypcji"
   ],
   "description": "To ustalanie, kiedy w nagraniu padają słowa z podanego tekstu.",
   "description_en": "This determines when words from a supplied text occur in a recording.",
   "plain": "To ustalanie, kiedy w nagraniu padają słowa z podanego tekstu.",
   "plain_en": "This determines when words from a supplied text occur in a recording.",
   "solves": "Masz transkrypcję, ale znalezienie początku każdego słowa wymaga wielokrotnego odsłuchu.",
   "solves_en": "You have a transcript, but locating each word's start requires repeated listening.",
   "does": "Przykłada tekst do osi czasu jak podpisy do odpowiednich miejsc na taśmie.",
   "does_en": "It fits text onto a timeline like labels attached to the right places on a tape.",
   "example": "Dopasowujesz gotowy zapis wypowiedzi do nagrania przed przygotowaniem napisów.",
   "example_en": "You align a completed transcript with a recording before preparing subtitles.",
   "for_you": [
    "przygotowujesz napisy do filmów",
    "wyszukujesz cytaty w długich nagraniach"
   ],
   "for_you_en": [
    "prepare video subtitles",
    "locate quotations in long recordings"
   ],
   "how": "Algorytm szuka czasowego dopasowania dostarczonej sekwencji tekstowej do sygnału mowy. WhisperX łączy rozpoznawanie mowy z oddzielnym etapem wyrównania i detekcją aktywności głosowej.",
   "how_en": "An algorithm finds a temporal alignment between a supplied text sequence and speech. WhisperX combines speech recognition with a separate alignment stage and voice activity detection.",
   "limits": "Błędny tekst, nieobsługiwany język i nakładająca się mowa pogarszają dopasowanie. Znaczniki czasu nie potwierdzają poprawności transkrypcji.",
   "limits_en": "Incorrect text, unsupported languages and overlapping speech degrade alignment. Timestamps do not verify transcript accuracy.",
   "terms": [
    {
     "gloss": "Moment początku i końca słowa w nagraniu.",
     "term": "znacznik czasu słowa"
    },
    {
     "gloss": "Funkcja straty pozwalająca uczyć rozpoznawania mowy bez ręcznego wyrównania liter.",
     "term": "CTC"
    },
    {
     "gloss": "Najmniejsza jednostka dźwięku mowy, np. głoska.",
     "term": "fonem"
    }
   ],
   "terms_en": [
    {
     "gloss": "When a word starts and ends in the recording.",
     "term": "word timestamp"
    },
    {
     "gloss": "A loss that trains speech recognition without hand-aligned letters.",
     "term": "CTC"
    },
    {
     "gloss": "The smallest unit of speech sound.",
     "term": "phoneme"
    }
   ],
   "prereq": [
    "asr"
   ],
   "keywords": [
    "WhisperX",
    "phoneme alignment",
    "word timestamps",
    "CTC"
   ],
   "source_ids": [
    "bain-whisperx-2023"
   ],
   "url": "https://aiatlasgraph.com/t/forcedalignment",
   "markdown_url": "https://aiatlasgraph.com/t/forcedalignment.md",
   "updated": "2026-10-30"
  },
  "forestmonitoring": {
   "id": "forestmonitoring",
   "parent_id": "eoapps",
   "label": "Pomiar wysokości koron drzew z satelity",
   "canonical_name": "Forest canopy height mapping",
   "aliases": [
    "canopy height mapping",
    "forest canopy height",
    "forest monitoring",
    "monitoring lasów",
    "wysokość drzewostanu"
   ],
   "description": "Regresja wysokości koron drzew na podstawie zdjęć wielospektralnych, uczona na rzadkich pomiarach lidarowych i sprawdzana niezależnymi pomiarami lotniczymi.",
   "description_en": "Regressing forest canopy height from multispectral imagery, trained on sparse lidar measurements and checked against independent airborne measurements.",
   "plain": "Szacowanie ze zdjęć satelitarnych, jak wysokie są korony drzew w lasach na całym świecie.",
   "plain_en": "Estimating forest canopy height around the world from satellite imagery.",
   "solves": "Ocena struktury lasów wymaga pomiaru wysokości drzew, a pomiary laserowe obejmują tylko niewielkie fragmenty powierzchni.",
   "solves_en": "Assessing forest structure requires tree-height measurements, while laser observations cover only a small fraction of the land.",
   "does": "Jak nauczyciel, który zna wzrost kilku uczniów i na tej podstawie ocenia na zdjęciu grupowym wzrost wszystkich pozostałych.",
   "does_en": "Like a teacher who knows a few pupils' heights and uses them to judge everyone else's height in the class photo.",
   "example": "Agencja leśna korzysta z regionalnej mapy wysokości koron, aby wskazać niskie i wysokie drzewostany do dalszej kontroli.",
   "example_en": "A forestry agency uses a regional canopy-height map to identify shorter and taller stands for further inspection.",
   "for_you": [
    "interesuje cię struktura i stan lasów",
    "pracujesz w leśnictwie lub ochronie przyrody"
   ],
   "for_you_en": [
    "care about forest structure and condition",
    "work in forestry or nature conservation"
   ],
   "how": "Rzadkie, punktowe pomiary wysokości z lidaru satelitarnego lub lotniczego służą jako etykiety. Sieć splotowa uczy się przewidywać je z gęstych zdjęć wielospektralnych i tworzy mapę ciągłą. Zespół modeli przewidujących średnią i wariancję daje mapę niepewności dla każdego piksela.",
   "how_en": "Sparse point measurements of height from spaceborne or airborne lidar serve as labels. A convolutional network learns to predict them from dense multispectral images and produces a continuous map. An ensemble of models predicting mean and variance gives a per-pixel uncertainty map.",
   "limits": "Efektywna rozdzielczość jest gorsza niż nominalna, a lidar satelitarny nie obejmuje dalekiej północy. Wysokie drzewa łatwo niedoszacować, a model może uczyć się samego położenia zamiast cech lasu, co ujawnia dopiero walidacja przestrzenna.",
   "limits_en": "Effective resolution is coarser than nominal, and spaceborne lidar does not cover the far north. Tall trees are easily underestimated, and a model may learn location itself rather than forest traits, which only spatial validation reveals.",
   "terms": [
    {
     "gloss": "Laser mierzący odległość, a więc i wysokość drzew.",
     "term": "lidar"
    },
    {
     "gloss": "Niewielki fragment terenu, dla którego lidar satelitarny mierzy pionową strukturę roślinności.",
     "term": "ślad pomiarowy GEDI"
    },
    {
     "gloss": "Szacunek, na ile można ufać wartości w danym pikselu.",
     "term": "niepewność modelu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A laser that measures distance, and hence tree height.",
     "term": "lidar"
    },
    {
     "gloss": "A small patch of ground where spaceborne lidar measures the vertical structure of vegetation.",
     "term": "GEDI footprint"
    },
    {
     "gloss": "An estimate of how far a pixel's value can be trusted.",
     "term": "model uncertainty"
    }
   ],
   "prereq": [
    "cnnarchs",
    "calibration"
   ],
   "keywords": [
    "GEDI",
    "canopy height model",
    "Sentinel-2",
    "deep ensembles",
    "forest monitoring",
    "forest inventory",
    "LVIS"
   ],
   "source_ids": [
    "lang-canopy-height-2023",
    "ploton-spatial-validation-2020"
   ],
   "url": "https://aiatlasgraph.com/t/forestmonitoring",
   "markdown_url": "https://aiatlasgraph.com/t/forestmonitoring.md",
   "updated": "2026-10-30"
  },
  "forgetting": {
   "id": "forgetting",
   "parent_id": "continual",
   "label": "Katastrofalne zapominanie i jego ograniczanie",
   "canonical_name": "Catastrophic forgetting and its mitigation",
   "aliases": [
    "catastrophic forgetting",
    "EWC",
    "elastic weight consolidation",
    "replay",
    "zapominanie"
   ],
   "description": "Podczas uczenia nowych danych lub zadań sieć może tracić wcześniejsze umiejętności. Metody ograniczania tego zjawiska obejmują m.in. powtarzanie dawnych danych, ochronę ważnych wag i zmniejszanie zakresu aktualizacji.",
   "description_en": "While learning new data or tasks, a network may lose earlier capabilities. Mitigation methods include replaying earlier data, protecting important weights and reducing the scope of parameter updates.",
   "examples": "powtórki danych (replay) · EWC · mniejsze zmiany wag przez PEFT · regularyzacja w stronę modelu bazowego",
   "examples_en": "data replay · EWC · smaller weight changes via PEFT · regularising toward the base model",
   "plain": "To utrata wcześniejszych umiejętności podczas nauki nowych zadań oraz sposoby ograniczania tej utraty.",
   "plain_en": "This concerns losing earlier abilities while learning new tasks and ways to limit that loss.",
   "solves": "Po dostrojeniu do nowego zadania model gorzej wykonuje czynności, które wcześniej robił poprawnie.",
   "solves_en": "After adaptation to a new task, a model performs previously successful tasks less well.",
   "does": "Powtarzanie starych danych, ochrona ważnych ustawień i ograniczanie aktualizacji pomagają zachować wcześniejsze umiejętności; potrzebne są testy obu zestawów zadań.",
   "does_en": "Revisiting old data, protecting important parameters and limiting updates help retain earlier abilities; both old and new tasks need testing.",
   "example": "Po nauce nowych kategorii zgłoszeń ponownie sprawdzasz stare przykłady, żeby model nie przestał ich rozpoznawać.",
   "example_en": "After learning new request categories, you retest old examples to check the model still recognises them.",
   "for_you": [
    "aktualizujesz model kolejnymi zadaniami",
    "zależy ci na zachowaniu dawnych umiejętności"
   ],
   "for_you_en": [
    "update a model with successive tasks",
    "need earlier abilities to be retained"
   ],
   "how": "Nowe gradienty zmieniają parametry używane także przez wcześniejsze zadania, pogarszając ich reprezentacje lub odpowiedzi. Replay, kary za zmianę ważnych wag i rozdzielenie aktualizacji próbują zachować te funkcje podczas nauki nowego rozkładu.",
   "how_en": "New gradients change parameters shared with earlier tasks, degrading their representations or outputs. Replay, penalties on changing important weights and separate updates aim to preserve those functions while learning new distributions.",
   "limits": "Nie każda utrata wyniku oznacza trwałe usunięcie wiedzy; zmiana formatu może maskować zdolność. Ograniczanie aktualizacji utrudnia adaptację, a replay wymaga dostępu do reprezentatywnych danych.",
   "limits_en": "Not every score decrease means permanent knowledge removal; format changes can mask capabilities. Constraining updates hinders adaptation, while replay needs access to representative data.",
   "terms": [
    {
     "gloss": "Kompromis między zachowaniem dawnych zdolności a uczeniem nowych.",
     "term": "stabilność i plastyczność"
    },
    {
     "gloss": "Ocena, jak silnie zmiana wagi wpływa na wcześniejsze zadania.",
     "term": "ważność parametru"
    }
   ],
   "terms_en": [
    {
     "gloss": "The trade-off between retaining earlier abilities and learning new ones.",
     "term": "stability and plasticity"
    },
    {
     "gloss": "An estimate of how strongly a weight change affects earlier tasks.",
     "term": "parameter importance"
    }
   ],
   "prereq": [
    "backprop",
    "evalsets"
   ],
   "keywords": [
    "EWC",
    "experience replay",
    "rehearsal",
    "LwF",
    "regularization-based continual learning",
    "replay data mixing"
   ],
   "source_ids": [
    "tm-onpolicy-distill-2025",
    "ewc-2017",
    "lora-forgets-less-2024",
    "continual-llm-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/forgetting",
   "markdown_url": "https://aiatlasgraph.com/t/forgetting.md",
   "updated": "2026-10-30"
  },
  "forgettingmodels": {
   "id": "forgettingmodels",
   "parent_id": "spacedrepetition",
   "label": "Modele zapominania uczone z danych",
   "canonical_name": "Learned memory models for spaced repetition (HLR, FSRS)",
   "aliases": [
    "half-life regression",
    "HLR",
    "FSRS",
    "DSR model",
    "memory model",
    "forgetting curve model",
    "model krzywej zapominania"
   ],
   "description": "Modele szacujące prawdopodobieństwo przypomnienia jako funkcję czasu i stanu pamięci, z parametrami dopasowanymi do logów powtórek; podstawa nowoczesnych harmonogramów powtórek.",
   "description_en": "Models that estimate recall probability as a function of time and memory state, with parameters fitted to review logs; the basis of modern review schedulers.",
   "plain": "Model, który z historii twoich powtórek przewiduje, kiedy zaczniesz zapominać konkretne słówko lub fakt.",
   "plain_en": "A model that predicts from your review history when you will start forgetting a particular word or fact.",
   "solves": "Sztywne harmonogramy każą wszystkim wracać do materiału w tych samych odstępach, choć ludzie i trudność materiału bardzo się różnią.",
   "solves_en": "Rigid schedules make everyone revisit material at the same intervals, although people and material differ a lot in difficulty.",
   "does": "Dla każdej fiszki prowadzi osobny licznik trwałości pamięci, który rośnie po udanych powtórkach i wyznacza, kiedy pokazać ją znowu.",
   "does_en": "It keeps a separate memory-strength counter for each flashcard that grows after successful reviews and decides when to show it again.",
   "example": "Aplikacja z fiszkami pokazuje trudne słówko po dwóch dniach, a łatwe dopiero po miesiącu, bo wie, jak szybko każde ci umyka.",
   "example_en": "A flashcard app shows a hard word again after two days and an easy one only after a month, because it knows how quickly each slips away from you.",
   "for_you": [
    "uczysz się z fiszek",
    "chcesz powtarzać mniej, a pamiętać tyle samo",
    "budujesz aplikację do nauki słownictwa"
   ],
   "for_you_en": [
    "study with flashcards",
    "want to review less and remember as much",
    "build a vocabulary-learning app"
   ],
   "how": "Half-life regression modeluje szansę przypomnienia jako p = 2^(−Δ/h), a okres półtrwania h przewiduje z cech historii powtórek. Modele rodziny DSR, np. FSRS, śledzą trudność, stabilność i przywoływalność karty, aktualizują je po każdej ocenie i wyznaczają odstęp, po którym przewidywana szansa spadnie do docelowej retencji.",
   "how_en": "Half-life regression models recall probability as p = 2^(−Δ/h) and predicts the half-life h from review-history features. DSR-family models such as FSRS track a card's difficulty, stability and retrievability, update them after each rating, and set the interval at which predicted recall falls to the desired retention.",
   "limits": "Potrzebuje historii powtórek, więc na początku działa na parametrach domyślnych. Modeluje przypominanie pojedynczych faktów, a nie zrozumienie. Wyższa docelowa retencja oznacza dużo więcej powtórek, a wzrost zaangażowania w aplikacji nie musi znaczyć lepszej nauki.",
   "limits_en": "It needs review history, so it starts on default parameters. It models recall of single facts, not understanding. Higher desired retention means many more reviews, and higher app engagement need not mean better learning.",
   "terms": [
    {
     "gloss": "Czas, po którym szansa przypomnienia spada do połowy.",
     "term": "half-life"
    },
    {
     "gloss": "Jak długo wspomnienie trzyma się na zadanym poziomie.",
     "term": "stability"
    },
    {
     "gloss": "Bieżąca szansa, że sobie przypomnisz.",
     "term": "retrievability"
    },
    {
     "gloss": "Docelowy odsetek fiszek, które chcesz pamiętać przy powtórce.",
     "term": "desired retention"
    }
   ],
   "terms_en": [
    {
     "gloss": "The time after which the chance of recall halves.",
     "term": "half-life"
    },
    {
     "gloss": "How long a memory holds at a set recall level.",
     "term": "stability"
    },
    {
     "gloss": "The current chance that you will recall it.",
     "term": "retrievability"
    },
    {
     "gloss": "The target share of cards you want to recall at review.",
     "term": "desired retention"
    }
   ],
   "prereq": [
    "linearmodels"
   ],
   "keywords": [
    "half-life regression",
    "FSRS",
    "DSR model",
    "SM-2",
    "forgetting curve",
    "Anki",
    "desired retention",
    "Duolingo"
   ],
   "source_ids": [
    "settles-hlr-2016",
    "fsrs-algorithm-wiki"
   ],
   "url": "https://aiatlasgraph.com/t/forgettingmodels",
   "markdown_url": "https://aiatlasgraph.com/t/forgettingmodels.md",
   "updated": "2026-10-30"
  },
  "foundations": {
   "id": "foundations",
   "parent_id": null,
   "label": "Fundamenty i rozumowanie",
   "canonical_name": "Foundations and reasoning",
   "description": "Matematyczny i algorytmiczny język AI, także metod bez sieci neuronowych.",
   "description_en": "The mathematical and algorithmic language of AI, including methods without neural networks.",
   "plain": "To matematyka i sposoby rozumowania, dzięki którym programy liczą, wyciągają wnioski i szukają rozwiązań.",
   "plain_en": "These are the mathematics and reasoning methods that let programs calculate, draw conclusions and search for solutions.",
   "solves": "Trudno rozwiązywać złożone zadania, gdy informacje są niepełne, możliwości liczne, a reguły trzeba stosować konsekwentnie.",
   "solves_en": "Complex tasks are hard when information is incomplete, possibilities are numerous and rules must be applied consistently.",
   "does": "Zapisuje wiedzę, niepewność i cele w postaci, którą program może przeliczać, porównując możliwe odpowiedzi i kolejne działania.",
   "does_en": "It represents knowledge, uncertainty and goals in a form software can calculate with, comparing possible answers and sequences of actions.",
   "example": "Planer wybiera kolejność wizyt, uwzględnia dostępne godziny i porównuje możliwe drogi między miejscami.",
   "example_en": "A planner chooses the order of visits, accounts for available times and compares possible routes between places.",
   "for_you": [
    "chcesz zrozumieć, jak program dochodzi do wyniku",
    "rozwiązujesz zadania z regułami, wyborami lub niepewnością"
   ],
   "for_you_en": [
    "want to understand how software reaches a result",
    "solve tasks involving rules, choices or uncertainty"
   ],
   "how": "Formalne reprezentacje opisują dane, wiedzę i przestrzenie decyzji, a rachunek prawdopodobieństwa modeluje niepewność. Wnioskowanie, przeszukiwanie i optymalizacja wyprowadzają odpowiedzi lub rozwiązania z tych reprezentacji, z założeniami określającymi poprawność i koszt.",
   "how_en": "Formal representations describe data, knowledge and decision spaces, while probability models uncertainty. Inference, search and optimisation derive answers or solutions from these representations, under assumptions determining correctness and cost.",
   "limits": "Poprawny rachunek nie naprawia niewłaściwej reprezentacji problemu. Dokładne rozwiązania mogą być obliczeniowo niedostępne, a przybliżenia wymagają kontroli błędu i spełnienia założeń.",
   "limits_en": "Correct computation cannot fix a poor problem representation. Exact solutions can be computationally infeasible, while approximations need error checks and valid assumptions.",
   "terms": [
    {
     "gloss": "Formalny zapis informacji udostępniony algorytmowi do przetwarzania.",
     "term": "reprezentacja"
    },
    {
     "gloss": "Wyprowadzanie odpowiedzi z danych, reguł i założeń modelu.",
     "term": "wnioskowanie"
    },
    {
     "gloss": "Zależność potrzebnych zasobów od rozmiaru problemu.",
     "term": "złożoność obliczeniowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A formal encoding of information supplied to an algorithm.",
     "term": "representation"
    },
    {
     "gloss": "Deriving answers from data, rules and model assumptions.",
     "term": "inference"
    },
    {
     "gloss": "How required resources depend on problem size.",
     "term": "computational complexity"
    }
   ],
   "keywords": [
    "linear algebra",
    "probability theory",
    "Bayesian inference",
    "gradient descent",
    "information theory",
    "first-order logic",
    "knowledge graphs",
    "constraint satisfaction",
    "heuristic search",
    "automated planning",
    "causal inference",
    "formal theorem proving"
   ],
   "source_ids": [
    "cs221",
    "cs229"
   ],
   "url": "https://aiatlasgraph.com/t/foundations",
   "markdown_url": "https://aiatlasgraph.com/t/foundations.md",
   "updated": "2026-10-30"
  },
  "frameworks": {
   "id": "frameworks",
   "parent_id": "applications",
   "label": "Frameworki agentowe",
   "canonical_name": "Agent frameworks",
   "description": "Gotowe szkielety do budowy agentów i aplikacji LLM.",
   "description_en": "Ready-made skeletons for building agents and LLM applications.",
   "examples": "LangGraph · LlamaIndex · crewAI · DSPy",
   "examples_en": "LangGraph · LlamaIndex · crewAI · DSPy",
   "plain": "To gotowe części programu, z których można złożyć asystenta korzystającego z modeli i narzędzi.",
   "plain_en": "These reusable software parts help you build an assistant that uses models and tools.",
   "solves": "Budując asystenta, musisz wciąż od nowa pisać obsługę podobnych kroków i połączeń.",
   "solves_en": "Building an assistant means repeatedly writing code for similar steps and connections.",
   "does": "Mogą obsługiwać kolejne kroki, zapis postępów i połączenia z narzędziami, podobnie jak zestaw elementów do zbudowania maszyny.",
   "does_en": "Like parts in a construction kit, they can handle task steps, saved progress and connections to tools.",
   "example": "Tworzysz asystenta do zgłoszeń i używasz gotowych części do pobrania wiadomości, przygotowania odpowiedzi i oczekiwania na akceptację.",
   "example_en": "You build a support assistant using existing parts to collect messages, draft replies and wait for approval.",
   "for_you": [
    "budujesz własnego asystenta z kilkoma etapami pracy",
    "chcesz wykorzystać gotową obsługę narzędzi i zapisu postępów"
   ],
   "for_you_en": [
    "build your own assistant with several work steps",
    "want existing code for tools and saved progress"
   ],
   "how": "Framework udostępnia komponenty do wywoływania modeli, definiowania narzędzi i zarządzania stanem. Programista łączy je w graf lub pętlę wykonania, a biblioteka obsługuje przepływ wiadomości, integracje i mechanizmy wznawiania zależnie od implementacji.",
   "how_en": "A framework provides components for model calls, tool definitions and state management. Developers connect them into an execution graph or loop, while the library handles message flow, integrations and resumption mechanisms according to its implementation.",
   "limits": "Abstrakcje mogą ukrywać rzeczywiste wywołania i utrudniać diagnozę. Funkcje różnią się między bibliotekami i wersjami; framework nie zastępuje kontroli uprawnień, testów ani znajomości protokołów integracji.",
   "limits_en": "Abstractions can obscure actual calls and hinder diagnosis. Features differ across libraries and versions; a framework does not replace permission controls, tests or knowledge of integration protocols.",
   "terms": [
    {
     "gloss": "Etapy programu oraz przejścia określające możliwy dalszy przebieg.",
     "term": "graf wykonania"
    },
    {
     "gloss": "Komponent dopasowujący zewnętrzną usługę do wspólnego interfejsu.",
     "term": "adapter"
    },
    {
     "gloss": "Zapis stanu pozwalający wznowić przerwane wykonanie.",
     "term": "checkpoint"
    }
   ],
   "terms_en": [
    {
     "gloss": "Program stages and transitions defining possible subsequent execution.",
     "term": "execution graph"
    },
    {
     "gloss": "A component fitting an external service to a shared interface.",
     "term": "adapter"
    },
    {
     "gloss": "Stored state allowing interrupted execution to resume.",
     "term": "checkpoint"
    }
   ],
   "prereq": [
    "workflows",
    "tools"
   ],
   "keywords": [
    "LangGraph",
    "LlamaIndex",
    "crewAI",
    "DSPy",
    "LangChain",
    "smolagents",
    "Haystack"
   ],
   "courses": [
    {
     "title": "DSPy: Build and Optimize Agentic Apps",
     "url": "https://www.deeplearning.ai/courses/dspy-build-optimize-agentic-apps"
    }
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/frameworks",
   "markdown_url": "https://aiatlasgraph.com/t/frameworks.md",
   "updated": "2026-10-30"
  },
  "frauddetection": {
   "id": "frauddetection",
   "parent_id": "finance",
   "label": "Wykrywanie oszustw płatniczych",
   "canonical_name": "Payment fraud detection",
   "aliases": [
    "fraud detection",
    "transaction fraud detection",
    "credit card fraud detection",
    "wykrywanie fraudów"
   ],
   "description": "Klasyfikacja transakcji w czasie rzeczywistym na skrajnie niezbalansowanych danych, łącząca reguły, modele uczone i weryfikację przez analityków.",
   "description_en": "Real-time transaction classification on extremely imbalanced data, combining rules, learned models and analyst review.",
   "plain": "Systemy, które w ułamku sekundy oceniają, czy płatność kartą lub przelew nie są dziełem złodzieja.",
   "plain_en": "Systems that decide in a split second whether a card payment or transfer might be the work of a thief.",
   "solves": "Złodzieje kradną dane kart i przejmują konta, a bank ma ułamek sekundy, by zatrzymać pieniądze, zanim znikną.",
   "solves_en": "Thieves steal card details and take over accounts, and the bank has a fraction of a second to stop the money before it vanishes.",
   "does": "Jak bramkarz znający zwyczaje każdego stałego gościa: znajomych wpuszcza bez pytań, a nietypowe zachowanie każe wylegitymować.",
   "does_en": "Like a doorman who knows every regular's habits: familiar faces walk in, unusual behaviour gets asked for ID.",
   "example": "Ktoś próbuje kupić elektronikę twoją kartą o trzeciej w nocy w innym kraju; płatność zostaje wstrzymana, a ty dostajesz pytanie w aplikacji.",
   "example_en": "Someone tries to buy electronics with your card at 3 a.m. in another country; the payment is held and you get a question in your banking app.",
   "for_you": [
    "płacisz kartą w sieci lub w sklepie",
    "bank zablokował ci kiedyś płatność bez wyraźnego powodu",
    "budujesz system płatności lub sklep internetowy"
   ],
   "for_you_en": [
    "pay by card online or in shops",
    "had a payment blocked by your bank for no clear reason",
    "build a payment system or online shop"
   ],
   "how": "System łączy reguły blokujące z modelem scoringowym (często gradient boosting lub model sekwencyjny) na cechach agregowanych z historii klienta i terminala. Decyzja musi zapaść w dziesiątki milisekund; transakcje najwyższego ryzyka trafiają do analityków, a ich werdykty wracają jako etykiety.",
   "how_en": "The system combines blocking rules with a scoring model (often gradient boosting or a sequence model) on features aggregated from customer and terminal history. A decision is needed within tens of milliseconds; the riskiest transactions go to analysts, whose verdicts flow back as labels.",
   "limits": "Oszustwa to zwykle poniżej 1% transakcji, a wzorce zmieniają się, gdy przestępcy się dostosowują. Etykiety przychodzą z opóźnieniem, często po reklamacji. Fałszywe alarmy irytują klientów, a realistycznych publicznych zbiorów danych jest bardzo mało.",
   "limits_en": "Fraud is usually well under 1% of transactions, and patterns shift as criminals adapt. Labels arrive late, often after a customer complaint. False alarms annoy customers, and realistic public datasets are very scarce.",
   "terms": [
    {
     "gloss": "Zmiana wzorców danych w czasie, przez którą model się starzeje.",
     "term": "concept drift"
    },
    {
     "gloss": "Czas między transakcją a potwierdzeniem, że była oszustwem.",
     "term": "opóźnienie weryfikacji"
    },
    {
     "gloss": "Przeoczone oszustwo i fałszywy alarm kosztują różnie i model to uwzględnia.",
     "term": "uczenie wrażliwe na koszt"
    }
   ],
   "terms_en": [
    {
     "gloss": "Data patterns changing over time, so the model goes stale.",
     "term": "concept drift"
    },
    {
     "gloss": "Time between a transaction and confirmation that it was fraud.",
     "term": "verification latency"
    },
    {
     "gloss": "Missed fraud and false alarms cost differently, and the model accounts for it.",
     "term": "cost-sensitive learning"
    }
   ],
   "prereq": [
    "classimbalance",
    "anomalydetection"
   ],
   "keywords": [
    "credit card fraud",
    "imbalanced learning",
    "XGBoost",
    "feature aggregation",
    "concept drift",
    "precision@k",
    "cost-sensitive learning",
    "IEEE-CIS Fraud Detection",
    "autoencoders"
   ],
   "source_ids": [
    "fraud-detection-handbook-2022"
   ],
   "url": "https://aiatlasgraph.com/t/frauddetection",
   "markdown_url": "https://aiatlasgraph.com/t/frauddetection.md",
   "updated": "2026-10-30"
  },
  "fraudfeedbackdrift": {
   "id": "fraudfeedbackdrift",
   "parent_id": "frauddetection",
   "label": "Uczenie na opóźnionych etykietach i zmieniających się oszustwach",
   "canonical_name": "Learning with delayed labels and concept drift in fraud detection",
   "aliases": [
    "verification latency",
    "alert-feedback interaction",
    "delayed supervision",
    "concept drift in fraud",
    "opóźnione etykiety",
    "dryf pojęć w antyfraudzie"
   ],
   "description": "Uczenie strumieniowe klasyfikatora oszustw z dwóch źródeł etykiet: natychmiastowej informacji zwrotnej z alertów i opóźnionych etykiet, przy dryfie pojęć.",
   "description_en": "Streaming training of a fraud classifier from two label sources, immediate alert feedback and delayed labels, under concept drift.",
   "plain": "Sposób uczenia systemu antyfraudowego, gdy prawdę o transakcji poznaje się po dniach, a oszuści ciągle zmieniają metody.",
   "plain_en": "A way to train an anti-fraud system when the truth about a payment arrives days later and fraudsters keep changing tactics.",
   "solves": "Bank dowiaduje się o większości oszustw z opóźnieniem, a analitycy sprawdzą tylko garstkę alarmów, więc model uczy się na niepełnym obrazie.",
   "solves_en": "A bank learns about most fraud late, and analysts can only check a handful of alerts, so the model learns from a partial picture.",
   "does": "Rozdziela świeże uwagi analityków od starszych, potwierdzonych przypadków i łączy obie wiedze, jak lekarz słuchający dyżurnego i archiwum.",
   "does_en": "Keeps fresh analyst verdicts apart from older confirmed cases and blends both, like a doctor weighing the night shift's notes and the archive.",
   "example": "Przed świętami ludzie kupują inaczej niż zwykle; system, który uczy się na bieżących zgłoszeniach, szybciej przestaje blokować zwykłe prezenty.",
   "example_en": "Before the holidays people shop differently; a system learning from current reports stops blocking ordinary gift purchases sooner.",
   "for_you": [
    "budujesz model, którego etykiety przychodzą z opóźnieniem",
    "pracujesz w zespole, który ręcznie sprawdza alarmy"
   ],
   "for_you_en": [
    "build a model whose labels arrive late",
    "work in a team that checks alerts by hand"
   ],
   "how": "Analitycy sprawdzają tylko najwyżej ocenione transakcje, więc ich etykiety zależą od samego modelu (interakcja alert–feedback). Pozostałe etykiety przychodzą po kilku dniach. Trenuje się osobne klasyfikatory na feedbacku i opóźnionych próbkach (okno przesuwne lub zespół) i uśrednia ich prawdopodobieństwa; jakość mierzy się precyzją wśród k najwyżej ocenionych alertów.",
   "how_en": "Analysts check only the top-scored transactions, so their labels depend on the model itself (alert–feedback interaction). The rest arrive days later. Separate classifiers are trained on feedback and on delayed samples (sliding window or ensemble) and their probabilities averaged; quality is measured as precision among the top-k alerts.",
   "limits": "Etykiety z alertów są stronnicze, bo model sam wybiera, co zobaczą ludzie. Nieoznaczone transakcje uznaje się za uczciwe po umownym czasie, co bywa błędem. Przy gwałtownych zmianach proste uśrednianie modeli reaguje za wolno.",
   "limits_en": "Alert labels are biased because the model chooses what humans see. Unreported transactions are assumed genuine after a set period, which can be wrong. Under abrupt change, simple model averaging reacts too slowly.",
   "terms": [
    {
     "gloss": "Zmiana zależności między danymi a etykietą w czasie.",
     "term": "concept drift"
    },
    {
     "gloss": "Opóźnienie, z jakim poznajemy prawdziwą etykietę transakcji.",
     "term": "verification latency"
    },
    {
     "gloss": "Odsetek oszustw wśród k alarmów, które ludzie zdążą sprawdzić.",
     "term": "precision@k"
    }
   ],
   "terms_en": [
    {
     "gloss": "A change over time in how data relate to the label.",
     "term": "concept drift"
    },
    {
     "gloss": "The delay before a transaction's true label is known.",
     "term": "verification latency"
    },
    {
     "gloss": "Share of fraud among the k alerts humans have time to check.",
     "term": "precision@k"
    }
   ],
   "prereq": [
    "driftdetection",
    "classimbalance"
   ],
   "keywords": [
    "concept drift",
    "alert-feedback interaction",
    "verification latency",
    "sliding window",
    "ensemble of classifiers",
    "precision at k",
    "online learning",
    "Fraud Detection Handbook"
   ],
   "source_ids": [
    "dalpozzolo-fraud-delayed-drift",
    "fraud-detection-handbook-intro"
   ],
   "url": "https://aiatlasgraph.com/t/fraudfeedbackdrift",
   "markdown_url": "https://aiatlasgraph.com/t/fraudfeedbackdrift.md",
   "updated": "2026-10-30"
  },
  "fraudmetrics": {
   "id": "fraudmetrics",
   "parent_id": "frauddetection",
   "label": "Ocena i walidacja modeli antyfraudowych",
   "canonical_name": "Evaluating and validating fraud models",
   "aliases": [
    "fraud model evaluation",
    "precision top-k",
    "prequential validation",
    "ewaluacja modeli antyfraudowych"
   ],
   "description": "Metryki i schematy walidacji dla wykrywania oszustw: precyzja wśród top-k alertów, krzywe PR, walidacja czasowa z opóźnieniem etykiet.",
   "description_en": "Metrics and validation schemes for fraud detection: precision among top-k alerts, PR curves, time-based validation with label delay.",
   "plain": "Sposoby sprawdzenia, czy system wyłapuje oszustów, gdy oszustw jest garstka, a analitycy przejrzą tylko część alarmów.",
   "plain_en": "Ways to check whether a system catches fraudsters when fraud is rare and analysts can review only some alerts.",
   "solves": "Model może mieć 99,9% trafności i nie złapać żadnego oszusta, bo prawie wszystkie płatności są uczciwe.",
   "solves_en": "A model can be 99.9% accurate and catch no fraudster at all, because almost every payment is honest.",
   "does": "Zamiast pytać, ile razy model miał rację, pyta, ile prawdziwych oszustw było wśród stu alarmów, które zespół zdążył dziś sprawdzić.",
   "does_en": "Instead of asking how often the model was right, it asks how many of today's hundred checked alerts were real fraud.",
   "example": "Pięciu analityków przegląda codziennie sto najbardziej podejrzanych kart; model ocenia się po tym, ile z nich naprawdę okazało się skradzionych.",
   "example_en": "Five analysts review the hundred most suspicious cards each day; the model is judged by how many of them really turned out to be stolen.",
   "for_you": [
    "oceniasz model na danych z rzadkim zdarzeniem",
    "decydujesz, ilu analityków potrzebuje zespół antyfraudowy"
   ],
   "for_you_en": [
    "evaluate a model on data with a rare event",
    "decide how many analysts a fraud team needs"
   ],
   "how": "Zamiast trafności używa się metryk odpornych na niezbalansowanie (AUC-PR, średnia precyzja) oraz metryk zależnych od budżetu analityków, np. precyzji wśród k najbardziej podejrzanych kart dziennie. Walidacja jest czasowa: trening na przeszłości, przerwa odpowiadająca opóźnieniu etykiet, test na późniejszym okresie.",
   "how_en": "Instead of accuracy, imbalance-robust metrics (AUC-PR, average precision) and analyst-budget metrics are used, such as precision among the k most suspicious cards per day. Validation is time-based: train on the past, leave a gap matching label delay, test on a later period.",
   "limits": "Wynik zależy od budżetu analityków i definicji etykiety, więc prace trudno porównywać. Opóźnione i niepełne etykiety zaniżają liczbę oszustw. Losowy podział danych zawyża wyniki przez wyciek informacji z przyszłości.",
   "limits_en": "Results depend on the analyst budget and label definition, so studies are hard to compare. Late and incomplete labels undercount fraud. A random data split inflates results through leakage from the future.",
   "terms": [
    {
     "gloss": "Jaki odsetek k najwyżej ocenionych alertów to prawdziwe oszustwa.",
     "term": "precision@k"
    },
    {
     "gloss": "Pole pod krzywą precyzja–czułość, czułe na rzadkie klasy.",
     "term": "AUC-PR"
    },
    {
     "gloss": "Uczenie na przeszłości i test na późniejszym okresie.",
     "term": "walidacja czasowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Share of the k top-scored alerts that are real fraud.",
     "term": "precision@k"
    },
    {
     "gloss": "Area under the precision–recall curve, sensitive to rare classes.",
     "term": "AUC-PR"
    },
    {
     "gloss": "Training on the past and testing on a later period.",
     "term": "time-based validation"
    }
   ],
   "prereq": [
    "classmetrics",
    "leakagetypes"
   ],
   "keywords": [
    "precision@k",
    "average precision",
    "PR curve",
    "prequential evaluation",
    "time-based split",
    "delayed labels",
    "card precision"
   ],
   "source_ids": [
    "fraud-detection-handbook-2022"
   ],
   "url": "https://aiatlasgraph.com/t/fraudmetrics",
   "markdown_url": "https://aiatlasgraph.com/t/fraudmetrics.md",
   "updated": "2026-10-30"
  },
  "frontierframeworks": {
   "id": "frontierframeworks",
   "parent_id": "governance",
   "label": "Polityki bezpieczeństwa modeli granicznych",
   "canonical_name": "Frontier AI safety policies",
   "description": "Publiczne zobowiązania firm tworzących najmocniejsze modele: jakie progi groźnych zdolności testują, jakie zabezpieczenia wtedy wprowadzają i kiedy wstrzymają wdrożenie lub rozwój.",
   "description_en": "Public commitments by companies building the most capable models: which dangerous-capability thresholds they test for, which safeguards then apply, and when they would pause deployment or development.",
   "examples": "progi zdolności · ochrona wag modelu · warunki wstrzymania wdrożenia",
   "examples_en": "capability thresholds · model weight security · deployment pause conditions",
   "plain": "To polityki określające, jak twórcy bardzo silnych modeli reagują na wykryte niebezpieczne zdolności.",
   "plain_en": "These policies define how developers of highly capable models respond to detected dangerous capabilities.",
   "solves": "Model zyskuje nowe możliwości, ale bez ustalonych progów nie wiadomo, kiedy potrzebne są silniejsze zabezpieczenia lub wstrzymanie wdrożenia.",
   "solves_en": "A model gains capabilities, but without thresholds it is unclear when stronger safeguards or a deployment pause are needed.",
   "does": "Polityka łączy wyniki testów z progami, wymaganymi zabezpieczeniami i decyzjami o dalszym rozwoju lub udostępnieniu.",
   "does_en": "A policy links test results to thresholds, required safeguards and decisions about further development or release.",
   "example": "Przed udostępnieniem nowego modelu zespół porównuje wyniki testów niebezpiecznych zdolności z własnymi warunkami publikacji.",
   "example_en": "Before releasing a new model, a team compares dangerous-capability test results with its release conditions.",
   "for_you": [
    "oceniasz politykę twórcy silnego modelu",
    "ustalasz warunki udostępniania nowych możliwości"
   ],
   "for_you_en": [
    "assess a highly capable model developer's policy",
    "set conditions for releasing new capabilities"
   ],
   "how": "Polityka określa badane zdolności, harmonogram oceny i progi powiązane z zabezpieczeniami. Wyniki testów oraz dowody skuteczności kontroli kierują decyzją o wdrożeniu, jego ograniczeniu lub wstrzymaniu, z przypisaną odpowiedzialnością za przegląd.",
   "how_en": "A policy specifies assessed capabilities, evaluation schedules and thresholds linked to safeguards. Test results and control-effectiveness evidence guide deployment, restriction or suspension decisions with assigned review accountability.",
   "limits": "Publiczna deklaracja nie dowodzi wykonania testów ani niezależnego egzekwowania. Progi i metodologie różnią się między organizacjami; niewydobyte zdolności lub niepełne zabezpieczenia mogą zaniżać ocenę ryzyka.",
   "limits_en": "Public commitments do not establish completed testing or independent enforcement. Thresholds and methods differ across organisations; unelicited capabilities or incomplete controls can understate risk.",
   "terms": [
    {
     "gloss": "Kryterium wyniku uruchamiające obowiązek dodatkowej kontroli lub wstrzymania.",
     "term": "próg polityki"
    },
    {
     "gloss": "Sprawdzalna informacja o działaniu kontroli w określonych warunkach.",
     "term": "dowód zabezpieczenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A result criterion triggering additional controls or suspension.",
     "term": "policy threshold"
    },
    {
     "gloss": "Verifiable information about control effectiveness under specified conditions.",
     "term": "safeguard evidence"
    }
   ],
   "prereq": [
    "dangerouscapevals",
    "agentsecurity"
   ],
   "keywords": [
    "responsible scaling policies",
    "capability thresholds",
    "model weight security",
    "deployment gates",
    "safety cases",
    "safeguard evaluations"
   ],
   "source_ids": [
    "metr-common-elements-2025"
   ],
   "url": "https://aiatlasgraph.com/t/frontierframeworks",
   "markdown_url": "https://aiatlasgraph.com/t/frontierframeworks.md",
   "updated": "2026-10-30"
  },
  "fullduplex": {
   "id": "fullduplex",
   "parent_id": "turndetection",
   "label": "Dialog pełnodupleksowy",
   "canonical_name": "Full-duplex spoken dialogue",
   "description": "System może równolegle odbierać mowę i generować odpowiedź, obsługując nakładanie wypowiedzi oraz krótkie reakcje słuchacza. Można to osiągnąć przez model zintegrowany lub synchronizację modułów.",
   "description_en": "A system can receive speech and generate a response at the same time, handling overlap and listener backchannels. This can be achieved with an integrated model or by synchronizing modules.",
   "examples": "synchronizacja modułów · Moshi · głosowy front z osobnym agentem",
   "examples_en": "modular synchronization · Moshi · voice frontend with a separate agent",
   "plain": "To rozmowa, w której asystent może słuchać także wtedy, gdy sam mówi.",
   "plain_en": "This lets an assistant listen while it is speaking.",
   "solves": "Musisz czekać na koniec długiej odpowiedzi, żeby poprawić pomyłkę albo zmienić prośbę.",
   "solves_en": "You have to wait for a long response to finish before correcting a mistake or changing your request.",
   "does": "Odbiór i generowanie mowy działają równolegle, a system rozstrzyga, jak reagować na nakładające się głosy.",
   "does_en": "Speech input and generation run in parallel, while the system decides how to respond to overlapping voices.",
   "example": "Podczas czytania dostępnych terminów mówisz, że interesuje cię tylko wieczór, a asystent uwzględnia zmianę.",
   "example_en": "While available appointments are being read, you say you only want evenings, and the assistant accounts for the change.",
   "for_you": [
    "chcesz reagować w trakcie odpowiedzi",
    "budujesz rozmowę dopuszczającą nakładanie głosów"
   ],
   "for_you_en": [
    "want to respond during a reply",
    "build conversations that allow overlapping voices"
   ],
   "how": "Strumień wejściowej mowy pozostaje aktywny podczas generowania i odtwarzania odpowiedzi. Model lub zsynchronizowane moduły korzystają z obu strumieni, aby regulować nakładanie wypowiedzi, krótkie potwierdzenia słuchania i przekazywanie tury.",
   "how_en": "Incoming speech remains active during response generation and playback. A model or synchronised modules use both streams to regulate overlapping speech, brief listening acknowledgements and turn handovers.",
   "limits": "Echo własnego głosu i opóźnienia utrudniają rozróżnienie sygnałów. Potrzebne są synchronizacja, kontrola odtwarzania i dane o nakładaniu wypowiedzi; jednoczesna transmisja nie gwarantuje trafnych reakcji.",
   "limits_en": "Self-echo and delays complicate signal separation. Synchronisation, playback control and overlapping-dialogue data are needed; simultaneous transmission does not guarantee appropriate reactions.",
   "terms": [
    {
     "gloss": "Krótka reakcja potwierdzająca słuchanie bez przejmowania tury.",
     "term": "backchannel"
    },
    {
     "gloss": "Usuwanie z wejścia dźwięku wytwarzanego przez własne odtwarzanie.",
     "term": "eliminacja echa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A brief listening acknowledgement without taking the conversational turn.",
     "term": "backchannel"
    },
    {
     "gloss": "Removing sound produced by the system's own playback from its input.",
     "term": "echo cancellation"
    }
   ],
   "prereq": [
    "speech2speech",
    "eventdriven"
   ],
   "keywords": [
    "Moshi",
    "NemotronLabs VoiceChat",
    "overlapping speech",
    "backchanneling",
    "acoustic echo cancellation"
   ],
   "source_ids": [
    "moshi",
    "wavchat-survey",
    "nemotron-voicechat-2026",
    "duplex-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/fullduplex",
   "markdown_url": "https://aiatlasgraph.com/t/fullduplex.md",
   "updated": "2026-10-30"
  },
  "fuzzdrivergen": {
   "id": "fuzzdrivergen",
   "parent_id": "llmfuzzing",
   "label": "Generowanie sterowników fuzzingu przez modele językowe",
   "canonical_name": "LLM-based fuzz driver generation",
   "aliases": [
    "fuzz harness generation",
    "fuzz target generation",
    "LLM fuzz drivers",
    "OSS-Fuzz-Gen",
    "generowanie harnessów fuzzingowych"
   ],
   "description": "Automatyczne pisanie przez modele językowe kodu łączącego fuzzer z funkcjami biblioteki, tak by losowe dane trafiały głęboko w testowany kod.",
   "description_en": "Language models automatically writing the glue code that connects a fuzzer to a library's functions so random inputs reach deep into the tested code.",
   "plain": "Model pisze mały program-pośrednik, który pozwala automatycznie bombardować bibliotekę milionami dziwnych danych w poszukiwaniu błędów.",
   "plain_en": "A model writes a small go-between program that lets a library be automatically bombarded with millions of odd inputs to find bugs.",
   "solves": "Testy losowymi danymi znajdują wiele błędów, ale do każdej funkcji ktoś musi najpierw ręcznie napisać kod podłączenia.",
   "solves_en": "Random-input testing finds many bugs, but someone must first hand-write the hook-up code for each function.",
   "does": "Jak adapter do gniazdka w obcym kraju: sam niczego nie testuje, ale bez niego maszyna testująca w ogóle się nie podłączy.",
   "does_en": "Like a plug adapter abroad: it tests nothing itself, but without it the testing machine can't connect at all.",
   "example": "Projekt otwartego kodu dostaje od automatu kilkadziesiąt nowych programów testujących dla nieprzetestowanych funkcji; jeden w ciągu doby znajduje przepełnienie pamięci.",
   "example_en": "An open-source project receives dozens of new test programs for untested functions from an automated system; within a day one finds a memory overflow.",
   "for_you": [
    "utrzymujesz bibliotekę w C lub C++",
    "chcesz zacząć fuzzing bez pisania kodu od zera",
    "badasz agentów testujących oprogramowanie"
   ],
   "for_you_en": [
    "maintain a C or C++ library",
    "want to start fuzzing without writing code from scratch",
    "research software-testing agents"
   ],
   "how": "Model dostaje sygnaturę funkcji, dokumentację i przykłady użycia z repozytorium, po czym pisze funkcję przyjmującą bajty od fuzzera i wywołującą API we właściwej kolejności. Kod kompiluje się i krótko uruchamia; błędy kompilacji i fałszywe awarie wracają do modelu w kolejnych iteracjach. Ocena to pokrycie kodu i znalezione błędy.",
   "how_en": "The model gets the function signature, documentation and repository usage examples, then writes a function that takes bytes from the fuzzer and calls the API in the right order. The code is compiled and briefly run; build errors and false crashes go back to the model for further iterations. It is judged by code coverage and bugs found.",
   "limits": "Modele mylą się przy API o złożonych zależnościach i kolejności wywołań, a błędny sterownik zgłasza fałszywe awarie. Generowanie na dużą skalę kosztuje dużo zapytań i czasu obliczeń. Sterownik nie wykryje błędów logicznych bez osobnych sprawdzeń.",
   "limits_en": "Models stumble on APIs with complex dependencies and call ordering, and a faulty driver reports false crashes. Generating at scale costs many queries and compute time. A driver won't catch logic bugs without separate checks.",
   "terms": [
    {
     "gloss": "Testowanie programu ogromną liczbą automatycznie zmienianych danych wejściowych.",
     "term": "fuzzing"
    },
    {
     "gloss": "Kod przekazujący dane od fuzzera do testowanej funkcji.",
     "term": "sterownik fuzzingu"
    },
    {
     "gloss": "Jaka część programu została wykonana w czasie testów.",
     "term": "pokrycie kodu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Testing a program with huge numbers of automatically mutated inputs.",
     "term": "fuzzing"
    },
    {
     "gloss": "Code passing fuzzer data to the function under test.",
     "term": "fuzz driver"
    },
    {
     "gloss": "How much of a program was executed during testing.",
     "term": "code coverage"
    }
   ],
   "prereq": [
    "fewshotprompting",
    "codecompletion"
   ],
   "keywords": [
    "OSS-Fuzz-Gen",
    "libFuzzer",
    "OSS-Fuzz",
    "AFL++",
    "fuzz harness",
    "code coverage",
    "iterative prompting",
    "AddressSanitizer"
   ],
   "source_ids": [
    "zhang-llm-fuzz-driver-generation-2024"
   ],
   "url": "https://aiatlasgraph.com/t/fuzzdrivergen",
   "markdown_url": "https://aiatlasgraph.com/t/fuzzdrivergen.md",
   "updated": "2026-10-30"
  },
  "galaxymorph": {
   "id": "galaxymorph",
   "parent_id": "physastro",
   "label": "Rozpoznawanie kształtów galaktyk na zdjęciach nieba",
   "canonical_name": "Galaxy morphology classification",
   "aliases": [
    "galaxy morphology",
    "morfologia galaktyk"
   ],
   "description": "Klasyfikacja morfologii galaktyk sieciami konwolucyjnymi (zespoły bayesowskie) trenowanymi na rozkładach głosów ochotników z projektów crowdsourcingowych.",
   "description_en": "Classifying galaxy morphology with convolutional networks (Bayesian ensembles) trained on vote distributions from crowdsourcing volunteers.",
   "plain": "Sieć patrzy na zdjęcia setek tysięcy galaktyk i opisuje, czy są spiralne, eliptyczne, mają poprzeczkę albo właśnie się zderzają.",
   "plain_en": "A network looks at photos of hundreds of thousands of galaxies and says whether they are spiral, elliptical, barred or colliding.",
   "solves": "Przeglądy nieba fotografują więcej galaktyk, niż nawet tłum ochotników zdoła ręcznie opisać.",
   "solves_en": "Sky surveys photograph more galaxies than even crowds of volunteers can describe by hand.",
   "does": "Ochotnicy opisują część zdjęć, a sieć uczy się na ich głosach i dokańcza resztę, podając też, jak bardzo jest pewna.",
   "does_en": "Volunteers label some images, the network learns from their votes and finishes the rest, also saying how sure it is.",
   "example": "Miłośnik astronomii klika w przeglądarce, czy galaktyka ma ramiona spiralne, a jego odpowiedzi uczą model opisującego cały katalog.",
   "example_en": "An amateur astronomer clicks in a browser whether a galaxy has spiral arms, and their answers train the model labelling a whole catalogue.",
   "for_you": [
    "chcesz pomagać nauce jako ochotnik przy opisywaniu zdjęć",
    "łączysz etykiety od wielu osób w jeden zbiór treningowy"
   ],
   "for_you_en": [
    "want to help science by labelling images as a volunteer",
    "combine labels from many people into one training set"
   ],
   "how": "Ochotnicy odpowiadają na drzewo pytań (gładka czy z dyskiem, czy ma poprzeczkę, czy się łączy), a model przewiduje rozkład odpowiedzi na każde pytanie zamiast jednej etykiety. Zespół bayesowskich sieci konwolucyjnych szacuje także niepewność predykcji.",
   "how_en": "Volunteers answer a decision tree of questions (smooth or disk, barred, merging), and the model predicts the answer distribution for each question rather than one label. An ensemble of Bayesian convolutional networks also estimates predictive uncertainty.",
   "limits": "Etykiety ochotników bywają niespójne i zależą od jakości zdjęć. Model wytrenowany na jednym przeglądzie gorzej działa na innym teleskopie, a rzadkie typy galaktyk mają za mało przykładów.",
   "limits_en": "Volunteer labels can be inconsistent and depend on image quality. A model trained on one survey performs worse on another telescope, and rare galaxy types have too few examples.",
   "terms": [
    {
     "gloss": "Kształt i budowa galaktyki widoczna na zdjęciu.",
     "term": "morfologia"
    },
    {
     "gloss": "Jaki odsetek ochotników wybrał każdą odpowiedź.",
     "term": "rozkład głosów"
    }
   ],
   "terms_en": [
    {
     "gloss": "A galaxy's shape and structure as seen in an image.",
     "term": "morphology"
    },
    {
     "gloss": "The share of volunteers who chose each answer.",
     "term": "vote fraction"
    }
   ],
   "prereq": [
    "visiontransfer",
    "calibration"
   ],
   "keywords": [
    "Galaxy Zoo",
    "Zoobot",
    "DECaLS",
    "Bayesian CNN",
    "crowdsourcing labels",
    "Euclid"
   ],
   "source_ids": [
    "gz-decals-2021"
   ],
   "url": "https://aiatlasgraph.com/t/galaxymorph",
   "markdown_url": "https://aiatlasgraph.com/t/galaxymorph.md",
   "updated": "2026-10-30"
  },
  "galore": {
   "id": "galore",
   "parent_id": "memefficienttraining",
   "label": "Niskorzędowe rzutowanie gradientu",
   "canonical_name": "Low-rank gradient projection",
   "aliases": [
    "gradient low-rank projection",
    "low-rank gradient projection",
    "niskorzędowe rzutowanie gradientu"
   ],
   "description": "Trening wszystkich wag, w którym gradienty i stany optymalizatora przechowuje się w niskowymiarowej projekcji.",
   "description_en": "Full-parameter training in which gradients and optimiser states are kept in a low-dimensional projection.",
   "plain": "Sposób trenowania całego modelu przy mniejszym zużyciu pamięci, przez zapisywanie kierunków zmian w uproszczonej, skompresowanej postaci.",
   "plain_en": "A way to train a whole model with less memory by storing the directions of change in a simplified, compressed form.",
   "solves": "Oszczędne dostrajanie zmienia tylko mały fragment modelu, a pełny trening wszystkich wag nie mieści się w pamięci domowej karty.",
   "solves_en": "Lean fine-tuning changes only a small part of the model, while full training of all weights won't fit on a home graphics card.",
   "does": "Jak streszczanie długiej korespondencji do kilku najważniejszych wątków: tracisz szczegóły, ale wiesz, dokąd zmierza sprawa.",
   "does_en": "Like summarising long correspondence into its few main threads: you lose details but still know where things are heading.",
   "example": "Mały zespół badawczy trenuje od zera niewielki model językowy na jednej karcie graficznej do gier.",
   "example_en": "A small research team trains a modest language model from scratch on a single gaming graphics card.",
   "for_you": [
    "chcesz pełnego treningu zamiast nakładek na model",
    "masz jedną kartę graficzną z ograniczoną pamięcią"
   ],
   "for_you_en": [
    "want full training rather than add-ons",
    "have one graphics card with limited memory"
   ],
   "how": "Gradient macierzy wag rzutuje się na podprzestrzeń wyznaczoną przez SVD gradientu, okresowo odświeżaną. Optymalizator (np. Adam) prowadzi stany w tej małej przestrzeni, a aktualizację rzutuje się z powrotem na pełne wagi, więc wszystkie parametry mogą się zmieniać.",
   "how_en": "Each weight matrix's gradient is projected onto a subspace from the gradient's SVD, refreshed periodically. The optimiser (e.g. Adam) keeps its states in this small space, and the update is projected back onto full weights, so every parameter can change.",
   "limits": "Obliczanie i okresowe odświeżanie projekcji dodaje narzut, a jej ranga i częstotliwość odświeżania są dodatkowymi hiperparametrami. Metoda oszczędza przede wszystkim pamięć stanów optymalizatora, nie aktywacji; raportowane korzyści pochodzą z konfiguracji zbadanych przez autorów.",
   "limits_en": "Computing and periodically refreshing the projection adds overhead, while projection rank and refresh frequency are additional hyperparameters. The method primarily saves optimiser-state memory rather than activations; reported benefits come from the configurations tested by the authors.",
   "terms": [
    {
     "gloss": "Przedstawienie dużej macierzy za pomocą kilku najważniejszych kierunków.",
     "term": "projekcja niskiego rzędu"
    },
    {
     "gloss": "Rozkład macierzy wskazujący jej najważniejsze kierunki.",
     "term": "SVD"
    }
   ],
   "terms_en": [
    {
     "gloss": "Representing a large matrix by a few most important directions.",
     "term": "low-rank projection"
    },
    {
     "gloss": "A matrix decomposition revealing its most important directions.",
     "term": "SVD"
    }
   ],
   "prereq": [
    "linearalgebra",
    "optimizers"
   ],
   "keywords": [
    "GaLore",
    "Q-GaLore",
    "SVD",
    "optimizer state compression",
    "full-parameter training",
    "8-bit GaLore",
    "LoRA comparison"
   ],
   "source_ids": [
    "zhao-2024-galore"
   ],
   "url": "https://aiatlasgraph.com/t/galore",
   "markdown_url": "https://aiatlasgraph.com/t/galore.md",
   "updated": "2026-10-30"
  },
  "gameai": {
   "id": "gameai",
   "parent_id": null,
   "label": "AI w grach",
   "canonical_name": "AI in games",
   "aliases": [
    "game AI",
    "AI and games",
    "sztuczna inteligencja w grach",
    "AI w grach wideo",
    "computational intelligence in games",
    "AI gier"
   ],
   "description": "Zastosowania AI w grach: agenci grający, proceduralne generowanie treści, zachowanie postaci niezależnych i modelowanie graczy; gry służą też jako poligon badań nad AI.",
   "description_en": "AI applied to games: game-playing agents, procedural content generation, non-player character behaviour and player modelling; games also serve as AI research testbeds.",
   "plain": "Sztuczna inteligencja, która gra w gry, tworzy do nich poziomy i postacie oraz dopasowuje rozgrywkę do konkretnego gracza.",
   "plain_en": "Artificial intelligence that plays games, builds their levels and characters, and tunes the experience to each player.",
   "solves": "Ręczne budowanie światów, przeciwników i testów pochłania lata pracy, a jedna stała trudność nudzi jednych graczy i zniechęca innych.",
   "solves_en": "Hand-building worlds, opponents and tests takes years of work, and one fixed difficulty bores some players while putting others off.",
   "does": "Jak mistrz gry przy stole: wymyśla świat, odgrywa postacie, pilnuje reguł i dobiera wyzwania do drużyny, która akurat gra.",
   "does_en": "Like a game master at the table: it invents the world, plays the characters, keeps the rules and pitches challenges to the group playing.",
   "example": "Wrogowie w strzelance flankują cię i chowają się za osłonami, a każda wyprawa w grze przygodowej prowadzi przez inaczej ułożone lochy.",
   "example_en": "Enemies in a shooter flank you and duck behind cover, and every run of an adventure game leads through differently laid-out dungeons.",
   "for_you": [
    "grasz w gry i ciekawi cię, co steruje przeciwnikami",
    "tworzysz gry albo chcesz zacząć",
    "chcesz zrozumieć, jak AI uczy się przez zabawę"
   ],
   "for_you_en": [
    "play games and wonder what drives the opponents",
    "make games or want to start",
    "want to see how AI learns through play"
   ],
   "how": "Gry są dla AI produktem i poligonem zarazem. Agentów grających trenuje się przeszukiwaniem i uczeniem ze wzmocnieniem, często przez grę z samym sobą. Treść generuje się przeszukiwaniem, regułami ograniczeń i modelami generatywnymi, a dane z rozgrywki zasilają modele umiejętności, emocji i zachowań graczy.",
   "how_en": "Games are both a product and a testbed for AI. Game-playing agents are trained with search and reinforcement learning, often through self-play. Content is generated with search, constraint rules and generative models, while gameplay data feed models of players' skill, emotions and behaviour.",
   "limits": "Mistrzowski agent nie musi być zabawnym przeciwnikiem: gry potrzebują wiarygodności i kontroli projektanta, nie tylko wygranej. Metody badawcze są drogie obliczeniowo, a generowana treść bywa niegrywalna lub powtarzalna. Studia ostrożnie podchodzą też do praw autorskich i reakcji graczy.",
   "limits_en": "A champion agent is not necessarily a fun opponent: games need believability and designer control, not just winning. Research methods are compute-hungry, and generated content can be unplayable or repetitive. Studios are also wary of copyright and player backlash.",
   "terms": [
    {
     "gloss": "Postać niezależna, sterowana przez grę, a nie przez gracza.",
     "term": "NPC"
    },
    {
     "gloss": "Proceduralne generowanie treści: poziomy, mapy czy zadania tworzone przez algorytm.",
     "term": "PCG"
    },
    {
     "gloss": "Trening, w którym program gra przeciw kopiom samego siebie.",
     "term": "self-play"
    },
    {
     "gloss": "Przewidywanie umiejętności, emocji i zachowań gracza z danych.",
     "term": "modelowanie gracza"
    }
   ],
   "terms_en": [
    {
     "gloss": "Non-player character, controlled by the game rather than a player.",
     "term": "NPC"
    },
    {
     "gloss": "Procedural content generation: levels, maps or quests built by an algorithm.",
     "term": "PCG"
    },
    {
     "gloss": "Training in which a program plays against copies of itself.",
     "term": "self-play"
    },
    {
     "gloss": "Predicting a player's skill, emotions and behaviour from data.",
     "term": "player modelling"
    }
   ],
   "prereq": [
    "rlbasics",
    "adversarialsearch"
   ],
   "keywords": [
    "procedural content generation",
    "game-playing agents",
    "NPC behaviour",
    "behavior trees",
    "player modeling",
    "self-play",
    "Monte Carlo tree search",
    "counterfactual regret minimization",
    "dynamic difficulty adjustment",
    "automated playtesting",
    "neural game engines",
    "generative agents",
    "General Video Game AI",
    "IEEE Conference on Games"
   ],
   "source_ids": [
    "yannakakis-togelius-aigames-2025",
    "gallotta-llm-games-2024"
   ],
   "url": "https://aiatlasgraph.com/t/gameai",
   "markdown_url": "https://aiatlasgraph.com/t/gameai.md",
   "updated": "2026-10-30"
  },
  "gamecharacters": {
   "id": "gamecharacters",
   "parent_id": "gameai",
   "label": "Zachowanie postaci w grach",
   "canonical_name": "NPC behaviour and game character AI",
   "aliases": [
    "NPC AI",
    "game character AI",
    "AI postaci niezależnych",
    "AI przeciwników",
    "enemy AI",
    "sztuczna inteligencja NPC"
   ],
   "description": "Techniki sterujące postaciami niezależnymi: maszyny stanów, drzewa zachowań, planowanie celów, odnajdywanie drogi oraz postacie prowadzone przez modele językowe.",
   "description_en": "Techniques that drive non-player characters: state machines, behaviour trees, goal planning, pathfinding and characters driven by language models.",
   "plain": "Sposoby, którymi gra decyduje, co robią przeciwnicy, sojusznicy i mieszkańcy świata, żeby wyglądali na myślących.",
   "plain_en": "The ways a game decides what enemies, allies and townsfolk do, so they seem to think for themselves.",
   "solves": "Postacie, które chodzą w kółko, utykają na ścianach albo zawsze reagują tak samo, psują wrażenie żywego świata.",
   "solves_en": "Characters that walk in circles, get stuck on walls or always react the same way break the sense of a living world.",
   "does": "Jak reżyser statystów na planie: każdy dostaje cel i zestaw ruchów, a razem tworzą wiarygodną scenę.",
   "does_en": "Like a director of film extras: each gets a goal and a set of moves, and together they make a believable scene.",
   "example": "Strażnik w grze skradankowej słyszy hałas, idzie sprawdzić, a gdy nikogo nie znajduje, wraca na swój obchód.",
   "example_en": "A guard in a stealth game hears a noise, goes to check, and when he finds no one, returns to his patrol.",
   "for_you": [
    "projektujesz przeciwników lub postacie do gry",
    "zastanawiasz się, czemu wrogowie w grach bywają głupi",
    "chcesz rozmawiać z postaciami w grze własnymi słowami"
   ],
   "for_you_en": [
    "design enemies or characters for a game",
    "wonder why game enemies are sometimes dumb",
    "want to talk to game characters in your own words"
   ],
   "how": "Postać ma warstwy: wybór celu, plan działań, ruch po świecie i animację. Wybór działań realizują maszyny stanów, drzewa zachowań, systemy użyteczności albo planery, a ruch — odnajdywanie drogi po siatce nawigacyjnej. Modele językowe dochodzą jako warstwa rozmowy i pamięci postaci.",
   "how_en": "A character has layers: goal selection, action planning, movement through the world and animation. Action selection uses state machines, behaviour trees, utility systems or planners, and movement uses pathfinding over a navigation mesh. Language models add a layer of conversation and character memory.",
   "limits": "Celem jest wiarygodność i frajda, nie optymalność: zbyt sprytny przeciwnik frustruje. Projektanci muszą móc przewidzieć i debugować zachowanie, dlatego w komercyjnych grach dominują metody ręczne, a uczenie maszynowe wchodzi ostrożnie.",
   "limits_en": "The goal is believability and fun, not optimality: an opponent that is too clever frustrates. Designers must be able to predict and debug behaviour, so hand-authored methods dominate commercial games and machine learning enters cautiously.",
   "terms": [
    {
     "gloss": "Postać przełącza się między stanami, np. patrol, pościg, ucieczka.",
     "term": "maszyna stanów"
    },
    {
     "gloss": "Każde działanie dostaje ocenę punktową, wygrywa najwyżej ocenione.",
     "term": "system użyteczności"
    },
    {
     "gloss": "Wspólna tablica faktów, z której korzysta logika postaci.",
     "term": "blackboard"
    }
   ],
   "terms_en": [
    {
     "gloss": "The character switches between states such as patrol, chase, flee.",
     "term": "state machine"
    },
    {
     "gloss": "Each action gets a score and the highest-scoring one wins.",
     "term": "utility system"
    },
    {
     "gloss": "A shared board of facts that the character logic reads.",
     "term": "blackboard"
    }
   ],
   "prereq": [
    "classicalplanning",
    "astar"
   ],
   "keywords": [
    "finite state machines",
    "behavior trees",
    "utility AI",
    "GOAP",
    "HTN planning",
    "navigation mesh",
    "steering behaviors",
    "Unreal Engine AI",
    "Unity ML-Agents",
    "generative agents"
   ],
   "source_ids": [
    "yannakakis-togelius-aigames-2025",
    "colledanchise-ogren-bt-2017"
   ],
   "url": "https://aiatlasgraph.com/t/gamecharacters",
   "markdown_url": "https://aiatlasgraph.com/t/gamecharacters.md",
   "updated": "2026-10-30"
  },
  "gamefsm": {
   "id": "gamefsm",
   "parent_id": "gamecharacters",
   "label": "Automaty stanów dla postaci (FSM)",
   "canonical_name": "Finite state machines for game characters",
   "aliases": [
    "FSM",
    "finite state machine",
    "automat stanów skończonych",
    "automat skończony",
    "maszyna stanów"
   ],
   "description": "Model sterowania, w którym postać jest zawsze w dokładnie jednym stanie, a zdarzenia wyzwalają zdefiniowane przejścia; warianty hierarchiczne i ze stosem dodają współdzielenie i pamięć.",
   "description_en": "A control model where a character is always in exactly one state and events trigger defined transitions; hierarchical and stack variants add sharing and memory.",
   "plain": "Postać ma kilka wyraźnych trybów – patroluje, goni, ucieka – i przełącza się między nimi, gdy coś się wydarzy.",
   "plain_en": "A character has a few clear modes – patrolling, chasing, fleeing – and switches between them when something happens.",
   "solves": "Pisanie zachowania postaci jako jednego wielkiego bloku warunków szybko zamienia się w plątaninę, której nikt nie umie poprawić.",
   "solves_en": "Writing a character's behaviour as one big block of conditions quickly turns into a tangle nobody can fix.",
   "does": "Działa jak schemat na kartce: kółka to tryby, strzałki to zdarzenia, po których postać przechodzi do innego kółka.",
   "does_en": "It works like a diagram on paper: circles are modes, arrows are events that move the character to another circle.",
   "example": "Strażnik w grze skradankowej spaceruje po korytarzu, słyszy hałas, idzie sprawdzić, a gdy cię zobaczy, zaczyna pościg.",
   "example_en": "A guard in a stealth game walks the corridor, hears a noise, goes to check, and starts a chase once he spots you.",
   "for_you": [
    "zaczynasz programować przeciwników w swojej pierwszej grze",
    "chcesz zrozumieć, skąd biorą się przewidywalni wrogowie",
    "projektujesz menu lub proste roboty o kilku trybach"
   ],
   "for_you_en": [
    "are coding enemies for your first game",
    "want to know why some enemies feel predictable",
    "design menus or simple robots with a few modes"
   ],
   "how": "Każdy stan ma akcje wejścia, wyjścia i aktualizacji oraz listę przejść wywoływanych zdarzeniami; zdarzenie bez przejścia jest ignorowane. Maszyna hierarchiczna przekazuje nieobsłużone zdarzenia do nadstanu, a automat ze stosem pozwala odłożyć bieżący stan i wrócić do niego po np. animacji strzału.",
   "how_en": "Each state has enter, exit and update actions and a list of event-triggered transitions; an event with no transition is ignored. A hierarchical machine passes unhandled events up to a superstate, while a pushdown automaton stacks the current state and returns to it after, say, a firing animation.",
   "limits": "Liczba przejść rośnie bardzo szybko wraz z liczbą stanów, więc złożone zachowania stają się nieczytelne. Automat nie planuje ani nie waży opcji, dlatego bogatsze AI przechodzi na drzewa zachowań, punktację lub planowanie.",
   "limits_en": "The number of transitions grows very quickly with the number of states, so complex behaviour becomes unreadable. A state machine neither plans nor weighs options, which is why richer AI moves to behaviour trees, scoring or planning.",
   "terms": [
    {
     "gloss": "Reguła: w tym stanie, po tym zdarzeniu, przejdź do tamtego stanu.",
     "term": "przejście"
    },
    {
     "gloss": "Stan grupujący kilka podobnych stanów, które dzielą wspólne reakcje.",
     "term": "nadstan"
    },
    {
     "gloss": "Maszyna pamiętająca poprzednie stany, by móc do nich wrócić.",
     "term": "automat ze stosem"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule: in this state, on this event, go to that state.",
     "term": "transition"
    },
    {
     "gloss": "A state grouping several similar states that share reactions.",
     "term": "superstate"
    },
    {
     "gloss": "A machine that remembers previous states so it can return to them.",
     "term": "pushdown automaton"
    }
   ],
   "keywords": [
    "finite state machine",
    "hierarchical state machine",
    "State pattern",
    "pushdown automaton",
    "statecharts",
    "Animator state machine",
    "enter exit actions"
   ],
   "source_ids": [
    "nystrom-gpp-state"
   ],
   "url": "https://aiatlasgraph.com/t/gamefsm",
   "markdown_url": "https://aiatlasgraph.com/t/gamefsm.md",
   "updated": "2026-10-30"
  },
  "gameplaying": {
   "id": "gameplaying",
   "parent_id": "gameai",
   "label": "Agenci grający w gry",
   "canonical_name": "Game-playing agents",
   "aliases": [
    "game playing AI",
    "AI playing games",
    "agenci do gier",
    "boty do gier",
    "superhuman game AI"
   ],
   "description": "Agenci osiągający wysoki poziom w grach planszowych, karcianych i wideo dzięki przeszukiwaniu, uczeniu ze wzmocnieniem, grze z samym sobą i rozumieniu obrazu.",
   "description_en": "Agents reaching high skill in board, card and video games through search, reinforcement learning, self-play and visual understanding.",
   "plain": "Programy, które same uczą się grać w szachy, karty czy gry wideo, czasem lepiej niż najlepsi ludzie.",
   "plain_en": "Programs that learn to play chess, cards or video games by themselves, sometimes better than the best humans.",
   "solves": "Gra wymaga planowania, blefu i szybkich reakcji, a programy pisane ręcznie regułami szybko dają się przejrzeć i ograć.",
   "solves_en": "Games demand planning, bluffing and quick reactions, and hand-written rule-based programs are soon seen through and beaten.",
   "does": "Jak zawodnik, który rozegrał miliony partii na treningu: z każdej porażki wyciąga wniosek, aż zaczyna wygrywać z mistrzami.",
   "does_en": "Like a player who has played millions of practice games: each loss teaches something until it starts beating champions.",
   "example": "Komputerowy przeciwnik w szachach na telefonie, który przegrywa z początkującym, ale potrafi też pokonać arcymistrza.",
   "example_en": "The chess opponent in a phone app that can lose to a beginner yet can also beat a grandmaster.",
   "for_you": [
    "grasz z komputerem w szachy, karty lub strategię",
    "śledzisz pojedynki AI z mistrzami gier"
   ],
   "for_you_en": [
    "play chess, cards or strategy against the computer",
    "follow AI-versus-champion matches"
   ],
   "how": "Dobór metody zależy od gry. Gry z pełną informacją łączą przeszukiwanie drzewa z siecią oceniającą pozycje, gry z ukrytą informacją szukają strategii bliskich równowadze, a gry wideo uczą się polityk z pikseli. Coraz częściej jeden agent z modelem językowym gra w wiele gier przez ekran i klawiaturę.",
   "how_en": "The method depends on the game. Perfect-information games combine tree search with a position-evaluating network, hidden-information games seek near-equilibrium strategies, and video games learn policies from pixels. Increasingly one language-model-driven agent plays many games through the screen and keyboard.",
   "limits": "Rekordowe wyniki wymagają ogromnych obliczeń i często dostępu do wnętrza gry. Agenci bywają wąscy: mistrz jednej gry nie radzi sobie z inną.",
   "limits_en": "Record results need huge compute and often access to game internals. Agents tend to be narrow: a champion of one game may fail at another.",
   "terms": [
    {
     "gloss": "Gra, w której obaj gracze widzą cały stan, jak szachy.",
     "term": "pełna informacja"
    },
    {
     "gloss": "Gra z tajnymi kartami lub mgłą wojny, jak poker.",
     "term": "ukryta informacja"
    },
    {
     "gloss": "Liczbowa miara siły gracza wyliczana z wyników partii.",
     "term": "ranking Elo"
    }
   ],
   "terms_en": [
    {
     "gloss": "A game where both players see the whole state, like chess.",
     "term": "perfect information"
    },
    {
     "gloss": "A game with hidden cards or fog of war, like poker.",
     "term": "imperfect information"
    },
    {
     "gloss": "A numeric measure of player strength computed from game results.",
     "term": "Elo rating"
    }
   ],
   "prereq": [
    "mctsplanning",
    "rlalgorithms"
   ],
   "keywords": [
    "AlphaZero",
    "MuZero",
    "AlphaStar",
    "OpenAI Five",
    "Pluribus",
    "Arcade Learning Environment",
    "SIMA",
    "league training",
    "MCTS"
   ],
   "source_ids": [
    "yannakakis-togelius-aigames-2025",
    "vinyals-alphastar-2019"
   ],
   "url": "https://aiatlasgraph.com/t/gameplaying",
   "markdown_url": "https://aiatlasgraph.com/t/gameplaying.md",
   "updated": "2026-10-30"
  },
  "gametesting": {
   "id": "gametesting",
   "parent_id": "gameplaying",
   "label": "Automatyczne testowanie gier przez agentów",
   "canonical_name": "Automated playtesting with agents",
   "aliases": [
    "automated playtesting",
    "automated game testing",
    "AI playtesting",
    "testowanie gier z AI",
    "boty testujące",
    "game QA automation"
   ],
   "description": "Wykorzystanie agentów uczonych przez wzmocnienie, imitację lub eksplorację do pokrywania przestrzeni gry, wykrywania błędów, exploitów i oceny trudności.",
   "description_en": "Using agents trained by reinforcement, imitation or exploration to cover the game space, find bugs and exploits, and assess difficulty.",
   "plain": "Programy, które godzinami grają w nową grę zamiast ludzi i szukają błędów, dziur w mapie i zbyt trudnych miejsc.",
   "plain_en": "Programs that play a new game for hours instead of people, hunting for bugs, holes in the map and spots that are too hard.",
   "solves": "Testerzy nie przejdą każdej ścieżki w ogromnym świecie, a każda łatka może zepsuć coś, co wczoraj działało.",
   "solves_en": "Testers cannot walk every path in a huge world, and every patch can break something that worked yesterday.",
   "does": "Jak stado ciekawskich kotów wpuszczonych do nowego domu: wejdą w każdy kąt i od razu znajdą szparę, której nikt nie zauważył.",
   "does_en": "Like curious cats let into a new house: they poke into every corner and quickly find the gap nobody noticed.",
   "example": "W nocy przed premierą boty biegają po mapie gry i rano zespół dostaje listę miejsc, gdzie postać przenika przez ścianę.",
   "example_en": "The night before launch bots roam the game map, and in the morning the team gets a list of spots where characters pass through walls.",
   "for_you": [
    "testujesz gry lub aplikacje interaktywne",
    "prowadzisz małe studio bez dużego działu testów"
   ],
   "for_you_en": [
    "test games or interactive apps",
    "run a small studio without a big QA team"
   ],
   "how": "Agent dostaje nagrodę za odwiedzanie nowych miejsc, osiąganie celów lub wywoływanie nietypowych stanów i gra w wielu kopiach równolegle. Zapisuje ślady, które prowadzą do błędu, by programista mógł je odtworzyć. Agenci naśladujący ludzi pomagają też szacować, jak trudny jest poziom.",
   "how_en": "The agent is rewarded for visiting new places, reaching goals or triggering unusual states, and runs in many parallel copies. It logs traces that lead to a bug so a developer can reproduce it. Agents imitating people also help estimate how hard a level is.",
   "limits": "Agent odkrywa to, za co go nagradzamy; błędy wizualne, fabularne czy wrażenia z gry nadal ocenia człowiek. Trening dla każdej gry i po każdej zmianie kosztuje czas obliczeń, a styl gry botów różni się od ludzkiego.",
   "limits_en": "An agent finds what it is rewarded for; visual, story and feel issues still need human judgement. Training per game and after every change costs compute time, and bots play differently from people.",
   "terms": [
    {
     "gloss": "Jaką część mapy lub stanów gry odwiedzili testujący agenci.",
     "term": "pokrycie"
    },
    {
     "gloss": "Niezamierzony sposób obejścia reguł lub zdobycia przewagi.",
     "term": "exploit"
    },
    {
     "gloss": "Sprawdzenie, czy po zmianie nie zepsuło się nic, co działało.",
     "term": "test regresji"
    }
   ],
   "terms_en": [
    {
     "gloss": "What share of the map or game states the test agents visited.",
     "term": "coverage"
    },
    {
     "gloss": "An unintended way to bypass rules or gain an advantage.",
     "term": "exploit"
    },
    {
     "gloss": "Checking that a change did not break anything that worked.",
     "term": "regression test"
    }
   ],
   "prereq": [
    "curiosity",
    "rlenvs"
   ],
   "keywords": [
    "automated playtesting",
    "reinforcement learning for game testing",
    "curiosity-driven exploration",
    "imitation learning",
    "Unity ML-Agents",
    "bug detection",
    "coverage testing"
   ],
   "source_ids": [
    "bergdahl-drl-game-testing-2021"
   ],
   "url": "https://aiatlasgraph.com/t/gametesting",
   "markdown_url": "https://aiatlasgraph.com/t/gametesting.md",
   "updated": "2026-10-30"
  },
  "gametheory": {
   "id": "gametheory",
   "parent_id": "foundations",
   "label": "Teoria gier i decyzji",
   "canonical_name": "Game theory and decision theory",
   "aliases": [
    "game theory",
    "decision theory",
    "teoria gier",
    "teoria decyzji",
    "game and decision theory",
    "teoria gier i decyzji"
   ],
   "description": "Teoria racjonalnego wyboru jednego decydenta (użyteczność) i wielu oddziałujących graczy (równowagi, projektowanie mechanizmów, wybór społeczny).",
   "description_en": "Theory of rational choice for a single decision-maker (utility) and many interacting players (equilibria, mechanism design, social choice).",
   "plain": "Matematyka wyboru: jak podejmować decyzje w niepewności i jak przewidywać działania wielu stron, z których każda gra o swoje.",
   "plain_en": "The mathematics of choice: how to decide under uncertainty and predict what several parties do when each pursues its own aim.",
   "solves": "Systemy AI coraz częściej negocjują, licytują i współdziałają z ludźmi oraz innymi agentami, a dobre ruchy zależą od cudzych wyborów.",
   "solves_en": "AI systems increasingly negotiate, bid and cooperate with people and other agents, and good moves depend on others' choices.",
   "does": "Zamienia sytuację w planszę z graczami, ruchami i wypłatami, a potem szuka układów, z których nikomu nie opłaca się zbaczać.",
   "does_en": "It turns a situation into a board of players, moves and payoffs, then looks for arrangements no one gains from leaving.",
   "example": "Aplikacja do przejazdów ustala ceny tak, żeby kierowcom opłacało się jeździć tam, gdzie brakuje samochodów.",
   "example_en": "A ride app sets prices so that drivers find it worthwhile to go where cars are scarce.",
   "for_you": [
    "budujesz agentów, którzy działają obok innych agentów",
    "projektujesz zasady, które ludzie mogą próbować obejść",
    "chcesz zrozumieć, jak łączyć opinie wielu osób"
   ],
   "for_you_en": [
    "build agents that act alongside other agents",
    "design rules people might try to game",
    "want to understand how to combine many people's opinions"
   ],
   "how": "Teoria decyzji wybiera działanie maksymalizujące oczekiwaną użyteczność przy znanych lub subiektywnych prawdopodobieństwach. Teoria gier modeluje graczy, strategie i wypłaty oraz koncepcje rozwiązań, np. równowagę Nasha. Algorytmiczna teoria gier dodaje pytania o złożoność obliczania równowag, a projektowanie mechanizmów odwraca problem: ustala reguły, by egoistyczne zachowania dawały pożądany wynik.",
   "how_en": "Decision theory selects the action maximising expected utility under known or subjective probabilities. Game theory models players, strategies and payoffs plus solution concepts such as Nash equilibrium. Algorithmic game theory adds questions on the complexity of computing equilibria, while mechanism design inverts the problem: setting rules so selfish behaviour yields a desired outcome.",
   "limits": "Modele zakładają racjonalnych graczy o znanych celach, co często rozmija się z zachowaniem ludzi. Obliczanie równowag w dużych grach bywa obliczeniowo trudne, a gra może mieć wiele równowag bez wskazania, która zajdzie.",
   "limits_en": "Models assume rational players with known goals, which often diverges from human behaviour. Computing equilibria in large games can be computationally hard, and a game may have many equilibria with no indication which will occur.",
   "terms": [
    {
     "gloss": "Liczba opisująca, jak bardzo graczowi odpowiada dany wynik.",
     "term": "wypłata"
    },
    {
     "gloss": "Losowanie ruchów z ustalonymi prawdopodobieństwami zamiast jednego stałego ruchu.",
     "term": "strategia mieszana"
    },
    {
     "gloss": "Reguła wskazująca, które wyniki gry uznajemy za przewidywane.",
     "term": "koncepcja rozwiązania"
    }
   ],
   "terms_en": [
    {
     "gloss": "A number describing how much a player likes an outcome.",
     "term": "payoff"
    },
    {
     "gloss": "Randomising over moves with fixed probabilities instead of one fixed move.",
     "term": "mixed strategy"
    },
    {
     "gloss": "A rule specifying which game outcomes we regard as predicted.",
     "term": "solution concept"
    }
   ],
   "prereq": [
    "distributions"
   ],
   "keywords": [
    "Nash equilibrium",
    "expected utility",
    "mechanism design",
    "auctions",
    "social choice",
    "Shapley value",
    "minimax theorem",
    "price of anarchy",
    "correlated equilibrium",
    "Stackelberg games",
    "cooperative games",
    "multi-agent systems"
   ],
   "source_ids": [
    "aima4",
    "nisan-agt-2007",
    "conitzer-socialchoice-alignment-2024"
   ],
   "url": "https://aiatlasgraph.com/t/gametheory",
   "markdown_url": "https://aiatlasgraph.com/t/gametheory.md",
   "updated": "2026-10-30"
  },
  "gan": {
   "id": "gan",
   "parent_id": "generative",
   "label": "Generatywne sieci przeciwstawne (GAN)",
   "canonical_name": "Generative adversarial networks (GAN)",
   "aliases": [
    "GAN",
    "generative adversarial network",
    "sieci przeciwstawne",
    "adversarial training"
   ],
   "description": "Dwie sieci trenowane w grze przeciwstawnej: generator tworzy przykłady, a dyskryminator odróżnia je od danych rzeczywistych; sygnał z dyskryminatora uczy generator coraz lepszego odwzorowania rozkładu danych. Trening może być niestabilny i cierpieć na załamanie trybów.",
   "description_en": "Two networks trained in an adversarial game: a generator creates samples and a discriminator distinguishes them from real data; the discriminator's signal trains the generator to better match the data distribution. Training can be unstable and suffer from mode collapse.",
   "examples": "generator i dyskryminator · gra minimax · załamanie trybów (mode collapse)",
   "examples_en": "generator and discriminator · minimax game · mode collapse",
   "plain": "To sposób uczenia generatora przez rywalizację z modelem odróżniającym jego wyniki od prawdziwych przykładów.",
   "plain_en": "This trains a generator through competition with a model distinguishing its outputs from real examples.",
   "solves": "Trudno ręcznie opisać wszystkie cechy sprawiające, że wygenerowany obraz wygląda wiarygodnie.",
   "solves_en": "It is hard to manually specify every feature that makes a generated image look convincing.",
   "does": "Generator próbuje tworzyć przekonujące dane, a oceniająca sieć uczy się rozpoznawać różnice i przekazuje mu sygnał do poprawy.",
   "does_en": "The generator tries to produce convincing data while a judging network learns to detect differences and provides a signal for improvement.",
   "example": "Podczas treningu generator twarzy otrzymuje wskazówki od sieci porównującej jego obrazy z prawdziwymi zdjęciami.",
   "example_en": "During training, a face generator receives feedback from a network comparing its images with real photographs.",
   "for_you": [
    "poznajesz uczenie przez rywalizację modeli",
    "chcesz zrozumieć, jak ocena uczy generator"
   ],
   "for_you_en": [
    "study training through competing models",
    "want to understand how evaluation teaches a generator"
   ],
   "how": "Dyskryminator uczy się odróżniać dane od próbek generatora, a generator aktualizuje wagi przez sygnał tej oceny. Naprzemienne kroki optymalizacji tworzą grę, której równowaga ma prowadzić do zbliżenia rozkładu próbek do danych.",
   "how_en": "A discriminator learns to distinguish data from generator samples, while the generator updates weights through that evaluation signal. Alternating optimisation steps form a game whose equilibrium aims to align sample and data distributions.",
   "limits": "Dwa zmieniające się cele utrudniają stabilny trening. Generator może pomijać część rozkładu; dobra jakość wizualna nie oznacza różnorodności ani łatwego obliczania wiarygodności danych.",
   "limits_en": "Two changing objectives complicate stable training. Generators can omit distribution regions; visual quality does not imply diversity or easy data-likelihood calculation.",
   "terms": [
    {
     "gloss": "Model odróżniający próbki generatora od przykładów rzeczywistych.",
     "term": "dyskryminator"
    },
    {
     "gloss": "Generowanie ograniczonej różnorodności mimo szerszego rozkładu danych.",
     "term": "mode collapse"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model distinguishing generator samples from real examples.",
     "term": "discriminator"
    },
    {
     "gloss": "Producing limited diversity despite a broader data distribution.",
     "term": "mode collapse"
    }
   ],
   "prereq": [
    "backprop",
    "probability"
   ],
   "keywords": [
    "generator-discriminator training",
    "minimax objective",
    "adversarial loss",
    "mode collapse",
    "Wasserstein GAN",
    "StyleGAN"
   ],
   "source_ids": [
    "d2l-toc",
    "udlbook-toc",
    "gan-2014",
    "lilianweng-flow-models-2018"
   ],
   "url": "https://aiatlasgraph.com/t/gan",
   "markdown_url": "https://aiatlasgraph.com/t/gan.md",
   "updated": "2026-10-30"
  },
  "gaussianprocesses": {
   "id": "gaussianprocesses",
   "parent_id": "probabilistic",
   "label": "Procesy gaussowskie",
   "canonical_name": "Gaussian processes",
   "aliases": [
    "Gaussian process",
    "Gaussian processes",
    "GP",
    "proces Gaussa",
    "procesy Gaussa"
   ],
   "description": "Nieparametryczny model bayesowski: rozkład nad funkcjami, w którym dowolny skończony zbiór wartości ma łączny rozkład normalny.",
   "description_en": "Non-parametric Bayesian model: a distribution over functions where any finite set of values is jointly Gaussian.",
   "plain": "Metoda przewidywania, która oprócz odpowiedzi mówi też, na ile jest jej pewna, i rośnie w wątpliwości tam, gdzie brakuje danych.",
   "plain_en": "A prediction method that gives not only an answer but how sure it is, growing doubtful where data is missing.",
   "solves": "Przy niewielu pomiarach zwykłe modele podają pewnie brzmiące liczby nawet tam, gdzie tak naprawdę zgadują.",
   "solves_en": "With few measurements, ordinary models give confident-sounding numbers even where they are really guessing.",
   "does": "Rysuje nie jedną linię przez punkty, lecz cały pęk możliwych linii, ciasny przy pomiarach i szeroki między nimi.",
   "does_en": "It draws not one line through the points but a whole bundle of possible lines, tight near measurements and wide between them.",
   "example": "Laboratorium wybiera, którą próbkę zbadać jako następną, bo model wskazuje miejsca, w których wie najmniej.",
   "example_en": "A lab chooses which sample to test next because the model points to where it knows least.",
   "for_you": [
    "masz mało drogich pomiarów",
    "potrzebujesz przewidywań z oceną niepewności",
    "dobierasz ustawienia, testując możliwie niewiele wariantów"
   ],
   "for_you_en": [
    "have few costly measurements",
    "need predictions with uncertainty estimates",
    "tune settings while testing as few variants as possible"
   ],
   "how": "Proces określają funkcja średniej i funkcja kowariancji (jądro), która mówi, jak podobne są wartości w bliskich punktach. Dla regresji z szumem gaussowskim rozkład a posteriori liczy się w postaci zamkniętej, a hiperparametry jądra dobiera się, maksymalizując brzegową wiarygodność. Jest to rdzeń optymalizacji bayesowskiej i wielu zastosowań naukowych.",
   "how_en": "The process is set by a mean function and a covariance function (kernel) describing how similar values are at nearby points. For regression with Gaussian noise the posterior is computed in closed form, and kernel hyperparameters are tuned by maximising the marginal likelihood. It is the core of Bayesian optimisation and many scientific applications.",
   "limits": "Dokładne obliczenia skalują się sześciennie z liczbą punktów, więc dla dużych zbiorów potrzebne są przybliżenia, np. punkty indukujące. Jakość zależy od trafnego wyboru jądra, a w wielu wymiarach metoda słabnie.",
   "limits_en": "Exact computation scales cubically with the number of points, so large datasets need approximations such as inducing points. Quality depends on choosing the right kernel, and the method weakens in high dimensions.",
   "terms": [
    {
     "gloss": "Funkcja mówiąca, jak bardzo wartości w dwóch punktach są ze sobą powiązane.",
     "term": "jądro (kowariancja)"
    },
    {
     "gloss": "Prawdopodobieństwo danych przy danym jądrze, używane do strojenia.",
     "term": "brzegowa wiarygodność"
    },
    {
     "gloss": "Mały zbiór punktów zastępczych przyspieszający obliczenia.",
     "term": "punkty indukujące"
    }
   ],
   "terms_en": [
    {
     "gloss": "Function stating how strongly values at two points are related.",
     "term": "kernel (covariance)"
    },
    {
     "gloss": "Probability of the data under a kernel, used for tuning.",
     "term": "marginal likelihood"
    },
    {
     "gloss": "A small set of proxy points that speeds up computation.",
     "term": "inducing points"
    }
   ],
   "prereq": [
    "distributions",
    "linearalgebra",
    "bayesinference"
   ],
   "keywords": [
    "RBF kernel",
    "Matérn kernel",
    "Bayesian optimization",
    "sparse GP",
    "inducing points",
    "GPyTorch",
    "kriging",
    "marginal likelihood"
   ],
   "source_ids": [
    "rasmussen-williams-gpml-2006"
   ],
   "url": "https://aiatlasgraph.com/t/gaussianprocesses",
   "markdown_url": "https://aiatlasgraph.com/t/gaussianprocesses.md",
   "updated": "2026-10-30"
  },
  "gaussiansplatting": {
   "id": "gaussiansplatting",
   "parent_id": "spatial",
   "label": "Gaussian splatting: szybkie sceny 3D ze zdjęć",
   "canonical_name": "3D Gaussian splatting",
   "aliases": [
    "Gaussian splatting",
    "3D Gaussian splatting",
    "3DGS",
    "Gaussian splats",
    "splatting",
    "gaussiany 3D"
   ],
   "description": "Reprezentacja sceny za pomocą anizotropowych trójwymiarowych gaussianów optymalizowanych na podstawie zdjęć i renderowanych przez splatting. Pozwala uzyskać wysokiej jakości syntezę nowych widoków w czasie rzeczywistym i stanowi alternatywę dla reprezentacji opartych na polach radiancji.",
   "description_en": "A scene representation built from anisotropic 3D Gaussians optimised from images and rendered by splatting. It enables high-quality real-time novel-view synthesis and provides an alternative to radiance-field representations.",
   "examples": "3DGS · splaty · rendering w czasie rzeczywistym · rasteryzacja · SLAM na gaussianach",
   "examples_en": "3DGS · splats · real-time rendering · rasterisation · Gaussian-splatting SLAM",
   "plain": "To zapisanie odtworzonej ze zdjęć przestrzeni jako rozmytych, kolorowych plamek, które można szybko wyświetlać.",
   "plain_en": "This represents space reconstructed from photos as soft coloured blobs that can be displayed quickly.",
   "solves": "Chcesz płynnie oglądać odtworzone miejsce, ale obliczanie każdego nowego widoku może być zbyt wolne.",
   "solves_en": "You want to explore a reconstructed place smoothly, but calculating every new view may be too slow.",
   "does": "Jak puentylista malujący kropkami: każda plamka ma kolor, kształt i przezroczystość, a karta graficzna szybko nakłada je na siebie.",
   "does_en": "Like a pointillist painting in dots: each blob has a colour, shape and transparency, and the graphics card layers them quickly.",
   "example": "Agent nieruchomości nagrywa telefonem mieszkanie, a klient zwiedza je potem w przeglądarce, chodząc swobodnie po pokojach.",
   "example_en": "An estate agent films a flat on a phone, and a client later tours it in the browser, walking freely between rooms.",
   "for_you": [
    "chcesz pokazywać miejsca jako sceny przestrzenne",
    "tworzysz wirtualne wycieczki lub sceny do gier",
    "pracujesz z rzeczywistością wirtualną lub rozszerzoną"
   ],
   "for_you_en": [
    "want to show places as spatial scenes",
    "build virtual tours or game scenes",
    "work with virtual or augmented reality"
   ],
   "how": "Scenę opisują gaussowskie elementy z pozycją, kowariancją, kolorem i nieprzezroczystością, dopasowywane do zdjęć. Rzutowanie ich na ekran i składanie według widoczności tworzy render bez ciągłego próbkowania sieci pola.",
   "how_en": "Gaussian elements with positions, covariances, colours and opacity represent scenes and are fitted to photographs. Screen projection and visibility-aware compositing produce renders without continuously sampling a field network.",
   "limits": "Reprezentacja może tworzyć pływające artefakty i nie daje bezpośrednio poprawnej siatki powierzchni. Widoki poza pokryciem, ruch i duża liczba elementów ograniczają jakość oraz pamięć.",
   "limits_en": "The representation can produce floating artifacts and does not directly yield valid surface meshes. Uncovered viewpoints, motion and large element counts constrain quality and memory.",
   "terms": [
    {
     "gloss": "Macierz opisująca rozmiar i orientację przestrzennego elementu.",
     "term": "kowariancja gaussowska"
    },
    {
     "gloss": "Rzutowanie rozciągłych elementów na obraz i łączenie ich wkładów.",
     "term": "splatting"
    }
   ],
   "terms_en": [
    {
     "gloss": "A matrix describing a spatial element's size and orientation.",
     "term": "Gaussian covariance"
    },
    {
     "gloss": "Projecting extended elements onto images and combining their contributions.",
     "term": "splatting"
    }
   ],
   "prereq": [
    "linearalgebra",
    "mathoptimization"
   ],
   "keywords": [
    "3DGS",
    "Gaussian covariance",
    "differentiable rasterization",
    "spherical harmonics",
    "alpha compositing",
    "Gaussian SLAM"
   ],
   "source_ids": [
    "gaussian-splatting-2023",
    "hf-ml-for-3d-course-unit3",
    "slam-radiance-fields-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/gaussiansplatting",
   "markdown_url": "https://aiatlasgraph.com/t/gaussiansplatting.md",
   "updated": "2026-10-30"
  },
  "gec": {
   "id": "gec",
   "parent_id": "nlp",
   "label": "Automatyczna poprawa gramatyki i pisowni",
   "canonical_name": "Grammatical error correction",
   "aliases": [
    "GEC",
    "grammatical error correction",
    "grammar correction",
    "spelling correction",
    "korekta językowa",
    "poprawianie błędów językowych"
   ],
   "description": "Wykrywanie i poprawianie błędów gramatycznych, ortograficznych i leksykalnych w tekście, z minimalną zmianą treści.",
   "description_en": "Detecting and correcting grammatical, spelling and word-choice errors in text with minimal changes to content.",
   "plain": "Program znajduje w tekście błędy gramatyczne, literówki i złe słowa, a potem proponuje poprawioną wersję.",
   "plain_en": "Software finds grammar mistakes, typos and wrong words in a text and suggests a corrected version.",
   "solves": "Piszemy szybko, często w obcym języku, a błędy w mailu czy CV psują wrażenie i bywają źle zrozumiane.",
   "solves_en": "People write fast, often in a foreign language, and mistakes in an email or CV spoil the impression or confuse readers.",
   "does": "Jak nauczyciel z czerwonym długopisem, który poprawia tylko błędy i zostawia twój styl w spokoju.",
   "does_en": "Like a teacher with a red pen who fixes only the mistakes and leaves your style alone.",
   "example": "Piszesz maila po angielsku, a edytor podkreśla zły czas i podsuwa poprawne zdanie jednym kliknięciem.",
   "example_en": "You write an email in a foreign language and the editor underlines a wrong tense and offers the fixed sentence in one click.",
   "for_you": [
    "piszesz w języku, którego się uczysz",
    "wysyłasz ważne pisma i boisz się literówek",
    "uczysz innych pisać poprawnie"
   ],
   "for_you_en": [
    "write in a language you are learning",
    "send important letters and fear typos",
    "teach others to write correctly"
   ],
   "how": "Podejście seq2seq traktuje korektę jak tłumaczenie z tekstu błędnego na poprawny; podejście edycyjne taguje każdy token operacją (zostaw, usuń, zamień), co jest szybsze i łatwiejsze do wyjaśnienia. Brak danych równoległych uzupełnia się sztucznie wprowadzanymi błędami; LLM poprawiają tekst na polecenie.",
   "how_en": "Seq2seq treats correction as translation from erroneous to correct text; edit-based methods tag each token with an operation (keep, delete, replace), which is faster and easier to explain. Synthetic error generation offsets scarce parallel data; LLMs correct text on request.",
   "limits": "LLM mają skłonność do nadmiernej korekty, przepisując poprawne zdania dla płynności. Złożone poprawki wielowyrazowe są trudne dla metod edycyjnych, a miary oceny nie zawsze zgadzają się z ludzkim osądem.",
   "limits_en": "LLMs tend to overcorrect, rewriting correct sentences for fluency. Complex multi-word fixes are hard for edit-based methods, and evaluation metrics do not always match human judgement.",
   "terms": [
    {
     "gloss": "Poprawka zmieniająca tylko to, co błędne.",
     "term": "minimal edit"
    },
    {
     "gloss": "Przypisanie każdemu tokenowi operacji edycji.",
     "term": "sequence tagging"
    },
    {
     "gloss": "Narzędzie klasyfikujące poprawki według typu błędu.",
     "term": "ERRANT"
    }
   ],
   "terms_en": [
    {
     "gloss": "A fix that changes only what is wrong.",
     "term": "minimal edit"
    },
    {
     "gloss": "Giving every token an edit operation.",
     "term": "sequence tagging"
    },
    {
     "gloss": "A tool classifying corrections by error type.",
     "term": "ERRANT"
    }
   ],
   "prereq": [
    "transformers"
   ],
   "keywords": [
    "GECToR",
    "ERRANT",
    "M2 scorer",
    "seq2seq GEC",
    "synthetic error generation",
    "BEA-2019",
    "CoNLL-2014",
    "overcorrection"
   ],
   "source_ids": [
    "bryant-2023-gec-survey"
   ],
   "url": "https://aiatlasgraph.com/t/gec",
   "markdown_url": "https://aiatlasgraph.com/t/gec.md",
   "updated": "2026-10-30"
  },
  "gemm": {
   "id": "gemm",
   "parent_id": "compute",
   "label": "Kernele mnożenia macierzy (GEMM)",
   "canonical_name": "Matrix multiplication kernels (GEMM)",
   "description": "Serce obliczeń AI: jak z mnożenia macierzy wycisnąć wydajność bliską możliwościom sprzętu.",
   "description_en": "The heart of AI compute: squeezing near-peak hardware throughput out of matrix multiplication.",
   "examples": "kafelkowanie · pamięć współdzielona · roofline",
   "examples_en": "tiling · shared memory · roofline",
   "plain": "To wydajne mnożenie tabel liczb, na którym opiera się wiele obliczeń modeli.",
   "plain_en": "This efficiently multiplies number arrays, a foundation of many model calculations.",
   "solves": "Sieć wielokrotnie mnoży duże zestawy liczb, więc niewydajna implementacja spowalnia cały model.",
   "solves_en": "A network repeatedly multiplies large number arrays, so inefficient implementation slows the entire model.",
   "does": "Program dzieli tabele na bloki, ponownie wykorzystuje załadowane dane i dopasowuje pracę do jednostek mnożących sprzętu.",
   "does_en": "A program splits arrays into blocks, reuses loaded data and matches execution to the hardware's multiplication units.",
   "example": "Przyspieszasz warstwę modelu, mierząc różne sposoby mnożenia jej tabel ustawień i danych wejściowych.",
   "example_en": "You accelerate a model layer by measuring different ways to multiply its parameter and input arrays.",
   "for_you": [
    "mnożenie macierzy dominuje w pomiarach czasu",
    "chcesz dopasować obliczenia do sprzętu"
   ],
   "for_you_en": [
    "find matrix multiplication dominates runtime",
    "want to match computation to hardware"
   ],
   "how": "Macierze dzieli się na kafelki, których fragmenty ładuje się do szybkiej pamięci i wielokrotnie wykorzystuje. Iloczyny częściowe akumuluje się w rejestrach lub jednostkach macierzowych, a harmonogram ukrywa transfery za obliczeniami.",
   "how_en": "Matrices are tiled, loading fragments into fast memory for repeated reuse. Partial products accumulate in registers or matrix units, while scheduling hides transfers behind computation.",
   "limits": "Rozmiary, układ danych i precyzja wpływają na dobór kafelków. Małe lub wąskie macierze słabo wykorzystują sprzęt; większe kafelki mogą ograniczać occupancy przez zużycie zasobów.",
   "limits_en": "Shapes, layouts and precision affect tile choices. Small or narrow matrices underutilise hardware; larger tiles can reduce occupancy through resource consumption.",
   "terms": [
    {
     "gloss": "Sumowanie częściowych iloczynów do elementów macierzy wynikowej.",
     "term": "akumulacja"
    },
    {
     "gloss": "Ponowne użycie załadowanego fragmentu zamiast kolejnego transferu.",
     "term": "reuse danych"
    }
   ],
   "terms_en": [
    {
     "gloss": "Summing partial products into output-matrix elements.",
     "term": "accumulation"
    },
    {
     "gloss": "Reusing a loaded fragment instead of transferring it again.",
     "term": "data reuse"
    }
   ],
   "prereq": [
    "linearalgebra",
    "gpuprog"
   ],
   "keywords": [
    "tiling",
    "shared-memory staging",
    "register blocking",
    "cuBLAS",
    "CUTLASS",
    "arithmetic intensity",
    "matrix accumulation"
   ],
   "source_ids": [
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/gemm",
   "markdown_url": "https://aiatlasgraph.com/t/gemm.md",
   "updated": "2026-10-30"
  },
  "gen3d": {
   "id": "gen3d",
   "parent_id": "spatial",
   "label": "Generowanie obiektów 3D z tekstu lub zdjęcia",
   "canonical_name": "Text-to-3D and image-to-3D generation",
   "aliases": [
    "3D generation",
    "text-to-3D",
    "image-to-3D",
    "3D generative models",
    "3D asset generation",
    "generowanie 3D",
    "tekst na 3D",
    "obraz na 3D",
    "generatywne 3D"
   ],
   "description": "Tworzenie obiektów lub scen 3D — np. siatek, gaussianów albo pól radiancji — z opisu tekstowego lub obrazu. Metody obejmują destylowanie wskazówek z generatorów 2D, generowanie wielu zgodnych widoków oraz modele uczone bezpośrednio na zbiorach zasobów 3D; wyniki często wymagają dalszej obróbki.",
   "description_en": "Creating 3D objects or scenes — such as meshes, Gaussians or radiance fields — from text or images. Methods include distilling guidance from 2D generators, generating consistent multiple views, and models trained directly on 3D asset datasets; outputs often require further editing.",
   "examples": "tekst→3D · obraz→3D · score distillation (DreamFusion) · dyfuzja wielowidokowa · Hunyuan3D · siatki i reprezentacje gaussianowe",
   "examples_en": "text-to-3D · image-to-3D · score distillation (DreamFusion) · multi-view diffusion · Hunyuan3D · meshes and Gaussian representations",
   "plain": "To tworzenie wstępnego modelu przestrzennego przedmiotu lub sceny na podstawie opisu albo obrazu.",
   "plain_en": "This creates a draft spatial model of an object or scene from a description or image.",
   "solves": "Ręczne przygotowanie kształtu przedmiotu do gry lub wizualizacji wymaga czasu i umiejętności.",
   "solves_en": "Preparing an object shape for a game or visualisation by hand takes time and skill.",
   "does": "Z poznanych przykładów przewiduje kształt, powierzchnie i kolory; niektóre metody najpierw przygotowują widoki z różnych stron.",
   "does_en": "It predicts shape, surfaces and colours from learned examples; some methods first prepare views from different sides.",
   "example": "Wgrywasz zdjęcie produktu, a model przygotowuje wstępny obiekt przestrzenny, który możesz poprawić i wykorzystać w wizualizacji.",
   "example_en": "You upload a product photo, and a model prepares a draft spatial object that you can refine and use in a visualisation.",
   "for_you": [
    "tworzysz gry, animacje lub sceny wirtualne",
    "przygotowujesz kształty do druku przestrzennego",
    "potrzebujesz szybko modeli produktów do pokazania"
   ],
   "for_you_en": [
    "make games, animations or virtual scenes",
    "prepare shapes for three-dimensional printing",
    "need quick product models to show people"
   ],
   "how": "Tekst lub obraz warunkuje model generujący reprezentację przestrzenną albo zestaw uzgodnionych widoków. Rekonstrukcja i guidance generatorów obrazowych mogą optymalizować siatkę, pole lub gaussowskie elementy do zgodności z warunkiem.",
   "how_en": "Text or images condition a model generating spatial representations or consistent view sets. Reconstruction and image-generator guidance can optimise meshes, fields or Gaussian elements for agreement with the condition.",
   "limits": "Nieobserwowane strony obiektu mogą być niespójne, a ładny render ukrywać wadliwą geometrię. Wynik może wymagać naprawy siatki, tekstur i skali przed użyciem.",
   "limits_en": "Unobserved object sides can be inconsistent, and attractive renders can conceal faulty geometry. Outputs may need mesh, texture and scale repairs before use.",
   "terms": [
    {
     "gloss": "Reprezentacja kształtu z wierzchołków i połączonych wielokątów.",
     "term": "siatka powierzchni"
    },
    {
     "gloss": "Zgodność wyglądu i geometrii obiektu oglądanego z różnych kierunków.",
     "term": "spójność wielowidokowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A shape representation using vertices and connected polygons.",
     "term": "surface mesh"
    },
    {
     "gloss": "Agreement in object appearance and geometry across viewing directions.",
     "term": "multiview consistency"
    }
   ],
   "prereq": [
    "diffusion",
    "mathoptimization"
   ],
   "keywords": [
    "DreamFusion",
    "score distillation sampling",
    "TRELLIS",
    "Hunyuan3D",
    "multi-view diffusion",
    "mesh generation",
    "PBR materials"
   ],
   "source_ids": [
    "hf-ml-for-3d-course-unit3",
    "dreamfusion-2022",
    "trellis-2024",
    "hunyuan3d-2-1-2025"
   ],
   "url": "https://aiatlasgraph.com/t/gen3d",
   "markdown_url": "https://aiatlasgraph.com/t/gen3d.md",
   "updated": "2026-10-30"
  },
  "genaimrmfin": {
   "id": "genaimrmfin",
   "parent_id": "modelriskmgmt",
   "label": "Nadzór nad modelami generatywnymi w bankach",
   "canonical_name": "Generative AI risk management in financial institutions",
   "aliases": [
    "GenAI model risk",
    "LLM risk management in banking",
    "AI model risk management",
    "generative AI governance in finance",
    "nadzór nad GenAI w bankach"
   ],
   "description": "Rozszerzenie zarządzania ryzykiem modeli na AI generatywną: inwentarz AI, ocena istotności, testy pod przypadek użycia, guardrails, nadzór ludzki i kontrola dostawców.",
   "description_en": "Extending model risk management to generative AI: AI inventory, materiality assessment, use-case testing, guardrails, human oversight and vendor controls.",
   "plain": "Zasady, jak bank sprawdza i ogranicza czatboty oraz inne modele generatywne, zanim pozwoli im pracować na danych klientów.",
   "plain_en": "Rules for how a bank tests and restrains chatbots and other generative models before letting them work with customer data.",
   "solves": "Stare zasady kontroli modeli powstały dla wzorów liczących ryzyko, a model językowy może zmyślać, ujawnić dane i zmieniać się z każdą aktualizacją dostawcy.",
   "solves_en": "Old model controls were built for risk formulas, while a language model can make things up, leak data and change with each vendor update.",
   "does": "Zamiast jednorazowego egzaminu daje modelowi kaganiec i opiekuna: filtry na wejściu i wyjściu, testy pod konkretne zadanie i człowieka zatwierdzającego decyzje.",
   "does_en": "Instead of a one-off exam it gives the model a muzzle and a minder: input and output filters, task-specific tests and a human approving decisions.",
   "example": "Asystent pomaga pracownikom banku streszczać umowy, ale nie odpowiada klientom bezpośrednio, a każdy jego wniosek przed wysłaniem czyta człowiek.",
   "example_en": "An assistant helps bank staff summarise contracts but never answers customers directly, and a person reads each conclusion before it goes out.",
   "for_you": [
    "wdrażasz czatbota lub asystenta w instytucji finansowej",
    "oceniasz ryzyko narzędzia AI kupionego od dostawcy"
   ],
   "for_you_en": [
    "roll out a chatbot or assistant at a financial firm",
    "assess the risk of an AI tool bought from a vendor"
   ],
   "how": "Instytucja prowadzi inwentarz zastosowań AI z zatwierdzonym zakresem, ocenia istotność według wpływu na klientów, złożoności, autonomii i udziału człowieka. Modele generatywne testuje się na zadaniach docelowych modułami wielokrotnego użytku, stosuje filtry wejścia i wyjścia, wdrożenia prywatne oraz wymóg ludzkiej akceptacji. Wobec modeli dostawców dodaje się testy kompensacyjne i klauzule umowne.",
   "how_en": "The institution keeps an inventory of AI uses with approved scope and assesses materiality by customer impact, complexity, autonomy and human involvement. Generative models are tested on target tasks with reusable modules, with input and output filters, private deployment and required human sign-off. For vendor models, compensating tests and contract clauses are added.",
   "limits": "Dla otwartych odpowiedzi brakuje jednej ustalonej miary jakości, więc testy trzeba dobierać do zadania i uzupełniać oceną człowieka. Modele dostawców mogą zmieniać się bez pełnej przejrzystości, co utrudnia monitoring. Praktyki nadzorcze nadal dojrzewają wraz z technologią.",
   "limits_en": "Open-ended answers lack a single settled quality measure, so tests must be tailored to the task and supplemented by human assessment. Vendor models may change without full transparency, complicating monitoring. Supervisory practice is still maturing with the technology.",
   "terms": [
    {
     "gloss": "Rejestr wszystkich zastosowań AI z zatwierdzonym zakresem użycia.",
     "term": "inwentarz AI"
    },
    {
     "gloss": "Jak poważne mogą być skutki błędu danego zastosowania.",
     "term": "istotność ryzyka"
    },
    {
     "gloss": "Filtry i reguły ograniczające wejścia i odpowiedzi modelu.",
     "term": "guardrails"
    }
   ],
   "terms_en": [
    {
     "gloss": "A register of all AI uses with their approved scope.",
     "term": "AI inventory"
    },
    {
     "gloss": "How serious the consequences of an error in a use can be.",
     "term": "risk materiality"
    },
    {
     "gloss": "Filters and rules restricting a model's inputs and outputs.",
     "term": "guardrails"
    }
   ],
   "prereq": [
    "guardrails",
    "hallucinationdetect"
   ],
   "keywords": [
    "MAS AI model risk management",
    "AI inventory",
    "risk materiality assessment",
    "LLM evaluation",
    "guardrails",
    "human-in-the-loop",
    "third-party AI risk",
    "hallucination",
    "EU AI Act"
   ],
   "source_ids": [
    "mas-ai-mrm-2024-klgates"
   ],
   "url": "https://aiatlasgraph.com/t/genaimrmfin",
   "markdown_url": "https://aiatlasgraph.com/t/genaimrmfin.md",
   "updated": "2026-10-30"
  },
  "generalistgameagents": {
   "id": "generalistgameagents",
   "parent_id": "gameplaying",
   "label": "Agenci ogólni grający w wiele gier",
   "canonical_name": "Generalist game agents",
   "aliases": [
    "generalist game agents",
    "instructable game agents",
    "agenci wielogrowi",
    "agenci sterowani poleceniami w grach",
    "SIMA",
    "multi-game agents",
    "gaming companions"
   ],
   "description": "Agenci przyjmujący obraz ekranu i polecenia językowe, a działający klawiaturą i myszą w wielu grach 3D, często z modelem językowo-wizyjnym jako rdzeniem.",
   "description_en": "Agents that take screen images and language instructions and act via keyboard and mouse across many 3D games, often built around a vision-language model.",
   "plain": "Jeden program, który patrzy na ekran jak człowiek, steruje klawiaturą i myszką i wykonuje słowne polecenia w wielu różnych grach.",
   "plain_en": "One program that watches the screen like a person, uses keyboard and mouse, and follows spoken instructions across many different games.",
   "solves": "Każdy dotychczasowy agent umiał tylko jedną grę i wymagał dostępu do jej wnętrza, więc do nowej gry trzeba było zaczynać od zera.",
   "solves_en": "Earlier agents mastered only one game and needed access to its internals, so every new game meant starting from scratch.",
   "does": "Jak kolega, któremu podajesz pada i mówisz „zbierz drewno i zbuduj szałas”: rozgląda się, rozumie polecenie i sam kombinuje.",
   "does_en": "Like a friend you hand the controller to and say 'gather wood and build a shelter': they look around, get it and figure it out.",
   "example": "Mówisz towarzyszowi w grze survivalowej, żeby poszedł do czerwonego domu i przyniósł drewno, a on to robi, choć nigdy wcześniej nie widział tej gry.",
   "example_en": "You tell a companion in a survival game to go to the red house and fetch wood, and it does, though it has never seen that game before.",
   "for_you": [
    "chcesz grać z AI jako partnerem w drużynie",
    "interesujesz się agentami działającymi w 3D"
   ],
   "for_you_en": [
    "want to play with AI as a teammate",
    "are interested in agents acting in 3D worlds"
   ],
   "how": "Agent widzi tylko piksele i dostaje polecenie tekstowe, a odpowiada akcjami klawiatury i myszy, jak człowiek. Uczy się na nagraniach ludzi z opisami słownymi, a model językowy rozkłada cel na kroki. Nowsze wersje doskonalą się, grając samodzielnie z zadaniami i nagrodą szacowaną przez model.",
   "how_en": "The agent sees only pixels and a text instruction and answers with keyboard and mouse actions, like a person. It learns from human recordings with language labels, and a language model breaks goals into steps. Newer versions improve by self-directed play with tasks and rewards estimated by a model.",
   "limits": "Agenci gubią się w długich, wieloetapowych zadaniach i mają krótką pamięć. Precyzyjne sterowanie myszą i rozumienie złożonych scen 3D pozostają trudne. Takie systemy są drogie i dostępne głównie jako zapowiedzi badawcze.",
   "limits_en": "Agents get lost in long multi-step tasks and have short memory. Precise mouse control and understanding of complex 3D scenes remain hard. Such systems are costly and mostly available as research previews.",
   "terms": [
    {
     "gloss": "Agent gra przez ekran i klawiaturę, bez dostępu do kodu gry.",
     "term": "interfejs ludzki"
    },
    {
     "gloss": "Wiązanie słów polecenia z tym, co widać i co można zrobić.",
     "term": "osadzenie języka"
    }
   ],
   "terms_en": [
    {
     "gloss": "The agent plays via screen and keyboard, without access to game code.",
     "term": "human-like interface"
    },
    {
     "gloss": "Linking instruction words to what is visible and what can be done.",
     "term": "language grounding"
    }
   ],
   "prereq": [
    "vla",
    "behaviorcloning"
   ],
   "keywords": [
    "SIMA",
    "SIMA 2",
    "Voyager",
    "MineDojo",
    "Video PreTraining",
    "Cradle",
    "instruction following",
    "vision-language-action"
   ],
   "source_ids": [
    "sima-team-2024",
    "deepmind-sima2-2025"
   ],
   "url": "https://aiatlasgraph.com/t/generalistgameagents",
   "markdown_url": "https://aiatlasgraph.com/t/generalistgameagents.md",
   "updated": "2026-10-30"
  },
  "generalistmedai": {
   "id": "generalistmedai",
   "parent_id": "healthai",
   "label": "Koncepcja wszechstronnych modeli medycznych",
   "canonical_name": "Generalist medical AI (multimodal medical models)",
   "aliases": [
    "GMAI",
    "generalist medical AI",
    "multimodal medical foundation models",
    "medical multimodal LLM",
    "medyczne modele multimodalne"
   ],
   "description": "Proponowany paradygmat modeli bazowych, które miałyby łączyć wiele modalności medycznych (obrazy, EHR, wyniki, genomikę i tekst) oraz wykonywać zadania określane instrukcją.",
   "description_en": "A proposed foundation-model paradigm intended to combine many medical modalities (images, EHRs, results, genomics and text) and perform tasks specified by instructions.",
   "plain": "Pomysł na jeden elastyczny model, który miałby łącznie rozumieć obrazy, wyniki laboratoryjne i notatki, zamiast osobnego programu do każdego zadania.",
   "plain_en": "The idea of one flexible model that could jointly understand images, laboratory results and notes instead of a separate program for every task.",
   "solves": "Większość medycznych programów AI robi jedną wąską rzecz, więc szpital musi kupić i pilnować dziesiątek narzędzi, które się nie rozumieją.",
   "solves_en": "Most medical AI tools do one narrow thing, so hospitals must buy and maintain dozens that don't talk to each other.",
   "does": "Miałby działać jak wszechstronny asystent: łączyć różne dane pacjenta i dostosowywać się do zadania opisanego słowami.",
   "does_en": "It would act as a versatile assistant: combining different patient data and adapting to a task described in words.",
   "example": "Autorzy koncepcji opisują przyszły system, który porównuje zdjęcie płuc z wynikami krwi i wcześniejszą dokumentacją, a potem przygotowuje odpowiedź i zaznaczenia na obrazie.",
   "example_en": "The concept's authors describe a future system that compares a chest image with blood results and prior records, then produces an answer and image annotations.",
   "for_you": [
    "śledzisz, dokąd zmierza AI w medycynie",
    "wybierasz narzędzia AI dla placówki"
   ],
   "for_you_en": [
    "follow where medical AI is heading",
    "choose AI tools for a clinic"
   ],
   "how": "Zakładana architektura łączyłaby enkodery poszczególnych modalności z dużym modelem językowym przez adaptery i uczyła całość samonadzorowanie oraz instrukcyjnie. Zadanie byłoby podawane promptem, dzięki czemu jeden model mógłby wykonywać różne zadania bez osobnego treningu dla każdego z nich.",
   "how_en": "The proposed architecture would connect modality-specific encoders to a large language model through adapters and train the system with self-supervision and instruction tuning. Tasks would be specified by prompts so one model could address different tasks without separate training for each.",
   "limits": "To paradygmat badawczy opisany w artykule perspektywicznym, a nie jedna potwierdzona klinicznie technologia. Największym problemem jest walidacja: przy wielu dynamicznych zadaniach trudno wykazać bezpieczeństwo każdego zastosowania. Dodatkowe ryzyka to halucynacje, korelacje pozorne, uprzedzenia i prywatność.",
   "limits_en": "This is a research paradigm described in a perspective article, not one clinically validated technology. Validation is the central problem: with many dynamic tasks, proving safety for every use is difficult. Further risks include hallucinations, spurious correlations, bias and privacy.",
   "terms": [
    {
     "gloss": "Praca naraz na różnych rodzajach danych, np. obrazie i tekście.",
     "term": "multimodalność"
    },
    {
     "gloss": "Nowe zadanie opisuje się słowami zamiast trenować nowy model.",
     "term": "zadanie określane instrukcją"
    },
    {
     "gloss": "Wskazanie miejsca na zdjęciu, którego dotyczy odpowiedź.",
     "term": "uziemienie w obrazie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Working on several data types at once, such as image and text.",
     "term": "multimodality"
    },
    {
     "gloss": "A new task is described in words instead of training a model.",
     "term": "instruction-specified task"
    },
    {
     "gloss": "Pointing to the image area an answer refers to.",
     "term": "visual grounding"
    }
   ],
   "prereq": [
    "vlm",
    "omnimodels"
   ],
   "keywords": [
    "GMAI",
    "Med-PaLM M",
    "Med-Gemini",
    "LLaVA-Med",
    "MedGemma",
    "BiomedCLIP",
    "medical VQA",
    "instruction tuning"
   ],
   "source_ids": [
    "gmai-2023"
   ],
   "url": "https://aiatlasgraph.com/t/generalistmedai",
   "markdown_url": "https://aiatlasgraph.com/t/generalistmedai.md",
   "updated": "2026-10-30"
  },
  "generative": {
   "id": "generative",
   "parent_id": "neural",
   "label": "Rodziny modeli generatywnych",
   "canonical_name": "Generative model families",
   "description": "Różne sposoby uczenia rozkładu i generowania próbek.",
   "description_en": "Different ways of learning a distribution and sampling from it.",
   "examples": "Modele autoregresyjne · diffusion · VAE · GAN",
   "examples_en": "Autoregressive · diffusion · VAE · GAN",
   "plain": "To różne rodziny modeli uczących się na przykładach, żeby tworzyć nowe obrazy, dźwięki lub inne dane.",
   "plain_en": "These model families learn from examples to generate new images, sounds or other data.",
   "solves": "Potrzebujesz nowych wariantów treści, a samo rozpoznawanie istniejących przykładów ich nie przygotuje.",
   "solves_en": "You need new content variations, and recognising existing examples alone cannot produce them.",
   "does": "Modele poznają wzory danych, a potem tworzą próbki przez odszumianie, przekształcanie losowych liczb, dekodowanie lub współpracę rywalizujących sieci.",
   "does_en": "Models learn data patterns, then generate samples through denoising, transforming random numbers, decoding or interacting networks with competing objectives.",
   "example": "Tworzysz kilka wzorów tapety, a różne generatory proponują nowe układy na podstawie poznanych obrazów.",
   "example_en": "You create wallpaper designs, and different generators propose new layouts based on images they have learned from.",
   "for_you": [
    "chcesz zrozumieć różnice między generatorami",
    "potrzebujesz tworzyć nowe warianty danych"
   ],
   "for_you_en": [
    "want to understand differences between generators",
    "need to create new data variations"
   ],
   "how": "Trening dopasowuje rozkład danych przez wiarygodność, ograniczenie wariacyjne, grę przeciwstawną lub uczenie transportu i odszumiania. Próbkowanie korzysta potem z autoregresji, dekodera, odwracalnych przekształceń albo iteracyjnej ścieżki od szumu do danych.",
   "how_en": "Training fits data distributions through likelihood, variational bounds, adversarial games or transport and denoising objectives. Sampling then uses autoregression, decoders, invertible transformations or iterative paths from noise to data.",
   "limits": "Jakość i różnorodność próbek zależą od danych oraz celu. Wiarygodny wygląd nie zapewnia zgodności faktów; ocena rozkładu, koszt próbkowania i ryzyko zapamiętywania różnią się między rodzinami.",
   "limits_en": "Sample quality and diversity depend on data and objectives. Plausible appearance does not ensure factual correctness; distribution evaluation, sampling cost and memorisation risks differ across families.",
   "terms": [
    {
     "gloss": "Model prawdopodobieństw możliwych danych, z którego można uzyskiwać próbki.",
     "term": "rozkład generatywny"
    },
    {
     "gloss": "Losowe uzyskiwanie przykładów zgodnie z wyuczonym mechanizmem generowania.",
     "term": "próbkowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A probability model of possible data from which samples can be obtained.",
     "term": "generative distribution"
    },
    {
     "gloss": "Randomly obtaining examples according to a learned generation mechanism.",
     "term": "sampling"
    }
   ],
   "prereq": [
    "probabilistic",
    "neuralbasics"
   ],
   "keywords": [
    "autoregressive models",
    "diffusion models",
    "VAE",
    "GAN",
    "normalizing flows",
    "flow matching",
    "latent variable models",
    "likelihood estimation"
   ],
   "source_ids": [
    "cs336",
    "vision",
    "cs229",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/generative",
   "markdown_url": "https://aiatlasgraph.com/t/generative.md",
   "updated": "2026-10-30"
  },
  "geneticalgorithms": {
   "id": "geneticalgorithms",
   "parent_id": "evoclassic",
   "label": "Algorytmy genetyczne",
   "canonical_name": "Genetic algorithms (GA)",
   "aliases": [
    "GA",
    "genetic algorithm",
    "algorytm genetyczny",
    "crossover",
    "krzyżowanie"
   ],
   "description": "Algorytm populacyjny kodujący rozwiązania jako chromosomy i tworzący potomstwo przez selekcję, krzyżowanie i mutację.",
   "description_en": "A population algorithm encoding solutions as chromosomes and creating offspring through selection, crossover and mutation.",
   "plain": "Program trzyma wiele rozwiązań zapisanych jak geny, łączy najlepsze w pary i wprowadza drobne losowe zmiany.",
   "plain_en": "Software keeps many solutions written like genes, pairs up the best ones and adds small random changes.",
   "solves": "Rozwiązanie składa się z wielu wyborów naraz i nie da się ich dobrać po kolei, jeden po drugim.",
   "solves_en": "A solution is made of many choices at once, and they cannot be picked one at a time.",
   "does": "Jak w hodowli roślin: dwie dobre odmiany dają potomka, który może odziedziczyć zalety obu, a przypadkowa zmiana czasem dodaje nową.",
   "does_en": "Like plant breeding: two good varieties produce offspring that may inherit both strengths, and a random change sometimes adds a new one.",
   "example": "Szkoła układa plan lekcji; program krzyżuje dobre plany, zmienia pojedyncze godziny i zachowuje te, w których jest najmniej okienek.",
   "example_en": "A school builds its timetable; software crosses good timetables, shifts single lessons and keeps those with the fewest gaps.",
   "for_you": [
    "układasz grafik, przydział lub kolejność wielu elementów",
    "twoje rozwiązanie da się zapisać jako listę wyborów"
   ],
   "for_you_en": [
    "arrange schedules, assignments or the order of many items",
    "can write your solution as a list of choices"
   ],
   "how": "Rodzice są wybierani proporcjonalnie do przystosowania albo turniejowo, potem krzyżowanie wymienia fragmenty chromosomów, a mutacja z małym prawdopodobieństwem zmienia pojedyncze geny. Elityzm zachowuje najlepszych bez zmian. Dla zmiennych ciągłych stosuje się operatory rzeczywiste, np. symulowane krzyżowanie binarne.",
   "how_en": "Parents are chosen in proportion to fitness or by tournament; crossover then swaps chromosome segments and mutation changes single genes with low probability. Elitism keeps the best unchanged. Real-valued variables use real-coded operators such as simulated binary crossover.",
   "limits": "Łatwo o przedwczesną zbieżność, gdy populacja traci różnorodność. Ograniczenia problemu trzeba kodować karami lub naprawą rozwiązań, a wyniki są wrażliwe na rozmiar populacji i prawdopodobieństwa operatorów.",
   "limits_en": "Premature convergence is common when the population loses diversity. Constraints need penalties or repair, and results are sensitive to population size and operator probabilities.",
   "terms": [
    {
     "gloss": "Zakodowane rozwiązanie, np. ciąg bitów albo lista liczb.",
     "term": "chromosom"
    },
    {
     "gloss": "Losujemy kilku kandydatów i bierzemy najlepszego z nich.",
     "term": "selekcja turniejowa"
    },
    {
     "gloss": "Przenoszenie najlepszych rozwiązań do następnego pokolenia bez zmian.",
     "term": "elityzm"
    }
   ],
   "terms_en": [
    {
     "gloss": "An encoded solution, such as a bit string or list of numbers.",
     "term": "chromosome"
    },
    {
     "gloss": "Draw a few candidates at random and take the best.",
     "term": "tournament selection"
    },
    {
     "gloss": "Carrying the best solutions into the next generation unchanged.",
     "term": "elitism"
    }
   ],
   "prereq": [
    "localsearch"
   ],
   "keywords": [
    "tournament selection",
    "roulette-wheel selection",
    "one-point crossover",
    "SBX",
    "polynomial mutation",
    "elitism",
    "BRKGA",
    "DEAP",
    "pymoo"
   ],
   "source_ids": [
    "gecco2026tracks",
    "pymoo-ga"
   ],
   "url": "https://aiatlasgraph.com/t/geneticalgorithms",
   "markdown_url": "https://aiatlasgraph.com/t/geneticalgorithms.md",
   "updated": "2026-10-30"
  },
  "geneticimprovement": {
   "id": "geneticimprovement",
   "parent_id": "geneticprogramming",
   "label": "Ewolucyjne ulepszanie i naprawa istniejącego kodu",
   "canonical_name": "Genetic improvement and automated program repair",
   "aliases": [
    "genetic improvement",
    "GI",
    "automated program repair",
    "APR",
    "automatyczna naprawa programów",
    "ulepszanie genetyczne"
   ],
   "description": "Przeszukiwanie, zwykle programowaniem genetycznym, przestrzeni edycji istniejącego kodu w celu naprawy błędów lub poprawy wydajności.",
   "description_en": "Search, usually by genetic programming, over edits to existing code to repair bugs or improve performance.",
   "plain": "Program bierze istniejący kod, wprowadza w nim drobne zmiany i zachowuje te, po których kod naprawia błąd albo działa szybciej.",
   "plain_en": "Software takes existing code, makes small edits and keeps those that fix a bug or make it run faster.",
   "solves": "Naprawianie błędów i przyspieszanie dużych programów zjada mnóstwo czasu programistów, a zgłoszeń przybywa szybciej niż rąk do pracy.",
   "solves_en": "Fixing bugs and speeding up large programs eats huge amounts of developer time, and reports pile up faster than people can handle.",
   "does": "Zamiast pisać od zera, przestawia, usuwa i kopiuje gotowe linijki z tego samego programu, a testy rozstrzygają, która wersja jest lepsza.",
   "does_en": "Rather than writing from scratch, it moves, deletes and copies existing lines from the same program, and tests decide which version wins.",
   "example": "Rano programista znajduje propozycję poprawki: nocny proces wypróbował setki drobnych zmian i jedna przeszła wszystkie testy, łącznie z tym, który wcześniej padał.",
   "example_en": "In the morning a developer finds a suggested fix: an overnight job tried hundreds of small edits, and one passed every test, including the one that failed.",
   "for_you": [
    "utrzymujesz duży kod z dobrym zestawem testów",
    "szukasz sposobu na tańsze poprawki błędów"
   ],
   "for_you_en": [
    "maintain a large codebase with a good test suite",
    "look for cheaper bug fixes"
   ],
   "how": "Kandydat to lista edycji drzewa składni: usunięcie, wstawienie lub zamiana instrukcji, często skopiowanych z innego miejsca programu. Lokalizacja błędu kieruje mutacje na linie wykonywane przez test, który pada. Przystosowanie to ważona liczba zaliczonych testów; zwycięską łatkę minimalizuje się, usuwając zbędne zmiany.",
   "how_en": "A candidate is a list of syntax-tree edits: deleting, inserting or swapping statements, often copied from elsewhere in the program. Fault localisation steers mutations to lines run by the failing test. Fitness is the weighted count of passing tests; the winning patch is minimised by dropping unneeded edits.",
   "limits": "Jakość zależy od testów: przy słabym zestawie łatka może po prostu usunąć funkcję. Trudno naprawić błędy niedeterministyczne i takie, których poprawka nie istnieje w kodzie. Wymaga wielu kompilacji i uruchomień testów.",
   "limits_en": "Quality depends on tests: with a weak suite a patch may simply delete a feature. Nondeterministic bugs and fixes not present elsewhere in the code are hard. It needs many builds and test runs.",
   "terms": [
    {
     "gloss": "Wskazanie linii kodu najbardziej podejrzanych o spowodowanie błędu.",
     "term": "lokalizacja błędu"
    },
    {
     "gloss": "Zmiana, która zalicza testy, ale nie naprawia prawdziwego problemu.",
     "term": "przeuczona łatka"
    },
    {
     "gloss": "Struktura programu jako drzewo instrukcji i wyrażeń.",
     "term": "drzewo składni (AST)"
    }
   ],
   "terms_en": [
    {
     "gloss": "Pointing to the code lines most likely to cause the bug.",
     "term": "fault localisation"
    },
    {
     "gloss": "An edit that passes tests but does not fix the real problem.",
     "term": "overfitted patch"
    },
    {
     "gloss": "A program's structure as a tree of statements and expressions.",
     "term": "abstract syntax tree (AST)"
    }
   ],
   "prereq": [
    "aicoding"
   ],
   "keywords": [
    "GenProg",
    "automated program repair",
    "fault localization",
    "Defects4J",
    "ManyBugs",
    "PyGGI",
    "Gin",
    "patch overfitting",
    "delta debugging"
   ],
   "source_ids": [
    "genprog-tse-2012"
   ],
   "url": "https://aiatlasgraph.com/t/geneticimprovement",
   "markdown_url": "https://aiatlasgraph.com/t/geneticimprovement.md",
   "updated": "2026-10-30"
  },
  "geneticprogramming": {
   "id": "geneticprogramming",
   "parent_id": "evoclassic",
   "label": "Programowanie genetyczne i regresja symboliczna",
   "canonical_name": "Genetic programming and symbolic regression",
   "aliases": [
    "genetic programming",
    "GP",
    "symbolic regression",
    "regresja symboliczna",
    "programowanie genetyczne"
   ],
   "description": "Ewolucja drzew wyrażeń lub programów; jej główne zastosowanie to regresja symboliczna, czyli odkrywanie czytelnych wzorów z danych.",
   "description_en": "Evolution of expression trees or programs; its main use is symbolic regression, discovering readable formulas from data.",
   "plain": "Ewolucja, w której zamiast liczb rozwijają się całe wzory albo krótkie programy.",
   "plain_en": "Evolution in which whole formulas or short programs develop instead of numbers.",
   "solves": "Model z czarnej skrzynki dobrze przewiduje, ale nikt nie umie powiedzieć, jaka reguła za nim stoi.",
   "solves_en": "A black-box model predicts well, but nobody can say which rule lies behind it.",
   "does": "Składa wzory z klocków, takich jak dodawanie, mnożenie czy sinus, i wymienia między nimi fragmenty, aż wzór pasuje do danych i pozostaje krótki.",
   "does_en": "It assembles formulas from blocks such as addition, multiplication or sine and swaps parts between them until the formula fits the data and stays short.",
   "example": "Fizyk ma pomiary z eksperymentu; program odnajduje prosty wzór, który je opisuje, i można go sprawdzić na kartce.",
   "example_en": "A physicist has experiment measurements; software finds a simple formula describing them that can be checked on paper.",
   "for_you": [
    "chcesz poznać regułę ukrytą w danych, nie tylko prognozę",
    "potrzebujesz modelu, który da się przeczytać"
   ],
   "for_you_en": [
    "want the rule hidden in data, not only a forecast",
    "need a model people can read"
   ],
   "how": "Kandydaci są drzewami, w których węzły to operatory, a liście to zmienne i stałe. Krzyżowanie wymienia poddrzewa, mutacja podmienia węzły, a selekcja nagradza dokładność i karze złożoność. Nowoczesne narzędzia łączą wiele populacji, upraszczanie wyrażeń i dopasowanie stałych zwykłą optymalizacją.",
   "how_en": "Candidates are trees whose nodes are operators and leaves are variables and constants. Crossover swaps subtrees, mutation replaces nodes, and selection rewards accuracy while penalising complexity. Modern tools combine multiple populations, expression simplification and constant fitting by ordinary optimisation.",
   "limits": "Drzewa mają tendencję do rozrostu bez poprawy wyniku. Przestrzeń wzorów jest ogromna, więc przy wielu zmiennych i szumie metoda bywa wolna, a znaleziony wzór może pasować przypadkiem.",
   "limits_en": "Trees tend to bloat without improving results. The formula space is vast, so with many variables and noise the method can be slow, and a found formula may fit by chance.",
   "terms": [
    {
     "gloss": "Wzór zapisany jako rozgałęzienie operatorów i zmiennych.",
     "term": "drzewo wyrażenia"
    },
    {
     "gloss": "Niekontrolowany rozrost programów bez poprawy jakości.",
     "term": "bloat"
    },
    {
     "gloss": "Najlepsze wzory dla każdej długości: kompromis dokładności i prostoty.",
     "term": "front Pareto złożoności"
    }
   ],
   "terms_en": [
    {
     "gloss": "A formula stored as branching operators and variables.",
     "term": "expression tree"
    },
    {
     "gloss": "Uncontrolled growth of programs without better quality.",
     "term": "bloat"
    },
    {
     "gloss": "Best formulas at each length: trading accuracy for simplicity.",
     "term": "complexity Pareto front"
    }
   ],
   "prereq": [
    "geneticalgorithms"
   ],
   "keywords": [
    "PySR",
    "SymbolicRegression.jl",
    "gplearn",
    "tree-based GP",
    "Cartesian GP",
    "grammatical evolution",
    "SRBench",
    "AI Feynman"
   ],
   "source_ids": [
    "gecco2026tracks",
    "pysr-2023"
   ],
   "url": "https://aiatlasgraph.com/t/geneticprogramming",
   "markdown_url": "https://aiatlasgraph.com/t/geneticprogramming.md",
   "updated": "2026-10-30"
  },
  "genui": {
   "id": "genui",
   "parent_id": "applications",
   "label": "Generatywne UI",
   "canonical_name": "Generative UI",
   "description": "Interfejs budowany przez model w trakcie rozmowy.",
   "description_en": "Interface built by the model as the conversation goes.",
   "plain": "To ekrany i elementy aplikacji, które model dobiera lub tworzy w odpowiedzi na twoją prośbę.",
   "plain_en": "These are screens and controls that a model selects or creates in response to your request.",
   "solves": "Długa odpowiedź tekstowa utrudnia porównanie opcji, wybór terminu lub wpisanie potrzebnych danych.",
   "solves_en": "A long text answer makes it awkward to compare options, choose a date or enter the details needed next.",
   "does": "Może z dostępnych części ułożyć widok dopasowany do zadania, na przykład tabelę, formularz lub przyciski.",
   "does_en": "It can assemble available components into a view suited to the task, such as a table, form or buttons.",
   "example": "Prosisz o porównanie noclegów, a asystent pokazuje tabelę z przyciskami do wyboru ofert.",
   "example_en": "You ask to compare accommodation, and the assistant presents a table with buttons for choosing offers.",
   "for_you": [
    "chcesz klikać i wybierać podczas rozmowy z asystentem",
    "trudno ci porównywać opcje w długich odpowiedziach"
   ],
   "for_you_en": [
    "want to click and choose while talking to an assistant",
    "find options hard to compare in long answers"
   ],
   "how": "Model wybiera komponenty interfejsu i ich parametry na podstawie rozmowy oraz danych zadania. Aplikacja może interpretować deklaratywny opis z dozwolonego katalogu, renderować widok i przekazywać interakcje użytkownika do kolejnych kroków.",
   "how_en": "The model selects interface components and their parameters from the conversation and task data. An application can interpret a declarative description from an allowed catalogue, render the view and feed user interactions into subsequent steps.",
   "limits": "Wygenerowany widok może być niespójny, niedostępny lub sugerować nieistniejącą funkcję. Potrzebne są walidacja komponentów, kontrola dostępu do danych i przewidywalne zachowanie przy błędach generowania.",
   "limits_en": "A generated view can be inconsistent, inaccessible or suggest an unavailable function. Component validation, data access controls and predictable behavior when generation fails are needed.",
   "terms": [
    {
     "gloss": "Opis dozwolonych właściwości i sposobu użycia elementu interfejsu.",
     "term": "schemat komponentu"
    },
    {
     "gloss": "Przekształcenie opisu interfejsu w widok dostępny użytkownikowi.",
     "term": "renderowanie"
    },
    {
     "gloss": "Informacja o akcji użytkownika przekazana do logiki aplikacji.",
     "term": "zdarzenie interakcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A description of an interface element's allowed properties and usage.",
     "term": "component schema"
    },
    {
     "gloss": "Turning an interface description into a view available to the user.",
     "term": "rendering"
    },
    {
     "gloss": "Information about a user action sent to application logic.",
     "term": "interaction event"
    }
   ],
   "prereq": [
    "structured",
    "usercontrol"
   ],
   "keywords": [
    "A2UI",
    "server-driven UI",
    "JSON Schema",
    "component catalogs",
    "declarative rendering",
    "progressive rendering"
   ],
   "courses": [
    {
     "title": "Build Interactive Agents with Generative UI",
     "url": "https://www.deeplearning.ai/courses/build-interactive-agents-with-generative-ui"
    }
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/genui",
   "markdown_url": "https://aiatlasgraph.com/t/genui.md",
   "updated": "2026-10-30"
  },
  "geoagents": {
   "id": "geoagents",
   "parent_id": "geofm",
   "label": "Agenci AI do analiz w systemach GIS",
   "canonical_name": "LLM agents for geospatial analysis (autonomous GIS)",
   "aliases": [
    "autonomous GIS",
    "geospatial agents",
    "agenci geoprzestrzenni"
   ],
   "description": "Agenci oparci na modelach językowych, którzy planują przepływy geoprzetwarzania, generują i wykonują kod GIS oraz wizualizują wyniki.",
   "description_en": "Language-model agents that plan geoprocessing workflows, generate and execute GIS code, and visualise the results.",
   "plain": "Asystent, któremu opisujesz analizę mapową zwykłymi słowami, a on układa przepływ geoprzetwarzania, generuje kod i przedstawia wynik.",
   "plain_en": "An assistant that turns a plain-language map-analysis request into a geoprocessing workflow, generated code and a presented result.",
   "solves": "Analiza przestrzenna wymaga znajomości specjalistycznych programów i formatów danych, więc wiele osób z dobrymi pytaniami nie potrafi uzyskać odpowiedzi.",
   "solves_en": "Spatial analysis requires specialist software and data formats, so many people with good questions cannot get answers.",
   "does": "Jak doświadczony kartograf: rozbija pytanie na kroki, pisze do każdego krótki program, uruchamia całość i oddaje mapę z objaśnieniem.",
   "does_en": "Like a seasoned cartographer: splits the question into steps, writes a short program for each, runs it all and hands back a map with notes.",
   "example": "Urzędniczka pyta, ile szkół leży w strefie zalewowej, i po chwili dostaje mapę oraz tabelę z listą budynków.",
   "example_en": "A council officer asks how many schools lie in the flood zone and soon receives a map and a table listing the buildings.",
   "for_you": [
    "masz pytania o mapę, ale nie znasz programów GIS",
    "chcesz przyspieszyć powtarzalne analizy przestrzenne"
   ],
   "for_you_en": [
    "have map questions but do not know GIS software",
    "want to speed up repetitive spatial analyses"
   ],
   "how": "Model językowy zamienia pytanie w graf rozwiązania: węzły to dane i wyniki pośrednie, a krawędzie to operacje geoprzetwarzania. Prototyp LLM-Geo generuje kod dla operacji, składa go w program i uruchamia; dane wejściowe trzeba było jednak dostarczyć z góry.",
   "how_en": "A language model turns the question into a solution graph: nodes are data and intermediate results, while edges are geoprocessing operations. The LLM-Geo prototype generates code for operations, assembles it into a program and runs it, but input data had to be supplied in advance.",
   "limits": "Dowody obejmują tylko trzy studia przypadku prototypu. Autorzy wskazują brak automatycznego pozyskiwania danych, logowania i testowania kodu; wynik wymaga też kontroli układów współrzędnych, jednostek i poprawności analizy.",
   "limits_en": "Evidence is limited to three prototype case studies. The authors identify missing automatic data discovery, logging and code testing; outputs also require checks of coordinate systems, units and analytical correctness.",
   "terms": [
    {
     "gloss": "operacje na danych mapowych, np. przecięcie, bufor, złączenie",
     "term": "geoprocessing"
    },
    {
     "gloss": "plan analizy rozpisany na dane i kolejne operacje",
     "term": "solution graph"
    },
    {
     "gloss": "układ współrzędnych, w którym zapisano dane przestrzenne",
     "term": "CRS"
    }
   ],
   "terms_en": [
    {
     "gloss": "operations on map data, e.g. intersect, buffer, join",
     "term": "geoprocessing"
    },
    {
     "gloss": "analysis plan laid out as data and successive operations",
     "term": "solution graph"
    },
    {
     "gloss": "coordinate reference system in which spatial data are stored",
     "term": "CRS"
    }
   ],
   "prereq": [
    "tools",
    "aicoding"
   ],
   "keywords": [
    "LLM-Geo",
    "GIS Copilot",
    "GeoAgent",
    "GeoLLM-Engine",
    "QGIS",
    "GeoPandas",
    "ArcPy",
    "GeoBench-VLM",
    "code generation"
   ],
   "source_ids": [
    "autonomous-gis-2023"
   ],
   "url": "https://aiatlasgraph.com/t/geoagents",
   "markdown_url": "https://aiatlasgraph.com/t/geoagents.md",
   "updated": "2026-10-30"
  },
  "geoai": {
   "id": "geoai",
   "parent_id": null,
   "label": "AI w obserwacji Ziemi i geoinformatyce",
   "canonical_name": "Geospatial AI and Earth observation",
   "aliases": [
    "GeoAI",
    "geospatial AI",
    "Earth observation AI",
    "AI for remote sensing",
    "deep learning in remote sensing",
    "teledetekcja z AI",
    "sztuczna inteligencja geoprzestrzenna",
    "AI dla danych satelitarnych"
   ],
   "description": "Uczenie maszynowe na danych teledetekcyjnych (optycznych, radarowych, wielospektralnych) i innych danych geoprzestrzennych: mapowanie, wykrywanie zmian, modele bazowe i walidacja przestrzenna.",
   "description_en": "Machine learning on remote-sensing data (optical, radar, multispectral) and other geospatial data: mapping, change detection, foundation models and spatial validation.",
   "plain": "Komputery uczą się czytać zdjęcia z satelitów i samolotów oraz dane o miejscach, żeby na bieżąco mapować, co dzieje się na Ziemi.",
   "plain_en": "Computers learn to read satellite and aerial images and location data, so they can map what is happening on Earth as it changes.",
   "solves": "Programy obserwacji Ziemi regularnie obrazują ogromne obszary, ale danych jest tyle, że żaden zespół ludzi nie zdąży ich wszystkich obejrzeć ani opisać.",
   "solves_en": "Earth-observation programmes regularly image vast areas, but there is too much data for any human team to inspect and describe it all.",
   "does": "Jak niestrudzony kartograf, który regularnie przegląda świeże zdjęcia rozległych obszarów i dorysowuje na mapie nowe drogi, zalane pola i wycięte lasy.",
   "does_en": "Like a tireless map-maker who regularly reviews fresh images of vast areas, drawing in new roads, flooded fields and cleared forests.",
   "example": "Po powodzi ratownicy dostają mapę zalanych ulic i uszkodzonych domów, narysowaną automatycznie na podstawie świeżych zdjęć satelitarnych.",
   "example_en": "After a flood, rescuers receive a map of flooded streets and damaged homes, drawn automatically from fresh satellite images.",
   "for_you": [
    "korzystasz z map w telefonie i ciekawi cię, skąd są aktualne",
    "pracujesz z ziemią, lasem albo nieruchomościami",
    "interesują cię zmiany klimatu widziane z kosmosu"
   ],
   "for_you_en": [
    "use maps on your phone and wonder how they stay current",
    "work with farmland, forests or property",
    "care about climate change as seen from space"
   ],
   "how": "Zdjęcia satelitarne to wielokanałowe rastry z georeferencją, często w szeregach czasowych, więc łączy się tu widzenie komputerowe z analizą czasu i przestrzeni. Sieci konwolucyjne i transformery klasyfikują, segmentują i wykrywają obiekty, a modele bazowe pretrenowane bez etykiet skracają drogę do nowych zadań. Wyniki ocenia się walidacją przestrzenną.",
   "how_en": "Satellite images are georeferenced multi-band rasters, often in time series, so the field combines computer vision with temporal and spatial analysis. Convolutional networks and transformers classify, segment and detect objects, while foundation models pretrained without labels shorten the path to new tasks. Results are assessed with spatial validation.",
   "limits": "Etykiet z terenu jest mało i skupiają się w kilku regionach świata, więc modele słabo przenoszą się gdzie indziej. Chmury, różne sensory i pory roku zmieniają wygląd tych samych miejsc. Losowa walidacja zawyża wyniki, a mapy wysokiej rozdzielczości budzą pytania o prywatność.",
   "limits_en": "Ground labels are scarce and clustered in a few world regions, so models transfer poorly elsewhere. Clouds, different sensors and seasons change how the same place looks. Random validation inflates scores, and high-resolution maps raise privacy questions.",
   "terms": [
    {
     "gloss": "Zbieranie informacji o Ziemi z daleka: z satelitów, samolotów lub dronów.",
     "term": "teledetekcja"
    },
    {
     "gloss": "Zdjęcie z wieloma kanałami, także niewidzialnymi dla oka, np. podczerwienią.",
     "term": "obraz wielospektralny"
    },
    {
     "gloss": "Ile metrów terenu przypada na jeden piksel zdjęcia.",
     "term": "rozdzielczość przestrzenna"
    },
    {
     "gloss": "Przypisanie każdemu pikselowi współrzędnych na powierzchni Ziemi.",
     "term": "georeferencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Gathering information about Earth from afar: satellites, aircraft or drones.",
     "term": "remote sensing"
    },
    {
     "gloss": "An image with many channels, including ones invisible to the eye, such as infrared.",
     "term": "multispectral image"
    },
    {
     "gloss": "How many metres of ground one pixel of the image covers.",
     "term": "spatial resolution"
    },
    {
     "gloss": "Assigning each pixel coordinates on the Earth's surface.",
     "term": "georeferencing"
    }
   ],
   "prereq": [
    "segmentation",
    "visionbackbones"
   ],
   "keywords": [
    "remote sensing",
    "Sentinel-2",
    "Landsat",
    "Google Earth Engine",
    "TorchGeo",
    "geospatial foundation models",
    "land cover classification",
    "change detection",
    "SAR",
    "satellite image time series",
    "GEO-Bench",
    "spatial cross-validation",
    "GeoAI",
    "rasterio"
   ],
   "source_ids": [
    "zhu-dl-remote-sensing-2017",
    "xiao-rs-foundation-models-survey-2024",
    "gao-hu-li-geoai-handbook-2023",
    "janowicz-geoai-2020",
    "stewart-torchgeo-2021"
   ],
   "url": "https://aiatlasgraph.com/t/geoai",
   "markdown_url": "https://aiatlasgraph.com/t/geoai.md",
   "updated": "2026-10-30"
  },
  "geofm": {
   "id": "geofm",
   "parent_id": "geoai",
   "label": "Modele bazowe dla obserwacji Ziemi",
   "canonical_name": "Earth observation foundation models",
   "aliases": [
    "geospatial foundation models",
    "remote sensing foundation models",
    "GFM",
    "EO foundation models",
    "modele fundamentowe dla teledetekcji"
   ],
   "description": "Modele pretrenowane samonadzorowanie lub kontrastowo na dużych zbiorach danych teledetekcyjnych (wielospektralnych, radarowych, czasowych), dostrajane lub sondowane liniowo do zadań mapowania.",
   "description_en": "Models pretrained self-supervised or contrastively on large remote-sensing collections (multispectral, radar, temporal), then fine-tuned or linearly probed for mapping tasks.",
   "plain": "Duże modele, które najpierw oglądają ogromne archiwa zdjęć satelitarnych bez opisów, a potem szybko uczą się konkretnych zadań z kilku przykładów.",
   "plain_en": "Large models that first study huge archives of unlabelled satellite images, then quickly learn specific tasks from a handful of examples.",
   "solves": "Każda nowa mapa, np. upraw czy zalanych terenów, wymagała dotąd tysięcy ręcznie oznaczonych przykładów i osobnego modelu trenowanego od zera.",
   "solves_en": "Every new map, say of crops or flooded land, used to need thousands of hand-labelled examples and a separate model trained from scratch.",
   "does": "Jak geograf, który latami przeglądał zdjęcia całego świata: przy nowym zadaniu wystarczy mu kilka wskazówek, bo resztę już rozumie.",
   "does_en": "Like a geographer who has studied pictures of the whole world for years: given a new task, a few hints suffice.",
   "example": "Organizacja przyrodnicza tworzy mapę mokradeł w swoim kraju, oznaczając ręcznie tylko kilkadziesiąt punktów.",
   "example_en": "A nature charity maps the wetlands of its country after hand-labelling only a few dozen points.",
   "for_you": [
    "chcesz zrobić mapę z satelity, a masz mało oznaczonych danych",
    "śledzisz, jak duże modele wchodzą do nauk o Ziemi"
   ],
   "for_you_en": [
    "want to make a map from satellite data but have few labels",
    "follow how large models are entering the Earth sciences"
   ],
   "how": "Model, zwykle transformer wizyjny, uczy się bez etykiet: odtwarza zamaskowane fragmenty zdjęć, porównuje różne sensory lub daty albo dopasowuje obraz do tekstu czy położenia. Do nowego zadania dokłada się mały dekoder albo prostą sondę liniową. Część modeli udostępnia gotowe osadzenia każdego piksela.",
   "how_en": "The model, usually a vision transformer, learns without labels: it reconstructs masked image patches, contrasts sensors or dates, or aligns images with text or location. A small decoder or a simple linear probe is added for a new task. Some models publish ready-made per-pixel embeddings.",
   "limits": "Brakuje wspólnego benchmarku, a autorzy często oceniają modele na własnych zestawach zadań. Pretrening jest drogi, regiony polarne, morza i pustynie bywają niedoreprezentowane, a przewaga nad dobrze dostrojonym zwykłym modelem nie zawsze jest duża.",
   "limits_en": "There is no shared benchmark, and authors often evaluate on task suites of their own. Pretraining is expensive, polar regions, seas and deserts are often under-represented, and the edge over a well-tuned ordinary model is not always large.",
   "terms": [
    {
     "gloss": "Uczenie na danych bez etykiet, np. przez odgadywanie zasłoniętych fragmentów.",
     "term": "pretrening samonadzorowany"
    },
    {
     "gloss": "Prosty klasyfikator uczony na cechach z zamrożonego modelu.",
     "term": "sonda liniowa"
    },
    {
     "gloss": "Zestaw zadań do porównywania modeli bazowych dla obserwacji Ziemi.",
     "term": "GEO-Bench"
    }
   ],
   "terms_en": [
    {
     "gloss": "Learning from unlabelled data, e.g. by guessing hidden patches.",
     "term": "self-supervised pretraining"
    },
    {
     "gloss": "A simple classifier trained on features from a frozen model.",
     "term": "linear probe"
    },
    {
     "gloss": "A task suite for comparing Earth observation foundation models.",
     "term": "GEO-Bench"
    }
   ],
   "prereq": [
    "visionssl",
    "vit"
   ],
   "keywords": [
    "Prithvi-EO-2.0",
    "SatMAE",
    "Scale-MAE",
    "CROMA",
    "SkySense",
    "AlphaEarth Foundations",
    "Clay",
    "TerraMind",
    "GEO-Bench",
    "TerraTorch",
    "masked autoencoder",
    "linear probing"
   ],
   "source_ids": [
    "xiao-rs-foundation-models-survey-2024",
    "szwarcman-prithvi-eo-2-2024",
    "brown-alphaearth-foundations-2025"
   ],
   "url": "https://aiatlasgraph.com/t/geofm",
   "markdown_url": "https://aiatlasgraph.com/t/geofm.md",
   "updated": "2026-10-30"
  },
  "geolocalization": {
   "id": "geolocalization",
   "parent_id": "spatialml",
   "label": "Ustalanie, gdzie zrobiono zdjęcie",
   "canonical_name": "Image geolocalisation",
   "aliases": [
    "visual geolocation",
    "image geo-localization",
    "photo geolocation",
    "geolokalizacja zdjęć",
    "planet-scale geolocalization"
   ],
   "description": "Przewidywanie współrzędnych miejsca wykonania zdjęcia w skali planety: klasyfikacja na komórki geograficzne, wyszukiwanie w galerii lokalizacji lub kontrastowe dopasowanie obraz–GPS.",
   "description_en": "Predicting where on the planet a photo was taken: classification into geographic cells, retrieval from a location gallery, or contrastive image–GPS matching.",
   "plain": "Modele, które patrząc na zwykłe zdjęcie ulicy czy krajobrazu, odgadują, w jakim kraju, mieście, a nawet okolicy je zrobiono.",
   "plain_en": "Models that look at an ordinary photo of a street or landscape and guess the country, city or even neighbourhood where it was taken.",
   "solves": "Wiele zdjęć nie ma zapisanego miejsca, a ręczne ustalanie, gdzie powstały, wymaga wiedzy eksperta i godzin szukania.",
   "solves_en": "Many photos carry no recorded location, and working out by hand where they were taken needs expert knowledge and hours of searching.",
   "does": "Jak wytrawny podróżnik, który po kształcie słupków, roślinności i znakach drogowych od razu mówi: to chyba północna Hiszpania.",
   "does_en": "Like a seasoned traveller who, from the shape of road posts, the plants and the signs, says at once: probably northern Spain.",
   "example": "Redakcja sprawdza, czy nagranie rzekomej powodzi naprawdę pochodzi z miejsca opisanego w podpisie.",
   "example_en": "A newsroom checks whether footage of an alleged flood really comes from the place named in the caption.",
   "for_you": [
    "weryfikujesz zdjęcia krążące w internecie",
    "publikujesz zdjęcia i dbasz o swoją prywatność"
   ],
   "for_you_en": [
    "verify photos circulating online",
    "post photos and care about your privacy"
   ],
   "how": "Glob dzieli się na komórki i trenuje klasyfikator albo kontrastowo dopasowuje osadzenie zdjęcia do osadzeń współrzędnych z galerii GPS. Dokładność podnosi wyszukiwanie podobnych zdjęć w obrębie najlepszych kandydatów. Modele uczy się na milionach zdjęć z serwisów i panoram ulicznych.",
   "how_en": "The globe is split into cells and a classifier trained, or the photo's embedding is matched contrastively against coordinate embeddings from a GPS gallery. Retrieving similar photos within the top candidates refines the guess. Models are trained on millions of photo-sharing and street-panorama images.",
   "limits": "Precyzja na poziomie ulicy wciąż jest zawodna, a słabo obfotografowane regiony wypadają gorzej. Technika niesie poważne ryzyko dla prywatności i bywa nadużywana do namierzania ludzi, dlatego część autorów nie publikuje wag modeli.",
   "limits_en": "Street-level precision is still unreliable, and sparsely photographed regions fare worse. The technique carries serious privacy risks and can be abused to track people, so some authors withhold model weights.",
   "terms": [
    {
     "gloss": "Fragment mapy traktowany jako jedna klasa do przewidzenia.",
     "term": "komórka geograficzna"
    },
    {
     "gloss": "Zbiór znanych współrzędnych, wśród których model szuka dopasowania.",
     "term": "galeria GPS"
    },
    {
     "gloss": "Wywiad z otwartych źródeł, np. weryfikacja zdjęć przez dziennikarzy.",
     "term": "OSINT"
    }
   ],
   "terms_en": [
    {
     "gloss": "A piece of the map treated as one class to predict.",
     "term": "geocell"
    },
    {
     "gloss": "A set of known coordinates the model searches for a match.",
     "term": "GPS gallery"
    },
    {
     "gloss": "Open-source intelligence, e.g. journalists verifying photos.",
     "term": "OSINT"
    }
   ],
   "prereq": [
    "clipcontrastive"
   ],
   "keywords": [
    "PIGEON",
    "GeoCLIP",
    "Im2GPS",
    "YFCC100M",
    "MP-16",
    "geocells",
    "OSINT",
    "street-view imagery"
   ],
   "source_ids": [
    "vivanco-geoclip-2023",
    "haas-pigeon-2023"
   ],
   "url": "https://aiatlasgraph.com/t/geolocalization",
   "markdown_url": "https://aiatlasgraph.com/t/geolocalization.md",
   "updated": "2026-10-30"
  },
  "globalexplanations": {
   "id": "globalexplanations",
   "parent_id": "explainability",
   "label": "Ogólne zachowanie modelu: ważność cech i wykresy zależności",
   "canonical_name": "Global model explanations: feature importance and dependence plots",
   "aliases": [
    "permutation feature importance",
    "partial dependence plot",
    "PDP",
    "ALE",
    "surrogate model",
    "globalne wyjaśnienia"
   ],
   "description": "Opis zachowania modelu w całym zbiorze danych: które cechy są dla predykcji najważniejsze i jak predykcja modelu zmienia się przy wariacji cechy. Takie wykresy same w sobie nie dowodzą zależności przyczynowej.",
   "description_en": "A description of model behaviour across a dataset: which features matter most to predictions and how model output varies as a feature changes. Such plots do not by themselves establish causality.",
   "examples": "permutacyjna ważność cech · PDP · ALE · interakcje cech · model zastępczy (surrogate)",
   "examples_en": "permutation feature importance · PDP · ALE · feature interactions · surrogate model",
   "plain": "To opisywanie, jakie cechy zwykle wpływają na przewidywania modelu w całym zbiorze przykładów.",
   "plain_en": "This describes which features generally affect model predictions across a collection of examples.",
   "solves": "Wyjaśnienie jednego przypadku nie pokazuje, czy model podobnie zachowuje się w innych sytuacjach.",
   "solves_en": "An explanation of one case does not show whether the model behaves similarly elsewhere.",
   "does": "Porównuje znaczenie cech i zmiany przewidywań na wielu przykładach; zaobserwowane zależności modelu same nie dowodzą przyczyn w świecie.",
   "does_en": "It compares feature importance and prediction changes across examples; observed model relationships alone do not establish real world causes.",
   "example": "Dla wielu przesyłek sprawdzasz, jak model zmienia prognozę z długością trasy i czy podobny wzorzec widać w różnych grupach.",
   "example_en": "Across many shipments, you check how route length changes the model forecast and whether the pattern appears in different groups.",
   "for_you": [
    "chcesz opisać ogólne zachowanie modelu",
    "porównujesz wpływ cech na wielu przypadkach"
   ],
   "for_you_en": [
    "want to describe a model's overall behaviour",
    "compare feature effects across many cases"
   ],
   "how": "Przetasowanie wartości cechy mierzy zmianę jakości predykcji, a wykresy zależności agregują odpowiedzi modelu po zmianie wejść. Analiza na reprezentatywnym zbiorze opisuje powtarzalne wzorce oraz możliwe interakcje.",
   "how_en": "Permuting a feature measures changes in prediction quality, while dependence plots aggregate model outputs as inputs vary. Analysis on representative data describes recurring patterns and possible interactions.",
   "limits": "Skorelowane cechy mogą ukrywać ważność lub tworzyć nierealne kombinacje wejść. Uśrednianie maskuje różnice między grupami; wykres zależności nie ustala związku przyczynowego.",
   "limits_en": "Correlated features can hide importance or create unrealistic input combinations. Averaging masks group differences; dependence plots do not establish causal relationships.",
   "terms": [
    {
     "gloss": "Zmiana jakości modelu po przetasowaniu wartości wybranej cechy.",
     "term": "ważność permutacyjna"
    },
    {
     "gloss": "Uśredniona odpowiedź modelu przy zmianie wybranych cech.",
     "term": "partial dependence"
    }
   ],
   "terms_en": [
    {
     "gloss": "The change in model quality after shuffling a selected feature.",
     "term": "permutation importance"
    },
    {
     "gloss": "The averaged model response when selected features are varied.",
     "term": "partial dependence"
    }
   ],
   "prereq": [
    "classmetrics",
    "distributions"
   ],
   "keywords": [
    "permutation importance",
    "PDP",
    "ALE",
    "feature interactions",
    "global surrogate models"
   ],
   "source_ids": [
    "molnar-iml-book-3ed"
   ],
   "url": "https://aiatlasgraph.com/t/globalexplanations",
   "markdown_url": "https://aiatlasgraph.com/t/globalexplanations.md",
   "updated": "2026-10-30"
  },
  "gnn": {
   "id": "gnn",
   "parent_id": "neural",
   "label": "Sieci grafowe (GNN)",
   "canonical_name": "Graph neural networks (GNN)",
   "aliases": [
    "GNN",
    "graph neural networks",
    "sieci neuronowe na grafach",
    "geometric deep learning",
    "grafowe sieci neuronowe"
   ],
   "description": "Sieci neuronowe operujące na grafach (węzły, krawędzie, cechy), niezmiennicze względem kolejności węzłów; podstawa uczenia na cząsteczkach, sieciach społecznych i siatkach.",
   "description_en": "Neural networks operating on graphs (nodes, edges, features), invariant to node ordering; the basis of learning on molecules, social networks and meshes.",
   "plain": "Sieci neuronowe uczące się na danych w postaci sieci powiązań: co jest połączone z czym i jak mocno.",
   "plain_en": "Neural networks that learn from data shaped like a web of connections: what links to what, and how strongly.",
   "solves": "Wiele danych nie mieści się ani w tabeli, ani w zdjęciu: cząsteczki, mapy dróg czy znajomości to sieci połączeń o zmiennym kształcie.",
   "solves_en": "Much data fits neither a table nor a picture: molecules, road maps and friendships are webs of links with ever-changing shapes.",
   "does": "Każdy element wielokrotnie wymienia informacje z sąsiadami, jak plotka rozchodząca się po wsi, aż pozna swoje otoczenie.",
   "does_en": "Each element repeatedly swaps information with its neighbours, like gossip spreading through a village, until it knows its surroundings.",
   "example": "Aplikacja z mapą przewiduje korek na twojej trasie, biorąc pod uwagę ruch na sąsiednich ulicach i skrzyżowaniach.",
   "example_en": "A map app predicts a jam on your route by taking traffic on neighbouring streets and junctions into account.",
   "for_you": [
    "twoje dane to sieć połączeń, a nie tabela",
    "przewidujesz właściwości cząsteczek lub materiałów",
    "budujesz rekomendacje z powiązań między ludźmi"
   ],
   "for_you_en": [
    "your data is a web of links, not a table",
    "you predict properties of molecules or materials",
    "you build recommendations from links between people"
   ],
   "how": "Każda warstwa zbiera wiadomości od sąsiadów węzła, agreguje je (suma, średnia, maksimum lub uwaga) i aktualizuje osadzenie węzła. Po k warstwach węzeł „widzi” swoje k-sąsiedztwo, a pooling daje reprezentację całego grafu do zadań na poziomie grafu, węzła lub krawędzi.",
   "how_en": "Each layer gathers messages from a node's neighbours, aggregates them (sum, mean, max or attention) and updates the node embedding. After k layers a node 'sees' its k-hop neighbourhood, and pooling yields a whole-graph representation for graph-, node- or edge-level tasks.",
   "limits": "Wiele warstw wygładza osadzenia (oversmoothing), a informacja z daleka ściska się w wąskich gardłach (oversquashing). Moc rozróżniania standardowych GNN ogranicza test Weisfeilera–Lehmana; duże grafy wymagają próbkowania sąsiedztwa.",
   "limits_en": "Many layers smooth embeddings together (oversmoothing), and distant information is squeezed through bottlenecks (oversquashing). Standard GNNs' distinguishing power is bounded by the Weisfeiler–Lehman test; large graphs require neighbourhood sampling.",
   "terms": [
    {
     "gloss": "Wymiana i łączenie informacji między sąsiednimi węzłami w każdej warstwie.",
     "term": "message passing"
    },
    {
     "gloss": "Wynik nie zależy od tego, w jakiej kolejności ponumerujesz węzły.",
     "term": "niezmienniczość permutacji"
    },
    {
     "gloss": "Po wielu warstwach wszystkie węzły zaczynają wyglądać tak samo.",
     "term": "oversmoothing"
    }
   ],
   "terms_en": [
    {
     "gloss": "Exchanging and combining information between neighbouring nodes in every layer.",
     "term": "message passing"
    },
    {
     "gloss": "The output does not depend on how you number the nodes.",
     "term": "permutation invariance"
    },
    {
     "gloss": "After many layers all nodes start to look alike.",
     "term": "oversmoothing"
    }
   ],
   "prereq": [
    "mlp",
    "kgraphs"
   ],
   "keywords": [
    "message passing",
    "GCN",
    "GAT",
    "GraphSAGE",
    "PyTorch Geometric",
    "DGL",
    "graph transformers",
    "Weisfeiler-Lehman",
    "link prediction",
    "geometric deep learning"
   ],
   "source_ids": [
    "graphcast-2022",
    "distill-gnn-2021"
   ],
   "url": "https://aiatlasgraph.com/t/gnn",
   "markdown_url": "https://aiatlasgraph.com/t/gnn.md",
   "updated": "2026-10-30"
  },
  "goalconditioned": {
   "id": "goalconditioned",
   "parent_id": "rlalgorithms",
   "label": "Uczenie z celami i odtwarzanie z perspektywy czasu (HER)",
   "canonical_name": "Goal-conditioned RL and hindsight experience replay",
   "aliases": [
    "goal-conditioned RL",
    "goal-conditioned reinforcement learning",
    "hindsight experience replay",
    "HER",
    "universal value function approximators",
    "UVFA",
    "uczenie warunkowane celem"
   ],
   "description": "Jedna polityka uczona dla wielu celów naraz, z celem podawanym jako dodatkowe wejście. Odtwarzanie z perspektywy czasu przepisuje nieudane próby tak, jakby celem było to, co faktycznie osiągnięto, co pozwala uczyć się przy nagrodzie tylko za sukces.",
   "description_en": "One policy trained for many goals at once, with the goal given as an extra input. Hindsight replay relabels failed attempts as if the goal had been whatever was actually reached, enabling learning from success-only rewards.",
   "examples": "odtwarzanie z perspektywy czasu · funkcje wartości warunkowane celem · zadania pchania i podnoszenia",
   "examples_en": "hindsight experience replay · goal-conditioned value functions · push and pick-and-place tasks",
   "plain": "To uczenie jednego programu wielu celów naraz, także na próbach, które nie trafiły tam, gdzie miały.",
   "plain_en": "This teaches one program many goals at once, including from attempts that missed where they were aimed.",
   "solves": "Gdy punkt jest tylko za pełny sukces, początkujący program prawie nigdy go nie zdobywa i nie ma z czego się uczyć.",
   "solves_en": "When points come only for full success, a beginner program almost never earns them and has nothing to learn from.",
   "does": "Jak rzut lotką obok tarczy: zamiast uznać go za porażkę, zapamiętujesz, jak trafić dokładnie w to miejsce, gdzie lotka wbiła się w ścianę.",
   "does_en": "Like a dart that misses the board: instead of writing it off, you remember how to hit exactly the spot where it landed on the wall.",
   "example": "Ramię robota ma przesunąć kubek na zaznaczone miejsce; gdy przesunie go gdzie indziej, ta próba i tak uczy, jak dostawić kubek właśnie tam.",
   "example_en": "A robot arm must push a mug to a marked spot; when it pushes it somewhere else, that attempt still teaches how to place the mug right there.",
   "for_you": [
    "uczysz program zadań, w których sukces zdarza się bardzo rzadko",
    "chcesz, by jeden program wykonywał wiele podobnych poleceń z różnym celem",
    "pracujesz z ramieniem robota lub nawigacją do wskazanego miejsca"
   ],
   "for_you_en": [
    "teach software tasks where success is very rare",
    "want one program to carry out many similar commands with different targets",
    "work with a robot arm or navigation to a chosen spot"
   ],
   "how": "Polityka i funkcja wartości przyjmują stan oraz cel (uniwersalne aproksymatory funkcji wartości). Odtwarzanie z perspektywy czasu zapisuje każde przejście w buforze z pierwotnym celem oraz z celami podstawionymi – w najprostszej wersji ze stanem końcowym epizodu, w najlepszej w eksperymentach z kilkoma stanami osiągniętymi później w tym samym epizodzie – i przelicza dla nich binarną nagrodę. Działa z dowolnym algorytmem off-policy, bo cel wpływa na działania agenta, ale nie na dynamikę środowiska.",
   "how_en": "The policy and value function take both the state and the goal (universal value function approximators). Hindsight replay stores each transition in the buffer with the original goal and with substituted goals – in the simplest version the episode's final state, in the best-performing one several states reached later in the same episode – recomputing the binary reward for them. It works with any off-policy algorithm, because the goal influences the agent's actions but not the environment dynamics.",
   "limits": "Zakłada, że dla każdego stanu łatwo wskazać cel, który on spełnia, i przeliczyć nagrodę dla nowego celu. Zbyt wiele podstawionych celów na przejście pogarsza wyniki, bo w buforze zostaje mało zwykłych danych. W oryginalnych eksperymentach zadanie podnoszenia wymagało startu części epizodów od stanu z chwyconym klockiem, a proste kształtowanie nagrody pogarszało wyniki zamiast pomagać.",
   "limits_en": "It assumes that for every state one can easily name a goal it satisfies and recompute the reward for a new goal. Too many substituted goals per transition hurt results, because little ordinary data remains in the buffer. In the original experiments the pick-and-place task needed some episodes to start from a state with the box already grasped, and simple reward shaping made results worse rather than better.",
   "terms": [
    {
     "gloss": "Zapisanie przejścia z celem zastąpionym stanem faktycznie osiągniętym w tym epizodzie.",
     "term": "przepisywanie celu"
    },
    {
     "gloss": "Podstawianie kilku stanów osiągniętych później w tym samym epizodzie; najlepsza w oryginalnych eksperymentach.",
     "term": "strategia przyszłych celów"
    },
    {
     "gloss": "Sygnał mówiący tylko, czy cel osiągnięto.",
     "term": "nagroda binarna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Storing a transition with the goal replaced by a state actually reached in that episode.",
     "term": "goal relabelling"
    },
    {
     "gloss": "Substituting several states reached later in the same episode; best in the original experiments.",
     "term": "future strategy"
    },
    {
     "gloss": "A signal saying only whether the goal was reached.",
     "term": "binary reward"
    }
   ],
   "prereq": [
    "qlearning",
    "rewarddesign"
   ],
   "keywords": [
    "hindsight experience replay",
    "universal value function approximators",
    "goal relabeling",
    "sparse rewards",
    "DDPG",
    "off-policy RL",
    "FetchPush",
    "multi-goal RL"
   ],
   "source_ids": [
    "her-2017"
   ],
   "url": "https://aiatlasgraph.com/t/goalconditioned",
   "markdown_url": "https://aiatlasgraph.com/t/goalconditioned.md",
   "updated": "2026-10-30"
  },
  "goap": {
   "id": "goap",
   "parent_id": "gamecharacters",
   "label": "Planowanie działań postaci (GOAP)",
   "canonical_name": "Goal-oriented action planning for game characters",
   "aliases": [
    "GOAP",
    "goal-oriented action planning",
    "planowanie zorientowane na cel"
   ],
   "description": "Planowanie w czasie rzeczywistym dla postaci, w którym system wyszukuje sekwencję akcji opisanych warunkami wstępnymi, efektami i kosztami.",
   "description_en": "Real-time planning for characters in which the system searches for a sequence of actions described by preconditions, effects and costs.",
   "plain": "Postać dostaje cel i listę umiejętności, a sama układa z nich plan, zamiast wykonywać sztywny scenariusz.",
   "plain_en": "A character gets a goal and a list of skills and puts together its own plan, instead of following a rigid script.",
   "solves": "Wrogowie, którzy zawsze robią to samo, gubią się, gdy gracz zablokuje drzwi lub zrobi coś, czego projektant nie przewidział.",
   "solves_en": "Enemies who always do the same thing get lost when the player blocks a door or does something the designer did not foresee.",
   "does": "Jak nawigacja w samochodzie, ale dla czynności: gdy droga jest zamknięta, od razu wylicza objazd z dostępnych ruchów.",
   "does_en": "Like a car's navigation, but for actions: when a road is closed, it instantly works out a detour from the moves available.",
   "example": "Żołnierz w strzelance widzi zabarykadowane drzwi, więc wybija okno, wskakuje do środka i dopiero wtedy szuka osłony.",
   "example_en": "A soldier in a shooter finds a barricaded door, so he smashes a window, climbs in and only then looks for cover.",
   "for_you": [
    "chcesz, żeby przeciwnicy w grze reagowali na niespodzianki",
    "interesuje cię klasyczne planowanie w praktyce"
   ],
   "for_you_en": [
    "want game enemies that handle surprises",
    "are curious about classical planning in practice"
   ],
   "how": "Każda akcja ma warunki wstępne, efekty i koszt, a planer przeszukuje stany świata algorytmem A*, łącząc akcje w najtańszą drogę do celu. Gdy plan zawiedzie lub świat się zmieni, postać planuje od nowa.",
   "how_en": "Each action has preconditions, effects and a cost, and the planner searches world states with A*, chaining actions into the cheapest path to the goal. When a plan fails or the world changes, the character replans.",
   "limits": "Planowanie kosztuje czas procesora, więc stan świata musi być mały i uproszczony. Zachowanie trudniej przewidzieć i przetestować niż w drzewach zachowań. Koordynacja oddziałów zwykle wymaga osobnej logiki ponad planerem pojedynczej postaci.",
   "limits_en": "Planning costs CPU time, so the world state must be small and simplified. Behaviour is harder to predict and test than with behaviour trees. Squad coordination usually needs separate logic above the single-character planner.",
   "terms": [
    {
     "gloss": "Co musi być prawdą, żeby akcję można było wykonać.",
     "term": "warunek wstępny"
    },
    {
     "gloss": "Jak akcja zmienia stan świata.",
     "term": "efekt akcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "What must be true before an action can run.",
     "term": "precondition"
    },
    {
     "gloss": "How an action changes the world state.",
     "term": "action effect"
    }
   ],
   "prereq": [
    "classicalplanning",
    "astar"
   ],
   "keywords": [
    "GOAP",
    "STRIPS",
    "A* planning",
    "replanning",
    "F.E.A.R. AI"
   ],
   "source_ids": [
    "orkin-fear-goap-2006"
   ],
   "url": "https://aiatlasgraph.com/t/goap",
   "markdown_url": "https://aiatlasgraph.com/t/goap.md",
   "updated": "2026-10-30"
  },
  "governance": {
   "id": "governance",
   "parent_id": "safety",
   "label": "Governance i zarządzanie ryzykiem",
   "canonical_name": "Governance and risk management",
   "description": "Odpowiedzialność, polityki, dokumentacja i incydenty.",
   "description_en": "Accountability, policies, documentation and incidents.",
   "examples": "AI policies · risk register · audyt",
   "examples_en": "AI policies · risk register · audit",
   "plain": "To ustalanie odpowiedzialności, zasad i sposobu reagowania na ryzyko związane z używaniem modeli.",
   "plain_en": "This establishes responsibilities, rules and responses to risks arising from model use.",
   "solves": "Po błędzie systemu nie wiadomo, kto powinien go zbadać, podjąć decyzję i zmienić sposób działania.",
   "solves_en": "After a system error, nobody knows who should investigate, decide or change how it operates.",
   "does": "Organizacja przypisuje właścicieli, dokumentuje zastosowania i ryzyka, ustala kontrole oraz procedury zgłaszania i obsługi incydentów.",
   "does_en": "An organisation assigns owners, documents uses and risks, establishes controls and sets procedures for reporting and handling incidents.",
   "example": "W zespole ustalacie, kto zatwierdza nowy model i kto zatrzyma jego użycie po wykryciu wycieku danych.",
   "example_en": "Your team agrees who approves a new model and who stops its use if a data leak is found.",
   "for_you": [
    "modele są używane przez cały zespół",
    "potrzebujesz jasnych zasad odpowiedzialności"
   ],
   "for_you_en": [
    "use models across a team",
    "need clear accountability rules"
   ],
   "how": "Cykl życia systemu wiąże decyzje z właścicielem ryzyka, dokumentacją i warunkami akceptacji. Rejestr ryzyk, przeglądy zmian oraz obsługa incydentów aktualizują kontrole i dowody, na podstawie których można dopuścić lub ograniczyć użycie.",
   "how_en": "A system lifecycle links decisions to risk owners, documentation and acceptance conditions. Risk registers, change reviews and incident handling update controls and evidence used to permit or restrict use.",
   "limits": "Dokumenty nie zastępują działających kontroli ani odpowiedzialności. Ryzyko zmienia się wraz z zastosowaniem; nieaktualne rejestry i brak dostępu do danych utrudniają ocenę oraz reakcję.",
   "limits_en": "Documents cannot replace working controls or accountability. Risks change with use; stale registers and missing data impede assessment and response.",
   "terms": [
    {
     "gloss": "Osoba lub rola odpowiedzialna za decyzję i kontrolę konkretnego ryzyka.",
     "term": "właściciel ryzyka"
    },
    {
     "gloss": "Zapis zagrożeń, ich ocen, właścicieli i działań ograniczających.",
     "term": "rejestr ryzyk"
    }
   ],
   "terms_en": [
    {
     "gloss": "A person or role accountable for a specific risk decision and control.",
     "term": "risk owner"
    },
    {
     "gloss": "A record of risks, assessments, owners and mitigation actions.",
     "term": "risk register"
    }
   ],
   "prereq": [
    "monitoring",
    "workflows"
   ],
   "keywords": [
    "NIST AI RMF",
    "ISO/IEC 42001",
    "EU AI Act",
    "risk registers",
    "impact assessments",
    "model cards",
    "conformity assessment",
    "audit trails"
   ],
   "source_ids": [
    "nist",
    "fsdl",
    "eu-ai-act-regulatory-framework-2026"
   ],
   "url": "https://aiatlasgraph.com/t/governance",
   "markdown_url": "https://aiatlasgraph.com/t/governance.md",
   "updated": "2026-10-30"
  },
  "gpdispatchrules": {
   "id": "gpdispatchrules",
   "parent_id": "prodscheduling",
   "label": "Ewolucja reguł priorytetów produkcji (programowanie genetyczne)",
   "canonical_name": "Genetic programming hyper-heuristics for dispatching rules",
   "aliases": [
    "GPHH",
    "genetic programming hyper-heuristic",
    "evolved dispatching rules",
    "automated design of scheduling heuristics",
    "hiperheurystyki",
    "ewolucja reguł dyspozycji"
   ],
   "description": "Hiperheurystyki, w których programowanie genetyczne automatycznie projektuje funkcje priorytetu dla dynamicznego harmonogramowania produkcji.",
   "description_en": "Hyper-heuristics in which genetic programming automatically designs priority functions for dynamic production scheduling.",
   "plain": "Automatyczne wymyślanie prostych wzorów na to, które zlecenie obsłużyć jako następne, przez krzyżowanie i mutowanie wielu wersji takich wzorów.",
   "plain_en": "Automatically inventing simple formulas for which order to serve next, by crossing and mutating many versions of such formulas.",
   "solves": "Hale produkcyjne ciągle się zmieniają: przychodzą pilne zlecenia, psują się maszyny, a ręcznie pisane reguły priorytetów nie nadążają.",
   "solves_en": "Shop floors keep changing: rush orders arrive, machines fail, and hand-written priority rules cannot keep up.",
   "does": "Jak hodowca, który z wielu odmian zostawia te, które najlepiej plonują w jego klimacie, i krzyżuje je dalej.",
   "does_en": "Like a breeder who keeps the varieties that yield best in their climate and keeps cross-breeding them.",
   "example": "Zakład dostaje krótką formułę łączącą termin i czas obróbki, którą sterownik linii liczy w mgnieniu oka przy każdej wolnej maszynie.",
   "example_en": "A plant gets a short formula combining due date and processing time, which the line controller computes instantly whenever a machine frees up.",
   "for_you": [
    "szukasz reguł kolejkowania, które da się przeczytać i wdrożyć",
    "pracujesz z nieprzewidywalnym napływem zleceń",
    "masz symulator swojej hali"
   ],
   "for_you_en": [
    "want scheduling rules you can read and deploy",
    "deal with an unpredictable flow of orders",
    "have a simulator of your shop floor"
   ],
   "how": "Programowanie genetyczne ewoluuje drzewa wyrażeń nad atrybutami takimi jak czas obróbki, termin, zapas czasu czy kolejka przy następnej maszynie. Każdy kandydat jest oceniany w symulacji zdarzeń dyskretnych hali. Najlepsza reguła działa potem online jako szybka reguła dyspozycji.",
   "how_en": "Genetic programming evolves expression trees over attributes such as processing time, due date, slack and the queue at the next machine. Each candidate is scored in a discrete-event simulation of the shop. The best rule then runs online as a fast dispatching rule.",
   "limits": "Wyewoluowane reguły bywają rozrosłe i trudne do zrozumienia. Ocena przez symulację jest kosztowna obliczeniowo. Reguły mogą przeuczyć się do scenariuszy treningowych i gorzej działać po zmianie warunków w hali.",
   "limits_en": "Evolved rules can be bloated and hard to understand. Simulation-based evaluation is computationally costly. Rules can overfit their training scenarios and perform worse when shop conditions change.",
   "terms": [
    {
     "gloss": "Metoda, która automatycznie projektuje inne metody rozwiązywania problemu.",
     "term": "hiperheurystyka"
    },
    {
     "gloss": "Symulacja hali krok po kroku: przybycie zlecenia, start, koniec obróbki.",
     "term": "symulacja zdarzeń dyskretnych"
    },
    {
     "gloss": "Wzór dający każdemu zleceniu wynik; wygrywa najwyższy.",
     "term": "funkcja priorytetu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A method that automatically designs other problem-solving methods.",
     "term": "hyper-heuristic"
    },
    {
     "gloss": "Simulating a shop event by event: job arrives, starts, finishes.",
     "term": "discrete-event simulation"
    },
    {
     "gloss": "A formula scoring each job; the highest score wins.",
     "term": "priority function"
    }
   ],
   "prereq": [
    "geneticprogramming"
   ],
   "keywords": [
    "GPHH",
    "dynamic job shop scheduling",
    "dispatching rules",
    "discrete-event simulation",
    "surrogate-assisted genetic programming",
    "multi-objective genetic programming",
    "DEAP",
    "ECJ"
   ],
   "source_ids": [
    "branke-automated-design-scheduling-heuristics-2016"
   ],
   "url": "https://aiatlasgraph.com/t/gpdispatchrules",
   "markdown_url": "https://aiatlasgraph.com/t/gpdispatchrules.md",
   "updated": "2026-10-30"
  },
  "gpumemory": {
   "id": "gpumemory",
   "parent_id": "selfhosting",
   "label": "Szacowanie pamięci GPU (wagi i KV cache)",
   "canonical_name": "Estimating GPU memory for deployment",
   "aliases": [
    "GPU memory estimation",
    "VRAM",
    "szacowanie VRAM",
    "GPU sizing",
    "KV cache size"
   ],
   "description": "Policzenie, ile pamięci GPU potrzebuje wdrożenie: wagi (liczba parametrów × bajty na parametr w danej precyzji) plus KV cache rosnący z długością kontekstu i liczbą jednoczesnych zapytań, plus zapas na narzut.",
   "description_en": "Working out how much GPU memory a deployment needs: weights (parameters × bytes per parameter at a given precision) plus a KV cache that grows with context length and concurrent requests, plus headroom for overhead.",
   "examples": "model 7B w FP16 ≈ 14 GB wag · wzór na KV cache na token · wpływ kwantyzacji i GQA · dobór liczby GPU",
   "examples_en": "7B model in FP16 ≈ 14 GB of weights · per-token KV-cache formula · effect of quantisation and GQA · choosing the number of GPUs",
   "plain": "To liczenie pamięci potrzebnej na ustawienia modelu, rozmowy i dodatkowe obliczenia.",
   "plain_en": "This calculates memory needed for model parameters, conversations and additional computations.",
   "solves": "Model mieści się sam, ale po rozpoczęciu kilku długich rozmów serwerowi kończy się pamięć.",
   "solves_en": "The model fits by itself, but several long conversations exhaust the server's memory.",
   "does": "Szacunek dodaje zapis ustawień, rosnącą pamięć zapytań i zapas na pracę środowiska, uwzględniając format liczb oraz równoczesny ruch.",
   "does_en": "The estimate combines parameters, growing request memory and runtime overhead, accounting for numerical formats and concurrent traffic.",
   "example": "Przed wyborem karty obliczasz potrzeby modelu i kilku rozmów o maksymalnej długości, zostawiając zapas.",
   "example_en": "Before choosing a card, you estimate the model and several maximum-length conversations, leaving spare capacity.",
   "for_you": [
    "dobierasz pamięć do wdrożenia",
    "chcesz uniknąć awarii przy dłuższych rozmowach"
   ],
   "for_you_en": [
    "choose memory capacity for a deployment",
    "want to avoid failures during longer conversations"
   ],
   "how": "Budżet sumuje wagi, stan uwagi aktywnych sekwencji oraz bufory operatorów i runtime. Rozmiar kontekstu, liczba głów i precyzja wyznaczają stan na token, a profil obciążenia pozwala oszacować szczyt oraz potrzebny zapas.",
   "how_en": "Budgets sum weights, active-sequence attention state and operator or runtime buffers. Context size, head counts and precision determine per-token state, while workload profiles estimate peaks and required headroom.",
   "limits": "Parametry modelu nie opisują całej pamięci wdrożenia. Fragmentacja, chwilowe bufory i różne warianty uwagi zmieniają szczyt; pomiar jednego zapytania nie wystarcza do planowania współbieżnego ruchu.",
   "limits_en": "Parameter counts do not describe total deployment memory. Fragmentation, temporary buffers and attention variants change peaks; one-request measurements cannot plan concurrent traffic.",
   "terms": [
    {
     "gloss": "Niewykorzystana część budżetu przeznaczona na narzut i chwilowe skoki.",
     "term": "zapas pamięci"
    },
    {
     "gloss": "Pamięć pośrednia potrzebna do zachowania jednej pozycji kontekstu.",
     "term": "stan na token"
    }
   ],
   "terms_en": [
    {
     "gloss": "Unused budget reserved for overhead and temporary peaks.",
     "term": "memory headroom"
    },
    {
     "gloss": "Intermediate memory needed to retain one context position.",
     "term": "per-token state"
    }
   ],
   "prereq": [
    "selfattention",
    "linearalgebra"
   ],
   "keywords": [
    "weight memory",
    "KV cache sizing",
    "memory headroom",
    "grouped-query attention",
    "maximum sequence length",
    "activation workspace",
    "VRAM budget"
   ],
   "source_ids": [
    "databricks-llm-inference-perf",
    "nvidia-llm-inference-opt-2023",
    "bentoml-gpu-memory"
   ],
   "url": "https://aiatlasgraph.com/t/gpumemory",
   "markdown_url": "https://aiatlasgraph.com/t/gpumemory.md",
   "updated": "2026-10-30"
  },
  "gpuprog": {
   "id": "gpuprog",
   "parent_id": "compute",
   "label": "Programowanie GPU (CUDA)",
   "canonical_name": "GPU programming (CUDA)",
   "description": "Model wykonania na GPU: wątki, bloki, hierarchia pamięci.",
   "description_en": "The GPU execution model: threads, blocks, the memory hierarchy.",
   "examples": "CUDA · wątki i bloki · pamięć współdzielona",
   "examples_en": "CUDA · threads and blocks · shared memory",
   "plain": "To pisanie obliczeń tak, żeby wiele małych zadań pracowało równocześnie na karcie graficznej.",
   "plain_en": "This programs computations as many small tasks running simultaneously on a graphics card.",
   "solves": "Program napisany jak zwykłe kolejne instrukcje nie wykorzystuje dobrze równoległej pracy karty.",
   "solves_en": "A program written as ordinary sequential instructions does not make good use of a card's parallel execution.",
   "does": "Zadania grupuje się w wątki i bloki, dobierając dostęp do różnych poziomów pamięci oraz współpracę między nimi.",
   "does_en": "Tasks are grouped into threads and blocks, with memory access and cooperation arranged across different memory levels.",
   "example": "Dzielisz przeliczanie dużej tabeli liczb między równoległe grupy, zamiast obrabiać każdy element po kolei.",
   "example_en": "You split a large numerical table across parallel groups instead of processing each element sequentially.",
   "for_you": [
    "piszesz własne obliczenia dla karty graficznej",
    "chcesz wykorzystać równoległość sprzętu"
   ],
   "for_you_en": [
    "write custom graphics-card computations",
    "want to use hardware parallelism"
   ],
   "how": "Kernel uruchamia siatkę bloków wątków, które mapują indeksy pracy na dane. Wątki współdzielą zasoby według hierarchii wykonania, a układ dostępu, synchronizacja i wykorzystanie rejestrów wpływają na przepustowość.",
   "how_en": "A kernel launches a grid of thread blocks mapping work indices to data. Threads share resources according to the execution hierarchy, while access patterns, synchronisation and register usage affect throughput.",
   "limits": "Rozbieżne ścieżki i niespójne dostępy do pamięci marnują przepustowość. Bariery muszą być poprawnie użyte; liczba rejestrów oraz pamięć współdzielona ograniczają współbieżne bloki.",
   "limits_en": "Divergent paths and incoherent memory access waste throughput. Barriers require correct use; register counts and shared memory limit concurrent blocks.",
   "terms": [
    {
     "gloss": "Grupa wątków mogących współdzielić lokalną pamięć i synchronizację.",
     "term": "blok wątków"
    },
    {
     "gloss": "Łączenie sąsiednich dostępów wątków w wydajne transfery pamięci.",
     "term": "coalescing"
    }
   ],
   "terms_en": [
    {
     "gloss": "A thread group able to share local memory and synchronisation.",
     "term": "thread block"
    },
    {
     "gloss": "Combining neighbouring thread accesses into efficient memory transfers.",
     "term": "coalescing"
    }
   ],
   "prereq": [
    "linearalgebra",
    "hardware"
   ],
   "keywords": [
    "CUDA",
    "thread blocks",
    "warps",
    "shared memory",
    "memory coalescing",
    "register pressure",
    "warp divergence"
   ],
   "source_ids": [
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/gpuprog",
   "markdown_url": "https://aiatlasgraph.com/t/gpuprog.md",
   "updated": "2026-10-30"
  },
  "gracefulfailure": {
   "id": "gracefulfailure",
   "parent_id": "ux",
   "label": "Projektowanie na wypadek błędów AI",
   "canonical_name": "Error handling and graceful failure",
   "description": "Zakładanie z góry, że AI się pomyli, i planowanie, jak użytkownik to zauważy, naprawi i wróci do zadania — proporcjonalnie do stawki błędu.",
   "description_en": "Assuming up front that the AI will be wrong and planning how users notice, correct and resume — in proportion to what is at stake.",
   "examples": "łatwa korekta i zgłoszenie błędu · przekazanie do człowieka · bezpieczna odpowiedź domyślna · halucynacje w interfejsie",
   "examples_en": "easy correction and error reporting · handoff to a human · safe default answer · hallucinations in the UI",
   "plain": "To przygotowanie funkcji na pomyłki modelu, żeby użytkownik mógł je zauważyć, naprawić i wrócić do zadania.",
   "plain_en": "This prepares a feature for model mistakes so users can notice, correct them and return to their task.",
   "solves": "Błędna odpowiedź może przerwać pracę lub spowodować szkodę, jeśli użytkownik nie ma sposobu sprawdzenia i poprawienia wyniku.",
   "solves_en": "An incorrect answer can interrupt work or cause harm if users cannot check and correct the result.",
   "does": "Planuje komunikaty, poprawki, wycofanie lub pomoc człowieka, dobierając reakcję do możliwych skutków pomyłki.",
   "does_en": "It plans messages, corrections, undo or human assistance, matching the response to the possible consequences of a mistake.",
   "example": "Asystent nie potrafi odczytać terminu z dokumentu, więc oznacza pole do sprawdzenia i pozwala wpisać termin ręcznie.",
   "example_en": "An assistant cannot read a deadline from a document, so it marks the field for checking and allows manual entry.",
   "for_you": [
    "pomyłka modelu może zablokować zadanie lub wyrządzić szkodę",
    "chcesz umożliwić poprawki i powrót do pracy"
   ],
   "for_you_en": [
    "face model mistakes that may block tasks or cause harm",
    "want users to correct results and resume work"
   ],
   "how": "System wykrywa błąd lub niewystarczający wynik i przedstawia jego zakres wraz z zachowanym stanem pracy. Użytkownik otrzymuje możliwość poprawki, ponowienia lub przejścia do ręcznego wykonania, zamiast utraty całego zadania.",
   "how_en": "A system detects errors or inadequate results and presents their scope with preserved work state. Users can correct, retry or switch to manual execution instead of losing the entire task.",
   "limits": "Niewykryty błąd nie uruchomi ścieżki naprawy. Ponowienie może powielać skutki zewnętrzne; potrzebne są kontrola wykonanych działań i dostęp do danych umożliwiających ręczne dokończenie.",
   "limits_en": "Undetected errors cannot trigger recovery paths. Retries can duplicate external effects; completed-action tracking and data access are needed for manual completion.",
   "terms": [
    {
     "gloss": "Alternatywna ścieżka wykonania, gdy główny mechanizm nie daje odpowiedniego wyniku.",
     "term": "fallback"
    },
    {
     "gloss": "Możliwość kontynuowania pracy po błędzie bez niepotrzebnej utraty danych.",
     "term": "odzyskiwalność"
    }
   ],
   "terms_en": [
    {
     "gloss": "An alternative execution path when the main mechanism gives inadequate results.",
     "term": "fallback"
    },
    {
     "gloss": "The ability to continue work after errors without unnecessary data loss.",
     "term": "recoverability"
    }
   ],
   "prereq": [
    "erroranalysis",
    "monitoring"
   ],
   "keywords": [
    "fallback policies",
    "human handoff",
    "error recovery",
    "undo actions",
    "graceful degradation"
   ],
   "source_ids": [
    "pair-guidebook",
    "hax-guidelines-2019"
   ],
   "url": "https://aiatlasgraph.com/t/gracefulfailure",
   "markdown_url": "https://aiatlasgraph.com/t/gracefulfailure.md",
   "updated": "2026-10-30"
  },
  "gradcheckpointing": {
   "id": "gradcheckpointing",
   "parent_id": "memefficienttraining",
   "label": "Ponowne liczenie aktywacji (gradient checkpointing)",
   "canonical_name": "Gradient (activation) checkpointing",
   "aliases": [
    "gradient checkpointing",
    "activation checkpointing",
    "activation recomputation",
    "rematerialization",
    "rematerializacja"
   ],
   "description": "Zapamiętuje się tylko wybrane aktywacje, a brakujące oblicza ponownie podczas propagacji wstecznej.",
   "description_en": "Only selected activations are stored; the missing ones are recomputed during backpropagation.",
   "plain": "Model w trakcie nauki zapisuje tylko niektóre wyniki pośrednie, a resztę liczy jeszcze raz, gdy będą potrzebne.",
   "plain_en": "While training, the model saves only some intermediate results and recalculates the rest when they're needed.",
   "solves": "Wyniki pośrednie każdej warstwy zajmują ogromną pamięć, szczególnie przy długich tekstach i głębokich modelach.",
   "solves_en": "Intermediate results from every layer take huge amounts of memory, especially with long texts and deep models.",
   "does": "Jak notowanie wyniku co dziesiątej strony obliczeń: gdy potrzebujesz czegoś ze środka, przeliczasz od najbliższej notatki.",
   "does_en": "Like noting a result every tenth page of calculations: when you need something in between, you redo it from the nearest note.",
   "example": "Dostrajasz model na długich umowach i po włączeniu tej opcji trening przestaje się przerywać z braku pamięci.",
   "example_en": "You fine-tune a model on long contracts, and after switching this on, training stops crashing for lack of memory.",
   "for_you": [
    "trenujesz na długich sekwencjach",
    "wolisz wolniejszy trening niż brak pamięci"
   ],
   "for_you_en": [
    "train on long sequences",
    "prefer slower training over running out of memory"
   ],
   "how": "Sieć dzieli się na segmenty i w przejściu w przód zapisuje tylko aktywacje na ich granicach. W przejściu wstecz każdy segment liczy się ponownie od punktu kontrolnego; przy podziale na około √n segmentów pamięć rośnie jak O(√n) kosztem mniej więcej jednego dodatkowego przejścia w przód.",
   "how_en": "The network is split into segments, and the forward pass stores only activations at their boundaries. In the backward pass each segment is recomputed from its checkpoint; with about √n segments memory grows as O(√n) at the cost of roughly one extra forward pass.",
   "limits": "Wydłuża trening o koszt dodatkowego przejścia w przód. Nie zmniejsza pamięci wag ani stanów optymalizatora; warianty selektywne wymagają wyboru, które operacje przeliczać, a które trzymać.",
   "limits_en": "It lengthens training by the cost of an extra forward pass. It doesn't reduce memory for weights or optimiser states; selective variants require choosing which operations to recompute and which to keep.",
   "terms": [
    {
     "gloss": "Zapisana aktywacja, od której można ponownie policzyć dalszą część sieci.",
     "term": "punkt kontrolny"
    },
    {
     "gloss": "Ponowne wyliczenie wartości zamiast trzymania jej w pamięci.",
     "term": "rematerializacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A stored activation from which later parts of the network can be recomputed.",
     "term": "checkpoint"
    },
    {
     "gloss": "Recomputing a value instead of keeping it in memory.",
     "term": "rematerialisation"
    }
   ],
   "prereq": [
    "backprop"
   ],
   "keywords": [
    "activation recomputation",
    "torch.utils.checkpoint",
    "selective recomputation",
    "sublinear memory",
    "rematerialization",
    "Megatron-LM"
   ],
   "source_ids": [
    "chen-2016-sublinear"
   ],
   "url": "https://aiatlasgraph.com/t/gradcheckpointing",
   "markdown_url": "https://aiatlasgraph.com/t/gradcheckpointing.md",
   "updated": "2026-10-30"
  },
  "gradientboosting": {
   "id": "gradientboosting",
   "parent_id": "ensembles",
   "label": "Gradient boosting (XGBoost, LightGBM)",
   "canonical_name": "Gradient-boosted trees",
   "description": "Drzewa dodawane jedno po drugim, każde poprawia błędy poprzednich. Od lat standard dla danych tabelarycznych i konkursów.",
   "description_en": "Trees added one after another, each correcting the errors of the previous ones. For years the standard for tabular data and competitions.",
   "examples": "XGBoost · LightGBM · CatBoost · HistGradientBoosting",
   "examples_en": "XGBoost · LightGBM · CatBoost · HistGradientBoosting",
   "plain": "To budowanie przewidywania przez dodawanie kolejnych prostych modeli poprawiających dotychczasowe błędy.",
   "plain_en": "This builds a prediction by adding simple models that correct earlier errors.",
   "solves": "Obecny model stale myli się w niektórych sytuacjach, a jedna zmiana nie usuwa wszystkich pomyłek.",
   "solves_en": "The current model repeatedly makes mistakes in some situations, and one change does not remove them all.",
   "does": "Dodaje modele zadające pytania o cechy, z których każdy uczy się korekty wspólnej odpowiedzi według pozostałego błędu.",
   "does_en": "It adds models that ask feature questions, each learning a correction to the combined answer based on the remaining error.",
   "example": "Model przewidujący czas dostawy dostaje kolejne poprawki, gdy wcześniejsze przewidywania zaniżają czas dla dalekich tras lub ciężkich paczek.",
   "example_en": "A delivery time model receives successive corrections when earlier predictions underestimate long routes or heavy parcels.",
   "for_you": [
    "chcesz stopniowo poprawiać błędy przewidywań",
    "masz dane tabelaryczne i możesz porównać modele"
   ],
   "for_you_en": [
    "want to improve prediction errors gradually",
    "have tabular data and can compare models"
   ],
   "how": "Każde kolejne drzewo dopasowuje korektę do ujemnego gradientu straty aktualnego zespołu. Skalowany wkład nowego modelu dodaje się do dotychczasowej predykcji, kontrolując złożoność drzew i tempo uczenia.",
   "how_en": "Each successive tree fits a correction to the current ensemble's negative loss gradient. Its scaled contribution is added to existing predictions, controlling tree complexity and learning rate.",
   "limits": "Zbyt wiele korekt może dopasować szum i wyciek. Dobór straty, regularyzacji oraz zatrzymania wpływa na wynik, a trening sekwencyjny ogranicza część możliwości zrównoleglania.",
   "limits_en": "Too many corrections can fit noise and leakage. Loss, regularisation and stopping choices affect results, while sequential training limits some parallelisation options.",
   "terms": [
    {
     "gloss": "Kierunek korekty predykcji zmniejszający bieżącą stratę lokalnie.",
     "term": "ujemny gradient"
    },
    {
     "gloss": "Zmniejszanie wkładu kolejnego modelu, by łagodniej aktualizować zespół.",
     "term": "shrinkage"
    }
   ],
   "terms_en": [
    {
     "gloss": "A prediction-correction direction locally reducing current loss.",
     "term": "negative gradient"
    },
    {
     "gloss": "Reducing each new model's contribution to update the ensemble more gradually.",
     "term": "shrinkage"
    }
   ],
   "prereq": [
    "decisiontrees",
    "calculus"
   ],
   "keywords": [
    "XGBoost",
    "LightGBM",
    "CatBoost",
    "HistGradientBoosting",
    "shrinkage",
    "tree-based residual fitting"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "chen-xgboost-2016",
    "grinsztajn-tabular-2022",
    "tabarena-github"
   ],
   "url": "https://aiatlasgraph.com/t/gradientboosting",
   "markdown_url": "https://aiatlasgraph.com/t/gradientboosting.md",
   "updated": "2026-10-30"
  },
  "graft": {
   "id": "graft",
   "parent_id": "rewardhacking",
   "label": "Lokalizacja niepożądanych zachowań przez routowanie gradientów",
   "canonical_name": "Gradient-routed localization of unintended behavior",
   "aliases": [
    "GRAFT",
    "Gradient Routing Adapter Fine-Tuning",
    "gradient-routed behavior localization"
   ],
   "description": "Lokalizuje reward hacking w usuwalnym adapterze poprzez routowanie gradientów.",
   "description_en": "Localizes reward hacking in a removable adapter by routing gradients.",
   "plain": "Podczas treningu kieruje aktualizacje związane z wykrytym niepożądanym zachowaniem do usuwalnych parametrów.",
   "plain_en": "During training, it routes updates associated with detected unintended behavior into removable parameters.",
   "solves": "Karanie zachowań wykrytych przez niedoskonały monitor może nauczyć model obchodzić jego słabe punkty.",
   "solves_en": "Penalizing behavior detected by an imperfect monitor can teach a model to exploit the monitor's blind spots.",
   "does": "Monitor wybiera miejsce uczenia zamiast zmieniać nagrodę: oznaczone trajektorie nie aktualizują adaptera zachowywanego po wdrożeniu.",
   "does_en": "The monitor selects where learning happens instead of changing reward: flagged trajectories do not update the adapter retained at deployment.",
   "example": "W środowisku Countdown-Code wykryte podmienianie testów trafiało do adaptera usuwanego po treningu, ograniczając także niewykryte warianty hackingu bez cofnięcia całego postępu zadaniowego.",
   "example_en": "In Countdown-Code, detected test replacement was routed into an adapter removed after training, reducing unseen hacking variants without discarding all target-task progress.",
   "for_you": [
    "trenujesz model nagrodami i masz monitor oszustw",
    "kary za wykryte oszustwa powodują nowe, ukryte sposoby",
    "chcesz zachować umiejętności po usunięciu złych zachowań"
   ],
   "for_you_en": [
    "train a model with rewards and have a cheat monitor",
    "penalties for detected cheats create new hidden ways",
    "want to keep skills after removing bad behaviours"
   ],
   "how": "Do bloków MLP zamrożonego modelu dodaje się adaptery retain i forget. Na nieoznaczonych trajektoriach aktualizowane są oba; na oznaczonych gradient do retain jest zerowany, a do forget wzmacniany. Równoległe aktualizacje w środowisku kotwiczącym uczą konfigurację wdrożeniową z wyłączonym adapterem forget.",
   "how_en": "Retain and forget adapters are added to the frozen model's MLP blocks. Both update on unflagged trajectories; on flagged trajectories the retain gradient is zeroed and the forget gradient is amplified. Concurrent updates in an anchor environment train the deployment configuration with the forget adapter disabled.",
   "limits": "Badania RL obejmują jednorundowe środowiska i modele od 135M do 8B; osobny eksperyment SFT na 32B miał po jednym seedzie na metodę. Monitory RL były ręcznymi heurystykami z prostymi lukami, nie sędziami LLM. GRAFT bywa słabszy zadaniowo od karania nagrody, może nie usunąć niewykrytego hackingu i wymaga użytecznego środowiska kotwiczącego.",
   "limits_en": "The RL studies cover single-turn environments and models from 135M to 8B; a separate 32B SFT experiment used one seed per method. RL monitors were hand-built heuristics with simple blind spots, not LLM judges. GRAFT can trail reward penalties on target performance, may fail to remove unseen hacking, and needs a useful anchor environment.",
   "terms": [
    {
     "gloss": "Parametry zachowywane przy wdrożeniu; nie dostają gradientu z trajektorii oznaczonych przez monitor.",
     "term": "adapter retain"
    },
    {
     "gloss": "Usuwalne parametry przyjmujące aktualizacje z oznaczonych trajektorii i wyłączane po treningu.",
     "term": "adapter forget"
    },
    {
     "gloss": "Kierowanie aktualizacji wag tylko do wybranych parametrów zależnie od próbki.",
     "term": "routowanie gradientów"
    }
   ],
   "terms_en": [
    {
     "gloss": "Parameters kept at deployment; they receive no gradient from monitor-flagged trajectories.",
     "term": "retain adapter"
    },
    {
     "gloss": "Removable parameters that receive updates from flagged trajectories and are disabled after training.",
     "term": "forget adapter"
    },
    {
     "gloss": "Directing weight updates to selected parameters depending on the sample.",
     "term": "gradient routing"
    }
   ],
   "prereq": [
    "policygradient"
   ],
   "keywords": [
    "GRAFT",
    "gradient routing",
    "retain adapter",
    "forget adapter",
    "reward hacking mitigation",
    "adapter ablation",
    "weak monitors",
    "GRPO"
   ],
   "source_ids": [
    "graft-arxiv-2610-17062",
    "graft-anthropic-blog-2026"
   ],
   "url": "https://aiatlasgraph.com/t/graft",
   "markdown_url": "https://aiatlasgraph.com/t/graft.md",
   "updated": "2026-10-30"
  },
  "grammarpcg": {
   "id": "grammarpcg",
   "parent_id": "pcg",
   "label": "Generowanie z gramatyk i L-systemów",
   "canonical_name": "Grammars and L-systems for content generation",
   "aliases": [
    "grammar-based procedural generation",
    "procedural grammars",
    "generowanie proceduralne oparte na gramatykach",
    "gramatyki proceduralne"
   ],
   "description": "Generowanie treści przez wielokrotne stosowanie reguł produkcji: równoległe przepisywanie napisów (L-systemy) dla roślin oraz gramatyki grafowe dla misji i układów poziomów.",
   "description_en": "Content generation by repeatedly applying production rules: parallel string rewriting (L-systems) for plants and graph grammars for missions and level layouts.",
   "plain": "Kilka prostych reguł przepisywania, stosowanych raz za razem, wyhodowuje drzewa, rośliny, budynki albo układy lochów.",
   "plain_en": "A few simple rewriting rules, applied again and again, grow trees, plants, buildings or dungeon layouts.",
   "solves": "Projektant chce tysięcy różnych drzew czy poziomów, ale każdy ma trzymać się sensownej struktury, a nie być przypadkowym bałaganem.",
   "solves_en": "A designer wants thousands of different trees or levels, each still following a sensible structure rather than random mess.",
   "does": "Działa jak przepis „każda gałąź wypuszcza dwie mniejsze”: po kilku powtórzeniach z jednej kreski robi się całe drzewo.",
   "does_en": "It works like the rule 'every branch sprouts two smaller ones': after a few rounds, one line becomes a whole tree.",
   "example": "W grze przygodowej każdy loch ma inny układ, a jednak klucz zawsze leży przed drzwiami, które otwiera.",
   "example_en": "In an adventure game every dungeon has a different layout, yet the key always lies before the door it opens.",
   "for_you": [
    "generujesz roślinność lub miasta do gry albo wizualizacji",
    "chcesz losowych poziomów, które zawsze da się przejść",
    "lubisz matematykę kryjącą się za kształtami natury"
   ],
   "for_you_en": [
    "generate vegetation or cities for a game or visualisation",
    "want random levels that are always beatable",
    "enjoy the maths behind nature's shapes"
   ],
   "how": "L-system zaczyna od aksjomatu i w każdym kroku przepisuje wszystkie symbole naraz; wynik czyta żółw graficzny jako polecenia rysowania, a nawiasy zapisują i przywracają jego stan, co daje rozgałęzienia. Gramatyki grafowe przepisują podgrafy misji (wejście, zadanie, klucz, zamek, cel), a osobny krok zamienia misję na geometrię poziomu.",
   "how_en": "An L-system starts from an axiom and rewrites all symbols at once each step; turtle graphics reads the result as drawing commands, and brackets save and restore its state, producing branches. Graph grammars rewrite mission subgraphs (entrance, task, key, lock, goal), and a separate step turns the mission into level geometry.",
   "limits": "Duże gramatyki trudno zaprojektować i utrzymać, a ich wynik bywa trudny do kontrolowania, np. liczba zadań może wyjść zbyt mała lub bez ograniczenia. Zamiana misji na przestrzeń to najtrudniejszy krok i najlepiej działa w liniowych grach.",
   "limits_en": "Large grammars are hard to design and maintain, and their output can be hard to control, e.g. the number of tasks may be too small or unbounded. Turning a mission into space is the hardest step and works best for linear games.",
   "terms": [
    {
     "gloss": "Przepis, który zastępuje jeden symbol lub fragment innymi.",
     "term": "reguła produkcji"
    },
    {
     "gloss": "Początkowy napis lub graf, od którego zaczyna się przepisywanie.",
     "term": "aksjomat"
    },
    {
     "gloss": "Rysowanie przez polecenia: idź naprzód, skręć w lewo, skręć w prawo.",
     "term": "grafika żółwia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A recipe that replaces one symbol or fragment with others.",
     "term": "production rule"
    },
    {
     "gloss": "The starting string or graph that rewriting begins from.",
     "term": "axiom"
    },
    {
     "gloss": "Drawing by commands: move forward, turn left, turn right.",
     "term": "turtle graphics"
    }
   ],
   "keywords": [
    "L-system",
    "bracketed L-system",
    "turtle graphics",
    "graph grammar",
    "shape grammar",
    "mission graph",
    "Ludoscope",
    "SpeedTree"
   ],
   "source_ids": [
    "pcgbook-ch05-grammars"
   ],
   "url": "https://aiatlasgraph.com/t/grammarpcg",
   "markdown_url": "https://aiatlasgraph.com/t/grammarpcg.md",
   "updated": "2026-10-30"
  },
  "grammaticalevolution": {
   "id": "grammaticalevolution",
   "parent_id": "geneticprogramming",
   "label": "Ewolucja gramatyczna (programy budowane z reguł gramatyki)",
   "canonical_name": "Grammatical evolution",
   "aliases": [
    "grammatical evolution",
    "GE",
    "ewolucja gramatyczna"
   ],
   "description": "Programowanie genetyczne z mapowaniem genotyp–fenotyp przez gramatykę bezkontekstową w notacji BNF, ewoluujące programy w dowolnym języku.",
   "description_en": "Genetic programming with a genotype–phenotype mapping through a context-free grammar in BNF notation, evolving programs in an arbitrary language.",
   "plain": "Odmiana programowania genetycznego, w której ciąg liczb wybiera kolejne reguły gramatyki, więc powstają zawsze poprawnie zbudowane programy lub wzory.",
   "plain_en": "A kind of genetic programming where a string of numbers picks successive grammar rules, so the result is always a well-formed program or formula.",
   "solves": "Losowo zmieniany kod zwykle przestaje się kompilować, a każdy język wymaga innego, specjalnego algorytmu ewolucyjnego.",
   "solves_en": "Randomly changed code usually stops compiling, and each language would need its own special evolutionary algorithm.",
   "does": "Jak gra w układanie zdań z kostek: rzut wskazuje, którą część zdania wstawić, a reguły gwarantują, że zdanie będzie poprawne.",
   "does_en": "Like a sentence-building dice game: each roll picks which part of speech to insert, and the rules guarantee a grammatical sentence.",
   "example": "Analityk szuka wzoru na zużycie prądu w fabryce i podaje dozwolone działania; algorytm składa z nich czytelne równania pasujące do pomiarów.",
   "example_en": "An analyst looking for a formula for factory power use lists allowed operations; the algorithm assembles readable equations from them that fit the measurements.",
   "for_you": [
    "chcesz ewolucyjnie tworzyć kod w wybranym języku",
    "potrzebujesz wzorów zgodnych z zadanymi regułami",
    "znasz już zwykłe programowanie genetyczne"
   ],
   "for_you_en": [
    "want to evolve code in a language of your choice",
    "need formulas that follow given rules",
    "already know plain genetic programming"
   ],
   "how": "Genotyp to ciąg liczb całkowitych zmiennej długości. Przy rozwijaniu wyprowadzenia gramatyki kolejny kodon modulo liczba alternatyw wybiera regułę produkcji dla bieżącego symbolu nieterminalnego. Operatory działają na prostym ciągu, a gramatyka zapewnia poprawność składniową i pozwala wprowadzić wiedzę dziedzinową.",
   "how_en": "The genotype is a variable-length integer string. While expanding a grammar derivation, the next codon modulo the number of alternatives picks a production rule for the current non-terminal. Operators act on the plain string, and the grammar guarantees syntactic correctness and injects domain knowledge.",
   "limits": "Mała zmiana wczesnego kodonu potrafi przebudować cały program, co osłabia lokalność przeszukiwania. Wynik mocno zależy od projektu gramatyki, a programy mogą się rozrastać bez poprawy jakości.",
   "limits_en": "A small change in an early codon can rebuild the whole program, weakening search locality. Results depend heavily on grammar design, and programs can bloat without improving.",
   "terms": [
    {
     "gloss": "Sposób zapisu reguł gramatyki języka.",
     "term": "BNF"
    },
    {
     "gloss": "Liczba w genotypie wybierająca jedną regułę gramatyki.",
     "term": "kodon"
    },
    {
     "gloss": "Ponowne czytanie genotypu od początku, gdy zabrakło kodonów.",
     "term": "wrapping"
    }
   ],
   "terms_en": [
    {
     "gloss": "A notation for writing a language's grammar rules.",
     "term": "BNF"
    },
    {
     "gloss": "A number in the genotype that selects one grammar rule.",
     "term": "codon"
    },
    {
     "gloss": "Reading the genotype again from the start when codons run out.",
     "term": "wrapping"
    }
   ],
   "prereq": [
    "geneticalgorithms"
   ],
   "keywords": [
    "BNF grammar",
    "PonyGE2",
    "GRAPE",
    "structured grammatical evolution",
    "SGE",
    "codon",
    "genotype-phenotype mapping",
    "bloat"
   ],
   "source_ids": [
    "oneill-ryan-ge-2001"
   ],
   "url": "https://aiatlasgraph.com/t/grammaticalevolution",
   "markdown_url": "https://aiatlasgraph.com/t/grammaticalevolution.md",
   "updated": "2026-10-30"
  },
  "graphtransformer": {
   "id": "graphtransformer",
   "parent_id": "gnn",
   "label": "Transformery grafowe",
   "canonical_name": "Graph transformers",
   "aliases": [
    "graph transformer",
    "GraphGPS",
    "Graphormer",
    "graph attention transformer",
    "positional encodings for graphs"
   ],
   "description": "Architektury łączące globalną uwagę transformera z kodowaniami pozycji i struktury grafu, często razem z lokalnym przekazywaniem wiadomości.",
   "description_en": "Architectures combining a transformer's global attention with graph positional and structural encodings, often alongside local message passing.",
   "plain": "Sieć dla danych w postaci powiązań, np. cząsteczek czy sieci znajomych, w której każdy element może „patrzeć” na wszystkie inne, nie tylko na sąsiadów.",
   "plain_en": "A network for connection data, such as molecules or friend networks, where every element can ‘look at’ all others, not just neighbours.",
   "solves": "Zwykłe sieci grafowe przekazują informację tylko między sąsiadami, więc odległe części grafu słabo się „słyszą”.",
   "solves_en": "Ordinary graph networks pass information only between neighbours, so distant parts of the graph barely ‘hear’ each other.",
   "does": "Jak firma, w której poza rozmowami z kolegami z działu każdy może też napisać do dowolnej osoby, wiedząc, gdzie ona siedzi.",
   "does_en": "Like a company where, besides talking to teammates, anyone can also message any person, knowing where they sit.",
   "example": "Program dla chemików przewiduje właściwości nowej cząsteczki, biorąc pod uwagę atomy leżące daleko od siebie w jej strukturze.",
   "example_en": "A chemistry program predicts a new molecule's properties by taking into account atoms that lie far apart in its structure.",
   "for_you": [
    "analizujesz cząsteczki, sieci lub inne dane o powiązaniach",
    "twoja sieć grafowa gubi informacje z odległych węzłów"
   ],
   "for_you_en": [
    "analyse molecules, networks or other connection data",
    "your graph network loses information from distant nodes"
   ],
   "how": "Graf nie ma naturalnej kolejności, więc węzły dostają kodowania pozycji i struktury, np. z wektorów własnych laplasjanu lub błądzenia losowego. Każda warstwa łączy przekazywanie wiadomości po prawdziwych krawędziach z uwagą na wszystkie węzły; użycie liniowej uwagi pozwala skalować się liniowo z liczbą węzłów i krawędzi.",
   "how_en": "Graphs have no natural order, so nodes receive positional and structural encodings, e.g. from Laplacian eigenvectors or random walks. Each layer combines message passing along real edges with attention over all nodes; using linear attention lets cost scale linearly with nodes and edges.",
   "limits": "Pełna uwaga rośnie kwadratowo z liczbą węzłów, więc duże grafy wymagają uwagi liniowej, sparsowania albo innego przybliżenia. Skuteczność zależy także od doboru kodowania pozycji i struktury do danego rodzaju grafu.",
   "limits_en": "Full attention grows quadratically with node count, so large graphs need linear attention, sparsification or another approximation. Effectiveness also depends on matching positional and structural encodings to the graph type.",
   "terms": [
    {
     "gloss": "Dodatkowa informacja o roli węzła w grafie, np. ile ma połączeń.",
     "term": "kodowanie strukturalne"
    },
    {
     "gloss": "Matematyczny opis kształtu grafu używany jako pozycja węzła.",
     "term": "wektory własne laplasjanu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Extra information about a node's role, such as its number of links.",
     "term": "structural encoding"
    },
    {
     "gloss": "A mathematical description of graph shape used as node position.",
     "term": "Laplacian eigenvectors"
    }
   ],
   "prereq": [
    "selfattention"
   ],
   "keywords": [
    "GraphGPS",
    "Graphormer",
    "Laplacian positional encoding",
    "random-walk structural encoding",
    "linear attention",
    "long-range graph benchmark"
   ],
   "source_ids": [
    "rampasek-graphgps-2022"
   ],
   "url": "https://aiatlasgraph.com/t/graphtransformer",
   "markdown_url": "https://aiatlasgraph.com/t/graphtransformer.md",
   "updated": "2026-10-30"
  },
  "grasping": {
   "id": "grasping",
   "parent_id": "manipulation",
   "label": "Wyznaczanie chwytu",
   "canonical_name": "Grasp detection and planning",
   "aliases": [
    "grasp detection",
    "grasp planning",
    "robotic grasping",
    "chwytanie robotyczne",
    "GQ-CNN"
   ],
   "description": "Przewidywanie stabilnych póz chwytaka dla obiektu z obrazu głębi lub chmury punktów, analitycznie albo modelem uczonym.",
   "description_en": "Predicting stable gripper poses for an object from depth images or point clouds, analytically or with a learned model.",
   "plain": "Wybieranie, w którym miejscu i pod jakim kątem robot powinien złapać przedmiot, żeby go nie upuścić.",
   "plain_en": "Choosing where and at what angle a robot should grip an object so it does not drop it.",
   "solves": "Każdy przedmiot trzyma się inaczej, a robot widzi tylko fragment kształtu; zły chwyt kończy się upuszczeniem lub zgnieceniem.",
   "solves_en": "Every object is held differently and the robot sees only part of its shape; a bad grip means a drop or a crush.",
   "does": "Ocenia wiele możliwych miejsc uchwytu, jak człowiek przymierzający dłoń do nieznanego pudełka, i wybiera to najpewniejsze.",
   "does_en": "It scores many candidate grip spots, like a person trying their hand on an unfamiliar box, and picks the surest one.",
   "example": "Robot przy taśmie zbiera z pojemnika pomieszane zabawki, za każdym razem łapiąc je w innym, stabilnym miejscu.",
   "example_en": "A robot at a conveyor picks mixed toys from a bin, each time gripping them at a different, stable spot.",
   "for_you": [
    "automatyzujesz wybieranie przedmiotów z pojemników",
    "projektujesz chwytak lub przyssawkę do robota",
    "chcesz, żeby robot radził sobie z nieznanymi rzeczami"
   ],
   "for_you_en": [
    "automate picking items out of bins",
    "design a gripper or suction tool for a robot",
    "want a robot to handle unfamiliar items"
   ],
   "how": "Metody analityczne oceniają stabilność chwytu na podstawie modelu obiektu i kontaktów. Metody uczone próbkują kandydatów chwytu i oceniają je siecią, np. GQ-CNN trenowaną na syntetycznych chmurach punktów. Wybrany chwyt trafia następnie do planera ruchu.",
   "how_en": "Analytic methods assess grasp stability from an object model and contact geometry. Learned methods sample grasp candidates and score them with a network, such as GQ-CNN trained on synthetic point clouds. The selected grasp is then passed to the motion planner.",
   "limits": "Przezroczyste i odblaskowe przedmioty psują pomiar głębi. Model ocenia chwyt, a nie dalsze zadanie – złapany kubek może być trzymany źle do nalewania. Obiekty miękkie i ciasno upakowane pozostają trudne.",
   "limits_en": "Transparent and reflective objects corrupt depth sensing. The model scores the grasp, not the follow-up task—a mug may be held wrongly for pouring. Soft and tightly packed items remain hard.",
   "terms": [
    {
     "gloss": "Chwyt, który opiera się sile z dowolnego kierunku.",
     "term": "zamknięcie siłowe (force closure)"
    },
    {
     "gloss": "Chwyt opisany pełną pozycją i orientacją chwytaka w przestrzeni.",
     "term": "chwyt 6-DoF"
    },
    {
     "gloss": "Szacowane prawdopodobieństwo, że chwyt utrzyma przedmiot.",
     "term": "jakość chwytu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A grip that resists force from any direction.",
     "term": "force closure"
    },
    {
     "gloss": "A grasp described by the gripper's full position and orientation.",
     "term": "6-DoF grasp"
    },
    {
     "gloss": "Estimated probability that a grasp will hold the object.",
     "term": "grasp quality"
    }
   ],
   "prereq": [
    "pointclouds",
    "cnn"
   ],
   "keywords": [
    "Dex-Net",
    "GQ-CNN",
    "force closure",
    "grasp quality",
    "point clouds",
    "suction grasping"
   ],
   "source_ids": [
    "tedrake-manipulation",
    "dexnet2-2017",
    "modern-robotics-2017"
   ],
   "url": "https://aiatlasgraph.com/t/grasping",
   "markdown_url": "https://aiatlasgraph.com/t/grasping.md",
   "updated": "2026-10-30"
  },
  "grpo": {
   "id": "grpo",
   "parent_id": "rlpolicy",
   "label": "GRPO i warianty bez krytyka",
   "canonical_name": "GRPO and critic-free policy optimization",
   "aliases": [
    "GRPO",
    "group relative policy optimization",
    "DAPO",
    "Dr. GRPO",
    "critic-free RL"
   ],
   "description": "Odmiana PPO bez osobnego modelu wartości: model generuje grupę odpowiedzi na to samo pytanie, a przewagę szacuje się względnie na podstawie nagród w tej grupie. Zmniejsza to zapotrzebowanie na pamięć i jest wykorzystywane w kilku nowszych recepturach treningu rozumowania.",
   "description_en": "A PPO variant without a separate value model: the model samples a group of answers to the same prompt and estimates advantage relative to rewards within that group. This reduces memory requirements and is used in several newer reasoning-training recipes.",
   "examples": "GRPO · DAPO · Dr. GRPO · przewaga liczona względem grupy",
   "examples_en": "GRPO · DAPO · Dr. GRPO · group-relative advantage",
   "plain": "To trening porównujący nagrody kilku odpowiedzi modelu na to samo pytanie.",
   "plain_en": "This training method compares rewards across several model responses to the same question.",
   "solves": "Osobny model szacujący wartość prób zwiększa pamięć i złożoność treningu.",
   "solves_en": "A separate model estimating attempt values increases training memory and complexity.",
   "does": "Model tworzy grupę prób, a ich względne nagrody wskazują, które odpowiedzi wzmacniać, bez osobnej sieci przewidującej wartość.",
   "does_en": "A model produces a group of attempts, whose relative rewards guide which responses to reinforce without a separate value-prediction network.",
   "example": "Model próbuje kilku rozwiązań zadania rachunkowego, a poprawniejsze próby otrzymują lepszy sygnał względem pozostałych w grupie.",
   "example_en": "A model attempts several arithmetic solutions, with better answers receiving stronger feedback relative to others in the group.",
   "for_you": [
    "trenujesz model na grupach ocenionych prób",
    "chcesz ograniczyć osobne komponenty treningu z nagrodą"
   ],
   "for_you_en": [
    "train on groups of evaluated attempts",
    "want fewer separate reward-training components"
   ],
   "how": "Dla jednego wejścia generuje się grupę odpowiedzi i wyznacza przewagi względem nagród w tej grupie. Cel z ograniczeniem ilorazu prawdopodobieństw aktualizuje politykę bez osobnego uczonego krytyka; warianty różnią się normalizacją i agregacją straty.",
   "how_en": "A group of responses is generated for one input, with advantages derived relative to group rewards. A probability-ratio clipping objective updates the policy without a separate learned critic; variants differ in normalisation and loss aggregation.",
   "limits": "Grupy o jednakowych nagrodach nie dostarczają względnego sygnału uczenia. Koszt próbkowania pozostaje, a normalizacja może faworyzować długość lub trudność; wiarygodność weryfikatora ogranicza jakość polityki.",
   "limits_en": "Equal-reward groups provide no relative learning signal. Sampling costs remain, while normalisation can introduce length or difficulty bias; verifier reliability limits policy quality.",
   "terms": [
    {
     "gloss": "Punkt odniesienia obliczony z ocen odpowiedzi na to samo wejście.",
     "term": "baseline grupowy"
    },
    {
     "gloss": "Przeskalowanie sygnału uczenia, wpływające na względną wagę próbek.",
     "term": "normalizacja przewagi"
    }
   ],
   "terms_en": [
    {
     "gloss": "A baseline computed from scores for responses to the same input.",
     "term": "group baseline"
    },
    {
     "gloss": "Rescaling learning signals, affecting samples' relative weights.",
     "term": "advantage normalisation"
    }
   ],
   "prereq": [
    "ppo",
    "probability"
   ],
   "keywords": [
    "GRPO",
    "DAPO",
    "Dr. GRPO",
    "group-relative advantages",
    "critic-free optimization",
    "advantage normalization",
    "clipped policy objective"
   ],
   "source_ids": [
    "deepseekmath-grpo-2024",
    "dapo-2025",
    "dr-grpo-2025",
    "rlhfbook"
   ],
   "url": "https://aiatlasgraph.com/t/grpo",
   "markdown_url": "https://aiatlasgraph.com/t/grpo.md",
   "updated": "2026-10-30"
  },
  "guardrails": {
   "id": "guardrails",
   "parent_id": "safety",
   "label": "Guardrails",
   "canonical_name": "Guardrails and output control",
   "description": "Blokady i filtry na wejściu i wyjściu modelu.",
   "description_en": "Blocks and filters on the model's input and output.",
   "examples": "klasyfikatory bezpieczeństwa · programowalne rails · moderacja treści",
   "examples_en": "safety classifiers · programmable rails · content moderation",
   "plain": "To dodatkowe kontrole ograniczające, jakie dane model przyjmuje, jakie odpowiedzi oddaje i jakie działania wykonuje.",
   "plain_en": "These additional checks limit what data a model accepts, what responses it returns and which actions it performs.",
   "solves": "Sam model nie zawsze przestrzega reguł aplikacji, a jego odpowiedzi mogą zawierać niedozwolone treści.",
   "solves_en": "A model does not always follow application rules, and its responses may contain prohibited content.",
   "does": "Filtry i reguły sprawdzają wejście, przebieg oraz wynik, kierując rozmowę lub blokując wybrane zdarzenia; ich skuteczność wymaga testów.",
   "does_en": "Filters and rules check inputs, workflow and outputs, redirecting conversation or blocking selected events; their effectiveness needs testing.",
   "example": "Asystent sklepu sprawdza, czy odpowiedź nie zawiera danych innego klienta, zanim pokaże ją rozmówcy.",
   "example_en": "A shop assistant checks that a response contains no other customer's data before showing it to the caller.",
   "for_you": [
    "potrzebujesz kontroli poza samym modelem",
    "aplikacja ma określone granice treści i działań"
   ],
   "for_you_en": [
    "need controls beyond the model itself",
    "set application boundaries for content and actions"
   ],
   "how": "Kontrole sprawdzają wejście, pobrany kontekst, zamiary narzędzi i wynik względem ustalonych reguł. Reguły deterministyczne oraz klasyfikatory mogą blokować, przekształcać lub przekazywać przypadek do kontroli, zanim przejdzie przez chronioną granicę.",
   "how_en": "Controls check inputs, retrieved context, tool intentions and outputs against defined rules. Deterministic rules and classifiers can block, transform or escalate cases before they cross a protected boundary.",
   "limits": "Filtry mylą się w obie strony i dodają opóźnienie. Kontrola tekstu nie zastępuje uprawnień narzędzi; niezabezpieczona alternatywna ścieżka może ominąć całą warstwę.",
   "limits_en": "Filters make errors in both directions and add latency. Text checking cannot replace tool permissions; unprotected alternative paths can bypass the layer.",
   "terms": [
    {
     "gloss": "Miejsce wykonania, w którym reguła może zatrzymać działanie.",
     "term": "punkt egzekwowania"
    },
    {
     "gloss": "Odmowa przejścia, gdy kontrola nie potrafi potwierdzić dopuszczalności.",
     "term": "fail closed"
    }
   ],
   "terms_en": [
    {
     "gloss": "An execution point where a rule can stop an action.",
     "term": "enforcement point"
    },
    {
     "gloss": "Denying progression when a control cannot confirm acceptability.",
     "term": "fail closed"
    }
   ],
   "prereq": [
    "classmetrics",
    "structured"
   ],
   "keywords": [
    "Llama Guard",
    "NeMo Guardrails",
    "Constitutional Classifiers",
    "content moderation",
    "input validation",
    "output filtering",
    "fail-closed policies",
    "policy enforcement"
   ],
   "source_ids": [
    "dlai",
    "llama-guard-2023",
    "nemo-guardrails-2023"
   ],
   "url": "https://aiatlasgraph.com/t/guardrails",
   "markdown_url": "https://aiatlasgraph.com/t/guardrails.md",
   "updated": "2026-10-30"
  },
  "gwdetection": {
   "id": "gwdetection",
   "parent_id": "physastro",
   "label": "Wykrywanie fal grawitacyjnych przez sieci neuronowe",
   "canonical_name": "Deep learning detection of gravitational waves",
   "aliases": [
    "gravitational wave detection",
    "GW deep learning",
    "fale grawitacyjne"
   ],
   "description": "Sieci konwolucyjne na szeregach czasowych z interferometrów, które wykrywają sygnały koalescencji i szacują ich parametry szybciej niż filtrowanie dopasowane.",
   "description_en": "Convolutional networks on interferometer time series that detect coalescence signals and estimate their parameters faster than matched filtering.",
   "plain": "Sieć nasłuchuje szumu z detektorów fal grawitacyjnych i w czasie rzeczywistym rozpoznaje ślad zderzenia dwóch czarnych dziur.",
   "plain_en": "A network listens to the noise from gravitational-wave detectors and recognises the trace of two colliding black holes in real time.",
   "solves": "Klasyczne porównywanie sygnału z ogromnym katalogiem wzorców jest kosztowne, szczególnie gdy trzeba szybko przetwarzać długi strumień danych.",
   "solves_en": "Classically comparing a signal with a huge catalogue of templates is expensive, especially when a long data stream must be processed quickly.",
   "does": "Jak ucho, które w hałasie stadionu od razu wyłapuje znajomą melodię, zamiast odtwarzać po kolei wszystkie piosenki świata.",
   "does_en": "Like an ear that instantly picks out a familiar tune in stadium noise, instead of replaying every song in the world.",
   "example": "System w czasie zbliżonym do rzeczywistego oznacza fragment danych jako kandydata na koalescencję czarnych dziur i wstępnie szacuje masy składników.",
   "example_en": "In near real time, the system flags a data segment as a candidate black-hole merger and makes an initial estimate of the component masses.",
   "for_you": [
    "ciekawi cię, jak słucha się zderzeń czarnych dziur",
    "szukasz słabych sygnałów w zaszumionych pomiarach"
   ],
   "for_you_en": [
    "wonder how black-hole collisions are heard",
    "search for weak signals in noisy measurements"
   ],
   "how": "Sieć klasyfikacyjna dostaje okno odczytu ze wstrzykniętymi symulowanymi falami i uczy się odróżniać sygnał od szumu; druga, regresyjna, szacuje masy źródeł. Trenuje się ją stopniowo przy coraz większym szumie (curriculum), a po wytrenowaniu przetwarza strumień danych na GPU w ułamku czasu filtrowania dopasowanego.",
   "how_en": "A classifier receives a strain window with injected simulated waves and learns to tell signal from noise; a second, regression network estimates source masses. It is trained with gradually increasing noise (curriculum), and once trained it processes the data stream on GPUs in a fraction of matched filtering's time.",
   "limits": "Uczy się na symulowanych przebiegach, więc sygnały spoza tej rodziny może przeoczyć. Prawdziwy szum detektora zawiera nagłe zakłócenia mylone z sygnałem, a ocena istotności statystycznej wciąż wymaga klasycznych metod.",
   "limits_en": "It learns from simulated waveforms, so it may miss signals outside that family. Real detector noise contains glitches mistaken for signals, and statistical significance still needs classical methods.",
   "terms": [
    {
     "gloss": "Porównywanie danych z każdym wzorcem z katalogu sygnałów.",
     "term": "filtrowanie dopasowane"
    },
    {
     "gloss": "Zlanie się dwóch krążących obiektów, np. czarnych dziur.",
     "term": "koalescencja"
    },
    {
     "gloss": "Krótki skok szumu detektora udający sygnał.",
     "term": "zakłócenie (glitch)"
    }
   ],
   "terms_en": [
    {
     "gloss": "Comparing data with every template in a signal catalogue.",
     "term": "matched filtering"
    },
    {
     "gloss": "Two orbiting objects merging, e.g. black holes.",
     "term": "coalescence"
    },
    {
     "gloss": "A brief detector-noise burst that mimics a signal.",
     "term": "glitch"
    }
   ],
   "prereq": [
    "convpool",
    "timeseries"
   ],
   "keywords": [
    "Deep Filtering",
    "LIGO",
    "Virgo",
    "matched filtering",
    "multimessenger astronomy",
    "curriculum learning",
    "Gravity Spy"
   ],
   "source_ids": [
    "deep-filtering-2016"
   ],
   "url": "https://aiatlasgraph.com/t/gwdetection",
   "markdown_url": "https://aiatlasgraph.com/t/gwdetection.md",
   "updated": "2026-10-30"
  },
  "hallucinationdetect": {
   "id": "hallucinationdetect",
   "parent_id": "robustness",
   "label": "Wykrywanie halucynacji",
   "canonical_name": "Hallucination detection",
   "aliases": [
    "hallucination",
    "halucynacje",
    "confabulation",
    "konfabulacje",
    "semantic entropy",
    "factuality"
   ],
   "description": "Sprawdzanie, czy model nie wymyśla faktów: porównanie z dostarczonym źródłem, z wiedzą zewnętrzną albo z tym, jak bardzo jego odpowiedzi różnią się przy powtórzeniu pytania.",
   "description_en": "Checking whether a model is inventing facts: against the provided source, against outside knowledge, or by how much its answers vary when the question is repeated.",
   "examples": "wierność wobec kontekstu (faithfulness) · weryfikacja faktów · spójność wielu prób · entropia semantyczna",
   "examples_en": "faithfulness to context · fact verification · self-consistency across samples · semantic entropy",
   "plain": "To szukanie twierdzeń modelu, które nie mają oparcia w źródłach albo mogą być zmyślone.",
   "plain_en": "This looks for model claims unsupported by sources or potentially invented.",
   "solves": "Model może podać zmyślony fakt pewnym tonem, a płynny tekst utrudnia zauważenie pomyłki.",
   "solves_en": "A model can confidently state an invented fact, and fluent wording makes the mistake harder to notice.",
   "does": "Porównuje twierdzenia ze źródłami i wiedzą zewnętrzną albo bada rozbieżności między odpowiedziami; brak rozbieżności nie gwarantuje prawdy.",
   "does_en": "It compares claims with sources and external knowledge or examines answer disagreements; consistency alone does not guarantee truth.",
   "example": "Podsumowanie spotkania zawiera decyzję, której nie było w nagraniu; porównanie ze źródłem wskazuje fragment do poprawienia.",
   "example_en": "A meeting summary contains a decision absent from the recording; source comparison flags the passage for correction.",
   "for_you": [
    "odpowiedzi mają zawierać sprawdzalne fakty",
    "chcesz wykrywać brak oparcia w podanym źródle"
   ],
   "for_you_en": [
    "need answers containing verifiable facts",
    "want to detect claims unsupported by the supplied source"
   ],
   "how": "Twierdzenia porównuje się z materiałem źródłowym lub wiedzą zewnętrzną, oceniając ich wsparcie. Inne metody grupują wielokrotne odpowiedzi według znaczenia i mierzą niepewność semantyczną jako sygnał do weryfikacji.",
   "how_en": "Claims are compared with source material or external knowledge to assess support. Other methods group repeated answers by meaning and measure semantic uncertainty as a signal for verification.",
   "limits": "Zgodne odpowiedzi mogą powtarzać ten sam fałsz. Brak wsparcia w źródle nie zawsze oznacza nieprawdę; detektor zależy od jakości źródeł i oceny znaczenia.",
   "limits_en": "Consistent answers can repeat the same falsehood. Missing source support does not always mean falsity; detection depends on source quality and semantic assessment.",
   "terms": [
    {
     "gloss": "Stopień wsparcia twierdzeń odpowiedzi w dostarczonym materiale źródłowym.",
     "term": "groundedness"
    },
    {
     "gloss": "Niepewność rozkładu znaczeń, zamiast samych sformułowań wygenerowanych odpowiedzi.",
     "term": "entropia semantyczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "The extent to which supplied source material supports answer claims.",
     "term": "groundedness"
    },
    {
     "gloss": "Uncertainty over meanings rather than just generated answer wordings.",
     "term": "semantic entropy"
    }
   ],
   "prereq": [
    "retrieval",
    "infotheory"
   ],
   "keywords": [
    "faithfulness",
    "groundedness",
    "semantic entropy",
    "SelfCheckGPT",
    "claim verification",
    "answer consistency"
   ],
   "source_ids": [
    "hallucination-survey-2023",
    "semantic-entropy-nature-2024"
   ],
   "url": "https://aiatlasgraph.com/t/hallucinationdetect",
   "markdown_url": "https://aiatlasgraph.com/t/hallucinationdetect.md",
   "updated": "2026-10-30"
  },
  "hardware": {
   "id": "hardware",
   "parent_id": "systems",
   "label": "Akceleratory",
   "canonical_name": "AI hardware",
   "description": "Sprzęt pod inferencję i trening.",
   "description_en": "Hardware for inference and training.",
   "examples": "GPU · układy dedykowane",
   "examples_en": "GPU · dedicated chips",
   "plain": "To sprzęt przyspieszający uczenie modeli i przygotowanie ich odpowiedzi.",
   "plain_en": "This hardware accelerates model training and response generation.",
   "solves": "Zwykły procesor może wykonywać obliczenia modelu zbyt wolno, a sam wzrost mocy nie rozwiązuje ograniczeń pamięci.",
   "solves_en": "A general processor may run model calculations too slowly, while more computing power alone cannot resolve memory limits.",
   "does": "Specjalizowane układy wykonują wiele obliczeń naraz, a pamięć i połączenia dostarczają im dane; wszystkie te elementy wpływają na wydajność.",
   "does_en": "Specialised chips perform many calculations at once, while memory and connections supply data; all these components affect performance.",
   "example": "Porównując sprzęt do asystenta, sprawdzasz nie tylko szybkość obliczeń, ale też pamięć potrzebną na model i rozmowy.",
   "example_en": "When comparing hardware for an assistant, you check computing speed and the memory needed for the model and conversations.",
   "for_you": [
    "wybierasz sprzęt do modelu",
    "chcesz rozumieć ograniczenia pamięci i obliczeń"
   ],
   "for_you_en": [
    "choose hardware for a model",
    "want to understand memory and computing limits"
   ],
   "how": "Akcelerator organizuje równoległe jednostki obliczeniowe wokół hierarchii pamięci i wyspecjalizowanych operacji. Rozmieszczenie danych, precyzja oraz sposób podziału grafu modelu decydują, które zasoby są wykorzystywane i gdzie powstają przestoje.",
   "how_en": "An accelerator organises parallel compute units around memory hierarchies and specialised operations. Data placement, precision and model-graph partitioning determine resource utilisation and where stalls arise.",
   "limits": "Szczytowa moc nie uwzględnia transferów, nieregularnych operacji i kolejek. Model musi mieścić się w dostępnej pamięci lub ponosić koszt przenoszenia danych; obsługiwane formaty wpływają na jakość.",
   "limits_en": "Peak compute excludes transfers, irregular operations and queues. Models must fit available memory or incur transfer costs; supported formats affect quality.",
   "terms": [
    {
     "gloss": "Poziomy przechowywania o różnej pojemności, szybkości i zakresie dostępu.",
     "term": "hierarchia pamięci"
    },
    {
     "gloss": "Układ przyspieszający wybrane klasy operacji obliczeniowych.",
     "term": "akcelerator"
    }
   ],
   "terms_en": [
    {
     "gloss": "Storage levels differing in capacity, speed and access scope.",
     "term": "memory hierarchy"
    },
    {
     "gloss": "Hardware accelerating selected classes of computation.",
     "term": "accelerator"
    }
   ],
   "prereq": [
    "linearalgebra",
    "mlp"
   ],
   "keywords": [
    "GPU",
    "TPU",
    "NPU",
    "HBM",
    "SRAM",
    "systolic arrays",
    "NVLink",
    "InfiniBand",
    "tensor cores",
    "memory hierarchy"
   ],
   "courses": [
    {
     "title": "Fast LLM Inference with Cerebras",
     "url": "https://www.deeplearning.ai/courses/fast-llm-inference-with-cerebras"
    }
   ],
   "source_ids": [
    "dlai",
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/hardware",
   "markdown_url": "https://aiatlasgraph.com/t/hardware.md",
   "updated": "2026-10-30"
  },
  "harnessadaptrl": {
   "id": "harnessadaptrl",
   "parent_id": "harnesslearning",
   "label": "Adaptacja uprzęży podczas RL",
   "canonical_name": "Harness adaptation during agentic reinforcement learning",
   "aliases": [
    "HarnessAdapt-RL",
    "harness adaptation during RL",
    "training the whole agent"
   ],
   "description": "RL, w którym polityka i uprząż adaptują się razem na podstawie trajektorii treningowych.",
   "description_en": "RL in which the policy and harness adapt together based on training trajectories.",
   "plain": "Podczas treningu agenta poprawia się też program wokół niego, a nie tylko wagi modelu.",
   "plain_en": "During agent training the program around it is also improved, not just the model weights.",
   "solves": "Błędy w strategii naprawy i problemy interakcji pojawiają się w trakcie treningu, ale uprżąż zostaje stała.",
   "solves_en": "Flawed repair strategies and interaction problems appear during training, but the harness stays fixed.",
   "does": "Nauczyciel generuje umiejętności i ewoluuje narzędzia, zachowując tylko zmiany, które poprawiają wyniki.",
   "does_en": "A teacher generates skills and evolves tools, keeping only changes that improve results.",
   "example": "Agent do kodu podczas treningu dostaje nowe haki do testów, bo poprzednie nie pomagały w naprawie błędów.",
   "example_en": "A coding agent during training gets new hooks for tests because the previous ones did not help fix bugs.",
   "for_you": [
    "trenujesz agenta do kodu i widzisz powtarzające się problemy z narzędziami",
    "chcesz, by trening poprawiał też otoczenie, nie tylko model"
   ],
   "for_you_en": [
    "train a coding agent and see repeated tool problems",
    "want training to improve the surroundings too, not only the model"
   ],
   "how": "Zamrożony nauczyciel generuje zadaniowe umiejętności mechanizmów dla wadliwych strategii naprawy. Osobny nauczyciel ewoluuje narzędzia i haki, zachowując zmianę tylko gdy poprawia pass rate lub trainable rate bez pogorszenia drugiego. Polityka trenuje z adaptowaną uprzężą, a nowe trajektorie kierują dalszą adaptację.",
   "how_en": "A frozen teacher generates task-specific mechanism-level skills for flawed repair strategies. A separate teacher evolves tools and hooks, keeping a change only if it improves pass rate or trainable rate without lowering the other. The policy trains with the adapted harness, and new trajectories guide further adaptation.",
   "limits": "Umiejętności można usunąć przy ewaluacji bez utraty zysku, ale usunięcie narzędzi i haków przy wdrożeniu kosztuje do 7,7 punktu procentowego. Metoda wymaga dodatkowych modeli nauczycieli i wielu wykonań oraz zależy od jakości feedbacku o pass rate i trainable rate.",
   "limits_en": "Skills can be removed at evaluation without losing gains, but removing tools and hooks at deployment costs up to 7.7 percentage points. The method requires extra teacher models and many executions, and depends on the quality of pass-rate and trainable-rate feedback.",
   "terms": [
    {
     "gloss": "Zadaniowa wskazówka dotycząca sposobu naprawy generowana przez nauczyciela.",
     "term": "umiejętność mechanizmu"
    },
    {
     "gloss": "Odsetek prób, które da się dalej trenować po zmianie.",
     "term": "trainable rate"
    }
   ],
   "terms_en": [
    {
     "gloss": "A task-specific hint about the repair method generated by the teacher.",
     "term": "mechanism-level skill"
    },
    {
     "gloss": "The share of trials that remain trainable after a change.",
     "term": "trainable rate"
    }
   ],
   "prereq": [
    "grpo"
   ],
   "keywords": [
    "HarnessAdapt-RL",
    "harness adaptation",
    "mechanism-level skills",
    "tool evolution",
    "agent-harness pair",
    "GRPO"
   ],
   "source_ids": [
    "harnessadaptrl-2026"
   ],
   "url": "https://aiatlasgraph.com/t/harnessadaptrl",
   "markdown_url": "https://aiatlasgraph.com/t/harnessadaptrl.md",
   "updated": "2026-10-30"
  },
  "harnesscomposition": {
   "id": "harnesscomposition",
   "parent_id": "agentharness",
   "label": "Kompozycyjne przeszukiwanie uprzęży",
   "canonical_name": "Compositional harness search",
   "aliases": [
    "MESH-Harness",
    "bandit-guided harness evolution",
    "modular harness optimization"
   ],
   "description": "Modułowa uprząż z pulami implementacji; bandyta kontekstowy wybiera kombinacje do oceny.",
   "description_en": "Modular harness with pools of implementations; a contextual bandit selects combinations for evaluation.",
   "plain": "Uprząż składa się z wymiennych części; system szuka najlepszej kombinacji na podstawie prób.",
   "plain_en": "The harness is made of interchangeable parts; the system searches for the best combination from trials.",
   "solves": "Cała uprżąż naraz jest za duża do ręcznego strojenia, a losowe zmiany psują działające elementy.",
   "solves_en": "The whole harness at once is too large for manual tuning, and random changes break working parts.",
   "does": "Dzieli uprząż na moduły o stałych interfejsach, ocenia kombinacje i podmienia słabsze wersje modułów.",
   "does_en": "It splits the harness into modules with fixed interfaces, scores combinations and replaces weaker module versions.",
   "example": "Przy zadaniu z wyszukiwaniem system wymienia sposób składania kontekstu i sprawdza, czy odpowiedzi są dokładniejsze.",
   "example_en": "On a search task the system swaps the way context is assembled and checks whether answers become more accurate.",
   "for_you": [
    "chcesz poprawić uprząż bez ręcznego pisania każdej zmiany",
    "jedna zmiana w otoczeniu asystenta psuje inne działania",
    "masz ograniczony budżet na próby działania asystenta"
   ],
   "for_you_en": [
    "want to improve the harness without writing every change by hand",
    "one change in the assistant's surroundings breaks other actions",
    "you have a limited budget for assistant trials"
   ],
   "how": "Uprząż dzieli się na sloty z interfejsami. Każdy slot ma pulę implementacji zakodowanych w embeddingach. LinUCB ocenia pełne konfiguracje na podstawie przewidywanego wyniku i niepewności. Wyselekcjonowane kombinacje są wykonywane, a ślady pomagają generować nowe moduły.",
   "how_en": "The harness is split into slots with interfaces. Each slot has a pool of implementations encoded as embeddings. LinUCB scores full configurations from predicted reward and uncertainty. Selected combinations are executed, and traces help generate new modules.",
   "limits": "Pełna ocena konfiguracji nadal wymaga kosztownych wykonań. Stałe pule mogą odrzucać użyteczne warianty, a ranking opiera się na liniowym surogacie nad embeddingami modułów. Wyniki pokazano dla czterech grup zadań i budżetu 40 ocen na zadanie; nie dowodzą przewagi nad wszystkimi metodami projektowania agentów.",
   "limits_en": "Evaluating full configurations still requires costly executions. Fixed pools can discard useful variants, and ranking relies on a linear surrogate over module embeddings. Results cover four task groups with a budget of 40 evaluations per task; they do not establish superiority over every agent-design method.",
   "terms": [
    {
     "gloss": "Miejsce na jeden rodzaj funkcji uprzęży ze stałym interfejsem.",
     "term": "slot"
    },
    {
     "gloss": "Algorytm bandyty, który wybiera kombinacje na podstawie przewidywania i niepewności.",
     "term": "LinUCB"
    }
   ],
   "terms_en": [
    {
     "gloss": "A place for one kind of harness function with a fixed interface.",
     "term": "slot"
    },
    {
     "gloss": "A bandit algorithm that picks combinations from prediction and uncertainty.",
     "term": "LinUCB"
    }
   ],
   "prereq": [
    "prompting",
    "contextmanagement"
   ],
   "keywords": [
    "MESH-Harness",
    "compositional evolution",
    "LinUCB",
    "modular harness",
    "contextual bandit",
    "harness modules"
   ],
   "source_ids": [
    "meshharness-2026"
   ],
   "url": "https://aiatlasgraph.com/t/harnesscomposition",
   "markdown_url": "https://aiatlasgraph.com/t/harnesscomposition.md",
   "updated": "2026-10-30"
  },
  "harnessdocs": {
   "id": "harnessdocs",
   "parent_id": "agentharness",
   "label": "Mapa dokumentów dla agenta",
   "canonical_name": "Repository map for agents",
   "aliases": [
    "AGENTS.md",
    "docs as system of record",
    "mapa repozytorium"
   ],
   "description": "Wejście agenta to krótka mapa do wersjonowanych dokumentów, a nie pełna instrukcja w jednym pliku.",
   "description_en": "The agent's entry point is a short map to versioned documents, not a full manual in one file.",
   "plain": "Krótka mapa na wejściu i reszta zasad w plikach, po które asystent sięga w razie potrzeby.",
   "plain_en": "A short map at the start and the rest of the rules in files the assistant opens when needed.",
   "solves": "Jedna wielka instrukcja szybko się starzeje, nie mieści w rozmowie i nie da się sprawdzić, czy jest aktualna.",
   "solves_en": "One giant instruction soon goes stale, does not fit in the conversation and cannot be checked for freshness.",
   "does": "Jak spis w szufladzie: krótka kartka mówi, gdzie leży regulamin, a sam regulamin zostaje w teczkach.",
   "does_en": "Like an index in a drawer: a short card says where the rules live, and the rules stay in the folders.",
   "example": "Asystent zaczyna od krótkiej mapy projektu, a zasady nazewnictwa czyta dopiero wtedy, gdy ma zmienić pliki w danym miejscu.",
   "example_en": "The assistant starts from a short project map and reads the naming rules only when it is about to change files in that area.",
   "for_you": [
    "zasady pracy nie mieszczą się w jednej wiadomości startowej",
    "chcesz, by asystent czytał aktualne dokumenty, a nie starą ściągę"
   ],
   "for_you_en": [
    "work rules do not fit in one starting message",
    "want the assistant to read current documents, not an old cheat sheet"
   ],
   "how": "Krótki plik wejściowy, rzędu stu linii, wskazuje dokumenty z planem, architekturą i zasadami jakości. Agent czyta głębiej tylko przy zadaniu, które tego wymaga. Świeżość i linki da się wymuszać sprawdzianami w repozytorium, a osobny przebieg może zgłaszać nieaktualne dokumenty.",
   "how_en": "A short entry file, on the order of a hundred lines, points to documents for the plan, architecture and quality rules. The agent reads deeper only when the task needs it. Freshness and links can be enforced by repository checks, and a separate pass can flag stale documents.",
   "limits": "Mapa bez aktualnych dokumentów odsyła w pustkę. Wiedza spoza repozytorium, na przykład z czatu zespołu, pozostaje niewidoczna. Zbyt agresywne skracanie mapy usuwa wskazówkę, której agent potrzebuje na starcie.",
   "limits_en": "A map without current documents points nowhere. Knowledge outside the repository, such as team chat, stays invisible. Cutting the map too aggressively removes a hint the agent needs at the start.",
   "terms": [
    {
     "gloss": "Krótki spis, który wskazuje, gdzie szukać reszty zasad.",
     "term": "plik mapy"
    },
    {
     "gloss": "Wersjonowany plik z planem albo regułą, a nie ściąga w czacie.",
     "term": "dokument źródłowy"
    },
    {
     "gloss": "Sprawdzenie, czy opis nadal pasuje do obecnego stanu pracy.",
     "term": "świeżość dokumentów"
    }
   ],
   "terms_en": [
    {
     "gloss": "A short index that says where the rest of the rules live.",
     "term": "map file"
    },
    {
     "gloss": "A versioned file with a plan or rule, not a note in chat.",
     "term": "source document"
    },
    {
     "gloss": "A check that the description still matches the current work.",
     "term": "document freshness"
    }
   ],
   "prereq": [
    "contextmanagement",
    "promptstructure"
   ],
   "keywords": [
    "AGENTS.md",
    "progressive disclosure",
    "docs as system of record",
    "repository legibility",
    "doc gardening",
    "architecture docs"
   ],
   "source_ids": [
    "openai-harness-2026"
   ],
   "url": "https://aiatlasgraph.com/t/harnessdocs",
   "markdown_url": "https://aiatlasgraph.com/t/harnessdocs.md",
   "updated": "2026-10-30"
  },
  "harnessinvariants": {
   "id": "harnessinvariants",
   "parent_id": "agentharness",
   "label": "Mechaniczne reguły środowiska agenta",
   "canonical_name": "Mechanical invariants for agent environments",
   "aliases": [
    "architectural invariants",
    "taste invariants",
    "reguły uprzęży"
   ],
   "description": "Architektoniczne i stylistyczne niezmienniki wymuszane testami i linterami, z instrukcją naprawy w błędzie.",
   "description_en": "Architectural and style invariants enforced by tests and linters, with a repair hint in the error.",
   "plain": "Reguły środowiska zapisane tak, że sprawdzenie automatyczne odrzuca zmianę, która je łamie.",
   "plain_en": "Environment rules written so an automatic check rejects a change that breaks them.",
   "solves": "Asystent powtarza istniejący bałagan i z czasem projekt rozjeżdża się mimo dobrych chęci w instrukcji.",
   "solves_en": "The assistant copies existing mess, and over time the project drifts even if the instructions meant well.",
   "does": "Jak bramka na linii: zła zmiana nie przechodzi, a komunikat mówi, jak ją poprawić.",
   "does_en": "Like a gate on the line: a bad change does not pass, and the message says how to fix it.",
   "example": "Asystent dodaje plik w złym miejscu. Sprawdzenie odrzuca zmianę i podaje, do którego katalogu należy ją przenieść.",
   "example_en": "The assistant adds a file in the wrong place. The check rejects the change and says which folder it belongs in.",
   "for_you": [
    "asystent powtarza złe wzorce, które już są w projekcie",
    "chcesz pilnować zasad bez ręcznego czytania każdej zmiany"
   ],
   "for_you_en": [
    "the assistant copies bad patterns already in the project",
    "want rules enforced without reading every change by hand"
   ],
   "how": "Zamiast prosić model o przestrzeganie zasad, uprżąż koduje kierunki zależności, nazewnictwo i granice w sprawdzianach. Błąd zawiera wskazówkę naprawy, więc agent może poprawić zmianę w pętli. Osobne przebiegi w tle mogą zgłaszać odstępstwa od ustalonych zasad i proponować porządki.",
   "how_en": "Instead of asking the model to follow rules, the harness encodes dependency direction, naming and boundaries in checks. The error includes a repair hint, so the agent can fix the change in the loop. Separate background passes can flag departures from agreed rules and propose cleanups.",
   "limits": "Sprawdzenie pilnuje tylko tego, co zostało zapisane. Zbyt sztywne reguły blokują słuszną zmianę. Reguły dopasowane do jednego repozytorium nie przenoszą się same do innego projektu.",
   "limits_en": "A check enforces only what was written down. Overly rigid rules block a justified change. Rules fitted to one repository do not transfer by themselves to another project.",
   "terms": [
    {
     "gloss": "Zasada, która ma zostać prawdziwa po każdej zmianie.",
     "term": "niezmiennik"
    },
    {
     "gloss": "Automatyczne sprawdzenie stylu albo układu plików.",
     "term": "linter"
    },
    {
     "gloss": "Komunikat błędu, który mówi agentowi, co poprawić.",
     "term": "wskazówka naprawy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule that should stay true after every change.",
     "term": "invariant"
    },
    {
     "gloss": "An automatic check of style or file layout.",
     "term": "linter"
    },
    {
     "gloss": "An error message that tells the agent what to fix.",
     "term": "repair hint"
    }
   ],
   "prereq": [
    "evalsets",
    "guardrails"
   ],
   "keywords": [
    "architectural invariants",
    "custom linters",
    "structural tests",
    "feedback loops",
    "technical debt",
    "golden principles"
   ],
   "source_ids": [
    "openai-harness-2026"
   ],
   "url": "https://aiatlasgraph.com/t/harnessinvariants",
   "markdown_url": "https://aiatlasgraph.com/t/harnessinvariants.md",
   "updated": "2026-10-30"
  },
  "harnesslearning": {
   "id": "harnesslearning",
   "parent_id": "agentharness",
   "label": "Uczenie uprzęży agentów",
   "canonical_name": "Harness learning",
   "aliases": [
    "harness adaptation",
    "proposer for harness",
    "meta-learning harnesses"
   ],
   "description": "Meta-uczenie nad kodem uprzęży: proposer generuje edycje, uczenie ze wzmocnieniem na wynikach wykonania.",
   "description_en": "Meta-learning over harness code: a proposer generates edits, reinforcement learning on execution outcomes.",
   "plain": "Model uczy się poprawiać program wokół asystenta na podstawie wyników prób.",
   "plain_en": "A model learns to improve the program around an assistant from the results of trials.",
   "solves": "Uprząż dobrana do jednego zadania źle działa na innym, a ręczna poprawka trwa.",
   "solves_en": "A harness fitted to one task works poorly on another, and manual fixes take time.",
   "does": "Proponuje zmiany w kodzie uprzęży, ocenia kandydatów i wybiera wersję zgodnie z ustalonym protokołem selekcji.",
   "does_en": "It proposes changes to harness code, evaluates candidates, and selects a version under a defined selection protocol.",
   "example": "Asystent nie znajduje dokumentów w nowym typie pytania. Model poprawia sposób wyszukiwania w uprzęży i sprawdzian potwierdza zysk.",
   "example_en": "The assistant misses documents for a new kind of question. The model improves the search in the harness and a check confirms the gain.",
   "for_you": [
    "ten sam asystent działa różnie na podobnych zadaniach",
    "chcesz, by otoczenie asystenta poprawiało się samo",
    "ręczna zmiana programu wokół modelu zajmuje za dużo czasu"
   ],
   "for_you_en": [
    "the same assistant works differently on similar tasks",
    "want the assistant's surroundings to improve on their own",
    "manual changes to the program around the model take too long"
   ],
   "how": "Proposer otrzymuje bieżącą uprżąż i raport wykonania, generuje edycję kodu. Uczenie ze wzmocnieniem nagradza poprawę wyniku zadania. W czasie testu iteracyjnie rewiduje uprżąż na nowym zadaniu bez zmiany wag solvera.",
   "how_en": "A proposer receives the current harness and an execution report, then generates a code edit. Reinforcement learning rewards improvement in task score. At test time it iteratively revises the harness on a new task without changing the solver's weights.",
   "limits": "Adaptacja wymaga wielu wykonań oraz ocenianego feedbacku z pytań rozwojowych; nie jest bezkosztowym uczeniem z nieoznaczonych interakcji. Wyniki obejmują rodziny Reasoning Gym i wieloetapowe QA, przy zamrożonym solverze. Autorzy nie pokazali jeszcze transferu na dłuższe zadania agentowe ani przy zmianie solvera, a trening na sekwencjach rewizji nie dawał stałej przewagi.",
   "limits_en": "Adaptation requires many executions and graded feedback from development questions; it is not cost-free learning from unlabeled interactions. Results cover Reasoning Gym families and multi-hop QA with a frozen solver. Transfer to longer-horizon agentic tasks or a changed solver remains untested, and training on revision sequences did not consistently outperform single-revision training.",
   "terms": [
    {
     "gloss": "Model, który generuje poprawki kodu uprzęży.",
     "term": "proposer"
    },
    {
     "gloss": "Opis przebiegu i wyniku próby uprzęży.",
     "term": "raport wykonania"
    }
   ],
   "terms_en": [
    {
     "gloss": "Model that generates edits to the harness code.",
     "term": "proposer"
    },
    {
     "gloss": "Description of a harness trial's path and outcome.",
     "term": "execution report"
    }
   ],
   "prereq": [
    "prompting",
    "contextmanagement"
   ],
   "keywords": [
    "harness learning",
    "proposer model",
    "GRPO",
    "test-time harness adaptation",
    "meta-learning over programs",
    "harness revision"
   ],
   "source_ids": [
    "harnesslearning-2026"
   ],
   "url": "https://aiatlasgraph.com/t/harnesslearning",
   "markdown_url": "https://aiatlasgraph.com/t/harnesslearning.md",
   "updated": "2026-10-30"
  },
  "harnessscaling": {
   "id": "harnessscaling",
   "parent_id": "harnesslearning",
   "label": "Skalowanie uprzęży w agenticznym RL",
   "canonical_name": "Harness-diversity scaling for agentic reinforcement learning",
   "aliases": [
    "Harness Scaling",
    "harness diversity scaling",
    "cross-harness RL training"
   ],
   "description": "Skalowanie agenticnego RL przez trening na zróżnicowanych konfiguracjach uprzęży zamiast jednej stałej.",
   "description_en": "Scaling agentic RL by training on diverse harness configurations instead of one fixed one.",
   "plain": "Trening agentów na różnych konfiguracjach programu wokół modelu, żeby lepiej działały na nowych ustawieniach.",
   "plain_en": "Training agents on different configurations of the program around the model so they work better on new setups.",
   "solves": "Agent wytrenowany na jednej uprzęży słabo radzi sobie, gdy zmieni się sposób działania narzędzi lub kontekstu.",
   "solves_en": "An agent trained on one harness struggles when the way tools or context work changes.",
   "does": "Podczas treningu zmienia różne elementy otoczenia agenta i uczy go na wielu wariantach naraz.",
   "does_en": "During training it varies different parts of the agent's surroundings and learns from many variants at once.",
   "example": "Asystent do kodu trenuje raz z jednym sposobem szukania plików, raz z innym, i potem działa w nowym narzędziu.",
   "example_en": "A coding assistant trains once with one way of searching files, once with another, and then works in a new tool.",
   "for_you": [
    "chcesz, by asystent działał w różnych narzędziach bez ponownego treningu",
    "zmiana uprzęży psuje wytrenowanego agenta"
   ],
   "for_you_en": [
    "want the assistant to work in different tools without retraining",
    "changing the harness breaks a trained agent"
   ],
   "how": "Buduje się przestrzeń uprzęży z czynników (prompt, narzędzia, obserwacje, zarządzanie kontekstem, workflow). Wybiera się kompaktowy podzbiór treningowy z zrównoważonym pokryciem czynnikowym. Trening krzyżowy łączy globalne pokrycie z kontrolowaną wariacją na tym samym zadaniu.",
   "how_en": "A factorized harness space is built from components (prompt, tools, observations, context management, workflow). A compact training subset with balanced factorial coverage is selected. Cross-harness training combines global coverage with controlled variation on the same task.",
   "limits": "Wymaga projektowania przestrzeni uprzęży i wielu wykonań. Transfer do czarnych skrzynek (black-box) jest lepszy niż z jednej złożonej, ale nadal zależy od jakości pokrycia. Nie zastępuje ewaluacji na zupełnie nowych zadaniach.",
   "limits_en": "Requires designing the harness space and many executions. Transfer to black-box harnesses is better than from one complex one, but still depends on coverage quality. It does not replace evaluation on entirely new tasks.",
   "terms": [
    {
     "gloss": "Zbiór możliwych konfiguracji programu wokół agenta.",
     "term": "przestrzeń uprzęży"
    },
    {
     "gloss": "Dobór wariantów, który równomiernie pokrywa kombinacje elementów.",
     "term": "pokrycie czynnikowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "The set of possible configurations of the program around the agent.",
     "term": "harness space"
    },
    {
     "gloss": "Selecting variants that evenly cover combinations of elements.",
     "term": "factorial coverage"
    }
   ],
   "prereq": [
    "grpo"
   ],
   "keywords": [
    "Harness Scaling",
    "cross-harness RL",
    "factorized harness space",
    "agentic RL generalization",
    "harness diversity",
    "white-box harness"
   ],
   "source_ids": [
    "harnessscaling-2026"
   ],
   "url": "https://aiatlasgraph.com/t/harnessscaling",
   "markdown_url": "https://aiatlasgraph.com/t/harnessscaling.md",
   "updated": "2026-10-30"
  },
  "healthai": {
   "id": "healthai",
   "parent_id": null,
   "label": "AI w medycynie i ochronie zdrowia",
   "canonical_name": "AI in healthcare and medicine",
   "aliases": [
    "medical AI",
    "healthcare AI",
    "clinical AI",
    "AI w ochronie zdrowia",
    "medyczna AI"
   ],
   "description": "Uczenie maszynowe w diagnostyce, dokumentacji klinicznej, prognozowaniu ryzyka i monitoringu pacjentów, wraz z walidacją kliniczną i regulacjami wyrobów medycznych.",
   "description_en": "Machine learning for diagnosis, clinical documentation, risk prediction and patient monitoring, together with clinical validation and medical-device regulation.",
   "plain": "Programy, które pomagają lekarzom i pacjentom: czytają badania obrazowe, piszą notatki, ostrzegają przed pogorszeniem zdrowia i odpowiadają na pytania.",
   "plain_en": "Software that helps doctors and patients: it reads scans, writes notes, warns about worsening health and answers medical questions.",
   "solves": "Lekarzy brakuje, kolejki rosną, a specjaliści nie mają czasu, by dokładnie obejrzeć każde zdjęcie i wypełnić każdy dokument.",
   "solves_en": "There are too few doctors, queues keep growing, and specialists lack the time to study every scan and fill in every form.",
   "does": "Działa jak drugi, niestrudzony asystent: robi wstępny przegląd i zaznacza, co wymaga uwagi, a decyzję zostawia człowiekowi.",
   "does_en": "Works like a tireless second assistant: it does a first pass and flags what needs attention, leaving the decision to a person.",
   "example": "Lekarz patrzy na pacjenta, a nie w ekran, bo program sam spisuje rozmowę do karty; wieczorem zegarek pacjenta sygnalizuje nieregularne tętno.",
   "example_en": "The doctor looks at the patient, not the screen, because software writes the conversation into the record; that evening the patient's watch flags an irregular pulse.",
   "for_you": [
    "korzystasz z publicznej lub prywatnej opieki zdrowotnej",
    "nosisz zegarek lub opaskę mierzącą tętno",
    "pracujesz w szpitalu, przychodni lub laboratorium"
   ],
   "for_you_en": [
    "use public or private healthcare",
    "wear a watch or band that measures your pulse",
    "work in a hospital, clinic or lab"
   ],
   "how": "Modele uczą się na danych klinicznych: obrazach medycznych, notatkach, elektronicznej dokumentacji i sygnałach fizjologicznych. Wiele dopuszczonych narzędzi ma wąskie deklarowane przeznaczenie, np. wykrywanie, segmentację lub triaż. Systemy do dokumentacji i odpowiadania na pytania mogą podlegać innym wymaganiom zależnie od ich przeznaczenia.",
   "how_en": "Models learn from clinical data: medical images, notes, electronic health records and physiological signals. Many authorised tools have a narrow intended purpose, such as detection, segmentation or triage. Documentation and question-answering systems may fall under different requirements depending on their intended purpose.",
   "limits": "Dane są rozproszone, chronione i różne w każdym szpitalu, więc modele słabo się przenoszą. Dobry wynik na zbiorze testowym nie dowodzi korzyści dla pacjenta: potrzebne są badania prospektywne, nadzór po wdrożeniu i zgoda regulatora.",
   "limits_en": "Data are scattered, protected and different in every hospital, so models transfer poorly. A good test-set score does not prove patient benefit: prospective studies, post-deployment monitoring and regulatory approval are needed.",
   "terms": [
    {
     "gloss": "Oprogramowanie, które samo jest wyrobem medycznym i wymaga dopuszczenia.",
     "term": "SaMD"
    },
    {
     "gloss": "Elektroniczna dokumentacja pacjenta: rozpoznania, leki, wyniki badań i notatki.",
     "term": "EHR"
    },
    {
     "gloss": "Sprawdzenie modelu na danych z innego szpitala niż dane treningowe.",
     "term": "walidacja zewnętrzna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Software that is itself a medical device and needs approval.",
     "term": "SaMD"
    },
    {
     "gloss": "The electronic patient record: diagnoses, drugs, test results and notes.",
     "term": "EHR"
    },
    {
     "gloss": "Testing a model on data from a hospital other than the training one.",
     "term": "external validation"
    }
   ],
   "keywords": [
    "medical imaging",
    "clinical NLP",
    "EHR",
    "FDA AI-enabled devices",
    "SaMD",
    "MIMIC-IV",
    "MONAI",
    "clinical decision support",
    "wearables",
    "HealthBench",
    "TRIPOD+AI",
    "digital health"
   ],
   "source_ids": [
    "fda-ai-devices-list"
   ],
   "url": "https://aiatlasgraph.com/t/healthai",
   "markdown_url": "https://aiatlasgraph.com/t/healthai.md",
   "updated": "2026-10-30"
  },
  "heardcontext": {
   "id": "heardcontext",
   "parent_id": "bargein",
   "label": "Usuwanie niesłyszanej części odpowiedzi z kontekstu",
   "canonical_name": "Aligning conversation context with played speech",
   "description": "Po przerwaniu usuwa się z historii część wygenerowanej wypowiedzi, której użytkownik nie usłyszał. Sposób ustalenia granicy zależy od odtwarzania i możliwości API.",
   "description_en": "After an interruption, remove generated speech the user did not hear from conversation history. The boundary depends on playback tracking and the API.",
   "examples": "przycięcie po czasie odtworzenia · znaczniki słów",
   "examples_en": "truncate by playback time · word timestamps",
   "plain": "To poprawianie historii rozmowy tak, żeby nie zawierała słów asystenta, których nie usłyszałeś po przerwaniu.",
   "plain_en": "This corrects conversation history so it excludes assistant speech you never heard because of an interruption.",
   "solves": "Asystent zakłada, że przekazał ci ważną informację, choć przerwałeś odtwarzanie przed jej usłyszeniem.",
   "solves_en": "An assistant assumes it gave you important information even though you interrupted playback before hearing it.",
   "does": "System ustala, jak daleko doszło odtwarzanie, i usuwa z historii niesłyszaną część wygenerowanej odpowiedzi.",
   "does_en": "A system determines how far playback reached and removes the unheard part of the generated response from history.",
   "example": "Przerywasz instrukcję po pierwszym kroku, więc asystent nie uznaje pozostałych kroków za już wyjaśnione.",
   "example_en": "You interrupt instructions after the first step, so the assistant does not treat the remaining steps as already explained.",
   "for_you": [
    "często przerywasz długie odpowiedzi",
    "asystent musi wiedzieć, co faktycznie usłyszałeś"
   ],
   "for_you_en": [
    "often interrupt long responses",
    "need an assistant to track what you actually heard"
   ],
   "how": "System śledzi postęp odtwarzania osobno od wygenerowanego bufora odpowiedzi. Po przerwaniu przycina audio i uzgadnia historię modelu z oszacowanym odtworzonym fragmentem, aby dalsza rozmowa nie zakładała przekazania pozostałej treści.",
   "how_en": "The system tracks playback progress separately from the generated response buffer. After interruption, it truncates audio and reconciles model history with the estimated played portion, so later dialogue does not assume the remaining content was delivered.",
   "limits": "Możliwość przycięcia historii zależy od interfejsu modelu i klienta. Bufory sieciowe oraz niedokładne powiązanie tekstu z audio utrudniają ustalenie granicy; odtworzenie nie dowodzi, że użytkownik usłyszał treść.",
   "limits_en": "History truncation depends on model and client interfaces. Network buffers and imprecise text-to-audio alignment complicate boundary estimation; playback does not prove the user heard the content.",
   "terms": [
    {
     "gloss": "Pozycja w audio, do której klient zrealizował odtwarzanie.",
     "term": "kursor odtwarzania"
    },
    {
     "gloss": "Dostosowanie kontekstu rozmowy do faktycznie przekazanego fragmentu odpowiedzi.",
     "term": "uzgodnienie historii"
    }
   ],
   "terms_en": [
    {
     "gloss": "The audio position up to which a client has performed playback.",
     "term": "playback cursor"
    },
    {
     "gloss": "Adjusting conversation context to the portion of a response actually delivered.",
     "term": "history reconciliation"
    }
   ],
   "prereq": [
    "tts",
    "eventdriven"
   ],
   "keywords": [
    "conversation.item.truncate",
    "audio_end_ms",
    "playback cursor",
    "word timestamps",
    "history reconciliation"
   ],
   "source_ids": [
    "voiceprimer",
    "openai-realtime-conversations"
   ],
   "url": "https://aiatlasgraph.com/t/heardcontext",
   "markdown_url": "https://aiatlasgraph.com/t/heardcontext.md",
   "updated": "2026-10-30"
  },
  "hierarchicalmem": {
   "id": "hierarchicalmem",
   "parent_id": "memory",
   "label": "Hierarchiczne zarządzanie kontekstem wirtualnym",
   "canonical_name": "Virtual context management with hierarchical memory",
   "description": "Technika zarządzania wirtualnym kontekstem przez hierarchię pamięci i interwencje agenta, inspirowana systemami operacyjnymi.",
   "description_en": "Technique for managing virtual context via a memory hierarchy and agent interrupts, inspired by operating systems.",
   "plain": "Sposób, w którym asystent sam przenosi informacje między krótką pamięcią rozmowy a długoterminowym magazynem, żeby pamiętać więcej niż pozwala okno kontekstu.",
   "plain_en": "A method where the assistant moves information between short conversation memory and long-term storage so it can remember more than the context window allows.",
   "solves": "Długa rozmowa lub duży dokument przekracza okno kontekstu, więc asystent zapomina wcześniejsze ustalenia i musi je powtarzać.",
   "solves_en": "A long conversation or large document exceeds the context window, so the assistant forgets earlier agreements and you must repeat them.",
   "does": "Asystent traktuje pamięć jak system operacyjny: trzyma najważniejsze rzeczy blisko, a resztę przenosi na zewnątrz i ściąga z powrotem, gdy jest potrzebna.",
   "does_en": "The assistant treats memory like an operating system: it keeps the most important items nearby and moves the rest out, retrieving them when needed.",
   "example": "Po wielu sesjach planowania projektu asystent przypomina sobie budżet ustalony trzy tygodnie temu, bo sam przeniósł go do długoterminowej pamięci i teraz go odczytał.",
   "example_en": "After many project-planning sessions the assistant recalls the budget set three weeks ago because it moved that detail into long-term memory and retrieved it.",
   "for_you": [
    "prowadzisz sprawy trwające wiele rozmów",
    "pracujesz z dużymi dokumentami lub historią"
   ],
   "for_you_en": [
    "handle matters that span many conversations",
    "work with large documents or long histories"
   ],
   "how": "Agent utrzymuje core memory w oknie kontekstu oraz zewnętrzne magazyny recall i archival. Gdy okno się zapełnia, wywołuje narzędzia do przenoszenia fragmentów (paging), a przy potrzebie ściąga je z powrotem przez wyszukiwanie. Przepływ kontrolują interwencje (interrupts) agenta.",
   "how_en": "The agent maintains core memory inside the context window plus external recall and archival stores. When the window fills it calls tools to page fragments out; when needed it retrieves them via search. Control flow is managed by agent interrupts.",
   "limits": "Wymaga starannie zaprojektowanych narzędzi pamięci i reguł przenoszenia. Błędne decyzje agenta mogą zgubić ważne informacje lub zwiększyć liczbę wywołań. Jakość zależy od jakości wyszukiwania w zewnętrznym magazynie.",
   "limits_en": "Requires carefully designed memory tools and paging rules. Poor agent decisions can lose important information or increase call counts. Quality depends on retrieval quality in the external store.",
   "terms": [
    {
     "gloss": "Najważniejsze informacje trzymane w bieżącym oknie kontekstu.",
     "term": "core memory"
    },
    {
     "gloss": "Przenoszenie fragmentów pamięci między szybkim a zewnętrznym magazynem.",
     "term": "paging"
    },
    {
     "gloss": "Sygnał agenta, który przerywa generowanie i uruchamia narzędzie pamięci.",
     "term": "interrupt"
    }
   ],
   "terms_en": [
    {
     "gloss": "The most important information kept inside the current context window.",
     "term": "core memory"
    },
    {
     "gloss": "Moving memory fragments between fast and external storage.",
     "term": "paging"
    },
    {
     "gloss": "An agent signal that interrupts generation and runs a memory tool.",
     "term": "interrupt"
    }
   ],
   "prereq": [
    "memory",
    "tools"
   ],
   "keywords": [
    "MemGPT",
    "virtual context management",
    "hierarchical memory",
    "memory paging",
    "archival memory",
    "recall memory",
    "agent interrupts",
    "Letta"
   ],
   "source_ids": [
    "memgpt-2023"
   ],
   "url": "https://aiatlasgraph.com/t/hierarchicalmem",
   "markdown_url": "https://aiatlasgraph.com/t/hierarchicalmem.md",
   "updated": "2026-10-30"
  },
  "hierarchicalrl": {
   "id": "hierarchicalrl",
   "parent_id": "rlalgorithms",
   "label": "Hierarchiczne RL i opcje",
   "canonical_name": "Hierarchical reinforcement learning and options",
   "aliases": [
    "hierarchical RL",
    "HRL",
    "options framework",
    "option-critic",
    "temporal abstraction",
    "abstrakcja czasowa",
    "makroakcje"
   ],
   "description": "Dzielenie zachowania na poziomy: polityka nadrzędna wybiera umiejętności trwające wiele kroków (opcje), a te same decydują o ruchach i o tym, kiedy się zakończyć.",
   "description_en": "Splitting behaviour into levels: a higher-level policy picks multi-step skills (options), which in turn choose low-level moves and when to stop.",
   "examples": "opcje · option-critic · sieci feudalne · odkrywanie umiejętności",
   "examples_en": "options · option-critic · feudal networks · skill discovery",
   "plain": "To uczenie działania na dwóch poziomach: najpierw wybór większego kroku, potem drobne ruchy, które go wykonują.",
   "plain_en": "This learns to act at two levels: first choosing a larger step, then the small moves that carry it out.",
   "solves": "Długie zadania składają się z setek drobnych ruchów, a decydowanie o każdym z osobna sprawia, że nauka trwa bardzo długo.",
   "solves_en": "Long tasks are made of hundreds of small moves, and deciding each one separately makes learning very slow.",
   "does": "Jak przepis kulinarny: myślisz „zrób sos, ugotuj makaron”, a każdy z tych kroków sam rozkłada się na drobne czynności.",
   "does_en": "Like a recipe: you think \"make the sauce, cook the pasta\", and each of those steps breaks down into small actions on its own.",
   "example": "Postać w grze najpierw wybiera „idź do drzwi”, a dopiero potem uczy się, jak stawiać kroki i kiedy uznać, że już dotarła.",
   "example_en": "A game character first chooses \"go to the door\" and only then learns how to step and when to decide it has arrived.",
   "for_you": [
    "Twoje zadanie składa się z wielu etapów",
    "chcesz, by program raz nauczonych umiejętności używał w różnych zadaniach",
    "projektujesz agenta, który ma planować na długi czas"
   ],
   "for_you_en": [
    "have a task made of many stages",
    "want software to reuse skills it has learned across different tasks",
    "are designing an agent that must plan over a long time"
   ],
   "how": "Opcja to trójka: zbiór stanów, w których można ją uruchomić, polityka wewnętrzna i funkcja zakończenia; polityka nad opcjami wybiera opcję, która działa aż do zakończenia. Proces decyzyjny Markowa wzbogacony o opcje staje się półmarkowowskim procesem decyzyjnym. Architektura option-critic wyprowadza twierdzenia o gradiencie dla polityk wewnętrznych i funkcji zakończenia i uczy ich razem z polityką nad opcjami; trzeba podać jedynie liczbę opcji.",
   "how_en": "An option is a triple: the set of states where it can start, an internal policy and a termination function; the policy over options picks an option that runs until it terminates. A Markov decision process with options becomes a semi-Markov decision process. The option-critic architecture derives gradient theorems for internal policies and termination functions and learns them together with the policy over options; only the number of options must be given.",
   "limits": "Gdy optymalizuje się wyłącznie zwrot, gradient zakończenia z czasem skraca opcje, bo do rozwiązania zadania wystarczą elementarne akcje; autorzy option-critic dodają mały margines w funkcji przewagi, by opcje trwały dłużej. Polityki wewnętrzne szybko stają się deterministyczne i wymagają regularyzacji entropią. Metody oparte na ręcznych podcelach są kosztowne w danych i obliczeniach i trudno je skalować.",
   "limits_en": "When only the return is optimised, the termination gradient shrinks options over time, because primitive actions suffice to solve the task; the option-critic authors add a small margin to the advantage so options last longer. Internal policies quickly become deterministic and need entropy regularisation. Methods built on hand-made subgoals are costly in data and computation and hard to scale.",
   "terms": [
    {
     "gloss": "Rozszerzona w czasie akcja: warunek startu, własna polityka i funkcja zakończenia.",
     "term": "opcja"
    },
    {
     "gloss": "Polityka wyższego poziomu wybierająca, którą opcję uruchomić.",
     "term": "polityka nad opcjami"
    },
    {
     "gloss": "Proces, w którym jedna decyzja może trwać wiele kroków czasu.",
     "term": "półmarkowowski proces decyzyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A temporally extended action: an initiation condition, its own policy and a termination function.",
     "term": "option"
    },
    {
     "gloss": "The higher-level policy choosing which option to run.",
     "term": "policy over options"
    },
    {
     "gloss": "A process in which one decision can last many time steps.",
     "term": "semi-Markov decision process"
    }
   ],
   "prereq": [
    "policygradient",
    "mdp"
   ],
   "keywords": [
    "options framework",
    "option-critic",
    "semi-MDP",
    "feudal networks",
    "HIRO",
    "skill discovery",
    "temporal abstraction",
    "subgoals"
   ],
   "source_ids": [
    "option-critic-2016"
   ],
   "url": "https://aiatlasgraph.com/t/hierarchicalrl",
   "markdown_url": "https://aiatlasgraph.com/t/hierarchicalrl.md",
   "updated": "2026-10-30"
  },
  "hierclustering": {
   "id": "hierclustering",
   "parent_id": "clustering",
   "label": "Klasteryzacja hierarchiczna",
   "canonical_name": "Hierarchical clustering",
   "description": "Buduje drzewo grup przez stopniowe łączenie najbliższych (lub dzielenie największych); poziom podziału wybiera się z dendrogramu.",
   "description_en": "Builds a tree of groups by gradually merging the closest ones (or splitting the largest); the cut level is chosen from a dendrogram.",
   "examples": "aglomeracyjna · metoda Warda · dendrogram",
   "examples_en": "agglomerative · Ward linkage · dendrogram",
   "plain": "To tworzenie drzewa podobnych grup, które można oglądać od ogólnego podziału po drobne szczegóły.",
   "plain_en": "This builds a tree of similar groups that can be viewed from broad divisions down to small details.",
   "solves": "Jeden podział danych nie pokazuje, które grupy są do siebie podobne ani jak dzielą się na mniejsze.",
   "solves_en": "A single data partition does not show which groups resemble one another or how they divide into smaller groups.",
   "does": "Stopniowo łączy podobne grupy albo dzieli je na mniejsze, zapisując związki w drzewie, z którego wybierasz poziom szczegółowości.",
   "does_en": "It gradually merges similar groups or splits them, recording their relationships in a tree whose level of detail you can choose.",
   "example": "Dokumenty tworzą duże grupy tematyczne, które rozwijasz na mniejsze podgrupy, żeby znaleźć podobne raporty w ramach jednego tematu.",
   "example_en": "Documents form broad topic groups that you expand into smaller subgroups to find similar reports within a topic.",
   "for_you": [
    "chcesz oglądać podobieństwa na różnych poziomach szczegółowości",
    "nie chcesz od razu ustalać jednego podziału"
   ],
   "for_you_en": [
    "want similarities shown at different levels of detail",
    "do not want to commit to one partition immediately"
   ],
   "how": "Klastry łączy się lub dzieli według reguły porównującej grupy punktów. Historia operacji tworzy dendrogram, którego przecięcie na wybranym poziomie wyznacza końcowy podział.",
   "how_en": "Clusters are merged or divided according to a rule comparing point groups. The operation history forms a dendrogram, whose cut at a chosen level defines the final partition.",
   "limits": "Reguła łączenia może dawać łańcuchy albo zwarte grupy dla tych samych danych. Wczesne decyzje bywają nieodwracalne, a obliczenia odległości są kosztowne dla dużych prób.",
   "limits_en": "Linkage rules can yield chains or compact groups from the same data. Early decisions may be irreversible, and distance computations become costly on large samples.",
   "terms": [
    {
     "gloss": "Reguła wyliczania odległości między grupami punktów.",
     "term": "linkage"
    },
    {
     "gloss": "Drzewo pokazujące kolejność i poziomy łączenia lub dzielenia grup.",
     "term": "dendrogram"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule computing distances between groups of points.",
     "term": "linkage"
    },
    {
     "gloss": "A tree showing the order and levels of group merges or splits.",
     "term": "dendrogram"
    }
   ],
   "prereq": [
    "linearalgebra"
   ],
   "keywords": [
    "agglomerative clustering",
    "Ward linkage",
    "complete linkage",
    "single linkage",
    "dendrograms"
   ],
   "source_ids": [
    "sklearn-clustering"
   ],
   "url": "https://aiatlasgraph.com/t/hierclustering",
   "markdown_url": "https://aiatlasgraph.com/t/hierclustering.md",
   "updated": "2026-10-30"
  },
  "hintgen": {
   "id": "hintgen",
   "parent_id": "tutoring",
   "label": "Automatyczne generowanie podpowiedzi",
   "canonical_name": "Automatic hint generation",
   "aliases": [
    "hint generation",
    "next-step hints",
    "data-driven hints",
    "Hint Factory",
    "podpowiedzi w systemach tutorskich",
    "scaffolding hints"
   ],
   "description": "Generowanie kolejnych, coraz bardziej szczegółowych podpowiedzi w systemach tutorskich: od metod opartych na rozwiązaniach innych uczniów po modele językowe.",
   "description_en": "Generating successive, increasingly specific hints in tutoring systems: from methods built on other learners' solutions to language models.",
   "plain": "Tworzenie podpowiedzi, które naprowadzają ucznia na rozwiązanie, zamiast podawać gotową odpowiedź.",
   "plain_en": "Creating hints that steer a learner towards the solution instead of handing over the answer.",
   "solves": "Gdy uczeń utknie, gotowa odpowiedź niczego go nie uczy, a nauczyciel nie może siedzieć przy każdym.",
   "solves_en": "When a learner gets stuck, a ready answer teaches nothing, and a teacher cannot sit next to everyone.",
   "does": "Jak dobry korepetytor: najpierw pyta naprowadzająco, potem wskazuje miejsce błędu, a rozwiązanie zdradza na samym końcu.",
   "does_en": "Like a good tutor: first a guiding question, then pointing to where the mistake is, and only at the very end the solution.",
   "example": "Przy zadaniu z programowania zamiast poprawionego kodu pojawia się pytanie: co stanie się z pętlą, gdy lista będzie pusta?",
   "example_en": "On a programming exercise, instead of fixed code a question appears: what happens to the loop when the list is empty?",
   "for_you": [
    "utknąłeś w zadaniu i chcesz pomocy bez gotowca",
    "projektujesz ćwiczenia z podpowiedziami",
    "uczysz się z pomocą czatu z AI"
   ],
   "for_you_en": [
    "are stuck on a task and want help without the answer",
    "design exercises with hints",
    "learn with the help of an AI chat"
   ],
   "how": "Metody oparte na danych wykorzystują wcześniejsze ścieżki rozwiązań uczniów, by wskazać kolejny krok podobny do kroków prowadzących do poprawnego wyniku; w zadaniach programistycznych stosuje się także podejścia oparte na edycjach kodu. Modele językowe mogą tworzyć podpowiedź z treści zadania i próby ucznia, lecz wymagają reguł pedagogicznych oraz sprawdzania poprawności.",
   "how_en": "Data-driven methods use earlier learner solution paths to suggest a next step similar to steps that led to a correct result; programming tasks also use code-edit-based approaches. Language models can generate a hint from the task and the learner's attempt, but they require pedagogical constraints and correctness checks.",
   "limits": "Podpowiedź łatwo zrobić zbyt ogólną albo zbyt zdradzającą. Modele językowe bywają błędne i pewne siebie, a uczniowie potrafią przeklikać podpowiedzi aż do odpowiedzi. Trudno zmierzyć, czy podpowiedź rzeczywiście uczy.",
   "limits_en": "A hint is easily too vague or too revealing. Language models can be wrong and confident, and learners can click through hints until they reach the answer. It is hard to measure whether a hint actually teaches.",
   "terms": [
    {
     "gloss": "Ostatnia podpowiedź w serii, która podaje rozwiązanie wprost.",
     "term": "bottom-out hint"
    },
    {
     "gloss": "Tymczasowe wsparcie, które stopniowo się wycofuje.",
     "term": "scaffolding"
    },
    {
     "gloss": "Podpowiedzi wyliczone z rozwiązań wielu wcześniejszych uczniów.",
     "term": "data-driven hints"
    }
   ],
   "terms_en": [
    {
     "gloss": "The last hint in a series, which gives the solution outright.",
     "term": "bottom-out hint"
    },
    {
     "gloss": "Temporary support that is gradually withdrawn.",
     "term": "scaffolding"
    },
    {
     "gloss": "Hints computed from many earlier learners' solutions.",
     "term": "data-driven hints"
    }
   ],
   "prereq": [
    "promptstructure"
   ],
   "keywords": [
    "Hint Factory",
    "bottom-out hint",
    "scaffolding",
    "Socratic questioning",
    "next-step hints",
    "automated program repair",
    "LLM tutoring",
    "help-seeking"
   ],
   "source_ids": [
    "jangra-hintgen-survey-2024",
    "messer-autograding-review-2023"
   ],
   "url": "https://aiatlasgraph.com/t/hintgen",
   "markdown_url": "https://aiatlasgraph.com/t/hintgen.md",
   "updated": "2026-10-30"
  },
  "hjepa": {
   "id": "hjepa",
   "parent_id": "jepa",
   "label": "Hierarchiczne JEPA (H-JEPA)",
   "canonical_name": "Hierarchical Joint Embedding Predictive Architectures (H-JEPA)",
   "description": "Rozszerzenie JEPA o planowanie na wielu poziomach abstrakcji, z osobnymi reprezentacjami dla różnych skal czasowych.",
   "description_en": "An extension of JEPA with planning at multiple levels of abstraction, using separate representations for different timescales.",
   "plain": "To sposób, w którym model planuje zarówno duże cele, jak i małe kroki, używając różnych poziomów opisu świata.",
   "plain_en": "A way for a model to plan both big goals and small steps, using different levels of describing the world.",
   "solves": "Płaskie modele świata mają problem z planowaniem długoterminowym i krótkoterminowym jednocześnie.",
   "solves_en": "Flat world models struggle to handle long-term and short-term planning at the same time.",
   "does": "Używa oddzielnych reprezentacji do planowania na wysokim poziomie (cele) i niskim poziomie (konkretne ruchy).",
   "does_en": "It uses separate representations to plan at a high level (goals) and a low level (specific movements).",
   "example": "Robot planuje drogę przez budynek na wysokim poziomie, a jednocześnie steruje każdym krokiem na niskim.",
   "example_en": "A robot plans a path through a building at a high level while controlling each step at a low level.",
   "for_you": [
    "interesuje Cię wielopoziomowe planowanie w modelach świata",
    "chcesz lepiej łączyć abstrakcję z działaniem"
   ],
   "for_you_en": [
    "are interested in multi-level planning in world models",
    "want to better combine abstraction with action"
   ],
   "how": "H-JEPA uczy hierarchicznych reprezentacji, w których wyższe poziomy przewidują abstrakcyjne cele, a niższe przekładają je na konkretne sekwencje działań.",
   "how_en": "H-JEPA learns hierarchical representations where higher levels predict abstract goals and lower levels translate them into concrete action sequences.",
   "limits": "Wczesna praca badawcza; wymaga dalszej weryfikacji poza środowiskami symulacyjnymi.",
   "limits_en": "Early research work; needs further verification outside simulated environments.",
   "terms": [
    {
     "gloss": "Rozkładanie decyzji na poziomy od ogólnych celów do konkretnych akcji.",
     "term": "planowanie hierarchiczne"
    }
   ],
   "terms_en": [
    {
     "gloss": "Breaking decisions into levels from general goals to specific actions.",
     "term": "hierarchical planning"
    }
   ],
   "prereq": [
    "jepa"
   ],
   "keywords": [
    "H-JEPA",
    "hierarchical world models",
    "multi-level planning",
    "JEPA"
   ],
   "source_ids": [],
   "url": "https://aiatlasgraph.com/t/hjepa",
   "markdown_url": "https://aiatlasgraph.com/t/hjepa.md",
   "updated": "2026-10-30"
  },
  "hmm": {
   "id": "hmm",
   "parent_id": "probabilistic",
   "label": "Ukryte modele Markowa i filtrowanie",
   "canonical_name": "Hidden Markov models and filtering",
   "description": "Modele zmiennych ukrytych zmieniających się w czasie; śledzenie stanu z zaszumionych obserwacji.",
   "description_en": "Models of hidden variables that change over time; tracking state from noisy observations.",
   "examples": "HMM · algorytm Viterbiego · filtr cząsteczkowy · filtr Kalmana",
   "examples_en": "HMM · Viterbi algorithm · particle filter · Kalman filter",
   "plain": "To modele śledzące zmieniającą się sytuację na podstawie kolejnych, często niedokładnych obserwacji.",
   "plain_en": "These models track a changing situation using successive observations that may be inaccurate.",
   "solves": "Bieżący pomiar bywa zaszumiony, a faktyczna sytuacja pozostaje ukryta i może zmieniać się w czasie.",
   "solves_en": "A current measurement can be noisy, while the actual situation remains hidden and changes over time.",
   "does": "Łączy przewidywanie następnego stanu na podstawie poprzedniego z nowymi odczytami, żeby aktualizować oszacowanie ukrytej sytuacji.",
   "does_en": "It combines predictions of the next state from the previous one with new readings to update an estimate of the hidden situation.",
   "example": "Telefon szacuje twoją pozycję, łącząc dotychczasowy ruch z nowymi odczytami lokalizacji, które czasem wskazują skoki w bok.",
   "example_en": "Your phone estimates your position by combining previous movement with new location readings that sometimes jump sideways.",
   "for_you": [
    "śledzisz zmiany z niedokładnych pomiarów",
    "chcesz szacować to, czego nie da się obserwować wprost"
   ],
   "for_you_en": [
    "track changes using imperfect measurements",
    "want to estimate things you cannot observe directly"
   ],
   "how": "Ukryty stan zmienia się według rozkładu przejść, a obserwacje powstają z rozkładu emisji. Filtrowanie łączy przewidywanie następnego stanu z aktualizacją na podstawie obserwacji; wygładzanie uwzględnia też późniejsze pomiary.",
   "how_en": "Hidden states evolve through transition distributions, and observations follow emission distributions. Filtering combines next-state prediction with observation-based updates; smoothing also uses later measurements.",
   "limits": "Markowowski opis i warunkowa niezależność obserwacji bywają zbyt proste. Długi zapis wymaga stabilnej arytmetyki, a niewłaściwa liczba stanów ukrytych ogranicza dopasowanie.",
   "limits_en": "Markov structure and conditional observation independence can be too simplistic. Long sequences need numerically stable arithmetic, and unsuitable hidden-state counts limit fit.",
   "terms": [
    {
     "gloss": "Rozkład obserwacji zależny od aktualnego stanu ukrytego.",
     "term": "emisja"
    },
    {
     "gloss": "Estymacja bieżącego stanu z obserwacji dostępnych do obecnej chwili.",
     "term": "filtrowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "The observation distribution conditioned on the current hidden state.",
     "term": "emission"
    },
    {
     "gloss": "Estimating current state from observations available up to now.",
     "term": "filtering"
    }
   ],
   "prereq": [
    "bayesnets",
    "mdp"
   ],
   "keywords": [
    "Viterbi algorithm",
    "forward-backward algorithm",
    "Kalman filter",
    "particle filter",
    "emission probabilities"
   ],
   "source_ids": [
    "cs188fa25",
    "aima4",
    "slp3-hmm"
   ],
   "url": "https://aiatlasgraph.com/t/hmm",
   "markdown_url": "https://aiatlasgraph.com/t/hmm.md",
   "updated": "2026-10-30"
  },
  "hourglassdit": {
   "id": "hourglassdit",
   "parent_id": "pixeldiffusion",
   "label": "Klepsydrowy transformer dyfuzyjny",
   "canonical_name": "Hourglass diffusion transformer",
   "aliases": [
    "HDiT",
    "hourglass DiT",
    "hourglass diffusion transformer",
    "klepsydrowy DiT"
   ],
   "description": "Transformer o kształcie klepsydry, skalujący się liniowo z liczbą pikseli.",
   "description_en": "An hourglass-shaped transformer that scales linearly with pixel count.",
   "plain": "Sieć uwagi zwęża obraz w środku obliczeń i rozszerza go z powrotem, żeby nie liczyć pełnej mapy na każdym piętrze.",
   "plain_en": "The attention network narrows the image mid-computation and widens it again, avoiding a full map at every level.",
   "solves": "Porównywanie każdego punktu dużego obrazu z każdym innym zżera pamięć, zanim model w ogóle zacznie rysować.",
   "solves_en": "Comparing every point of a large image with every other point eats memory before drawing even starts.",
   "does": "Najcięższa uwaga działa na zmniejszonej mapie, a warstwy przy wejściu i wyjściu pilnują drobnych szczegółów.",
   "does_en": "The heaviest attention runs on a reduced map, while layers at the input and output keep fine detail.",
   "example": "Generator ma narysować twarz w wysokiej ostrości, ale bez skrótu obrazu i bez drabiny osobnych modeli.",
   "example_en": "A generator must draw a face at high sharpness, without an image code and without a ladder of separate models.",
   "for_you": [
    "pełna uwaga nie mieści się w pamięci",
    "chcesz jeden model na wysoką rozdzielczość",
    "porównujesz sieć uwagi z siecią splotową"
   ],
   "for_you_en": [
    "full attention does not fit in memory",
    "want one model for high resolution",
    "compare an attention net with a convolutional net"
   ],
   "how": "HDiT skraca sekwencję reprezentacji na kolejnych poziomach hierarchii, stosuje lokalną uwagę na dużych mapach i globalną uwagę na najmniejszej, a następnie rozszerza reprezentację z połączeniami omijającymi. Dzięki temu koszt skaluje się liniowo z liczbą pikseli i model może trenować bez latentnego autoenkodera.",
   "how_en": "HDiT shortens the representation sequence across hierarchy levels, uses local attention on large maps and global attention at the smallest level, then expands the representation with skip connections. This gives linear scaling with pixel count and allows training without a latent autoencoder.",
   "limits": "Koszt nadal rośnie wraz z liczbą pikseli, a wydajna implementacja korzysta ze specjalizowanej uwagi sąsiedztwa i FlashAttention. Opublikowane wyniki dotyczą głównie ImageNet 256² i FFHQ 1024², więc nie dowodzą jakości dla dowolnego warunkowania tekstowego.",
   "limits_en": "Cost still grows with pixel count, and the efficient implementation uses specialised neighbourhood attention and FlashAttention. Published results focus mainly on ImageNet 256² and FFHQ 1024², so they do not establish quality for arbitrary text conditioning.",
   "terms": [
    {
     "gloss": "Sieć, która najpierw zmniejsza mapę, a potem ją z powrotem rozszerza.",
     "term": "klepsydra"
    },
    {
     "gloss": "Dokładanie własnej poprzedniej prognozy jako dodatkowego wejścia.",
     "term": "self-conditioning"
    },
    {
     "gloss": "Koszt rośnie proporcjonalnie do liczby punktów, a nie do jej kwadratu.",
     "term": "skalowanie liniowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "A network that first shrinks the map, then expands it again.",
     "term": "hourglass"
    },
    {
     "gloss": "Feeding the model's own previous prediction back in as an extra input.",
     "term": "self-conditioning"
    },
    {
     "gloss": "Cost grows in proportion to the point count, not to its square.",
     "term": "linear scaling"
    }
   ],
   "prereq": [
    "dit",
    "ddpm"
   ],
   "keywords": [
    "HDiT",
    "hourglass transformer",
    "pixel-space DiT",
    "linear scaling",
    "U-Net transformer",
    "high-resolution ImageNet"
   ],
   "source_ids": [
    "hdit-2024"
   ],
   "url": "https://aiatlasgraph.com/t/hourglassdit",
   "markdown_url": "https://aiatlasgraph.com/t/hourglassdit.md",
   "updated": "2026-10-30"
  },
  "hptuning": {
   "id": "hptuning",
   "parent_id": "modelselection",
   "label": "Strojenie hiperparametrów",
   "canonical_name": "Hyperparameter tuning",
   "aliases": [
    "hyperparameter tuning",
    "hyperparameter optimization",
    "HPO",
    "strojenie hiperparametrów",
    "optymalizacja hiperparametrów"
   ],
   "description": "Szukanie ustawień modelu, których nie uczy się z danych (głębokość drzewa, siła regularyzacji, learning rate), na podstawie wyników walidacji.",
   "description_en": "Searching for model settings that are not learned from data (tree depth, regularisation strength, learning rate) using validation results.",
   "examples": "grid search · random search · optymalizacja bayesowska · Optuna",
   "examples_en": "grid search · random search · Bayesian optimisation · Optuna",
   "plain": "To wybieranie ustawień sterujących modelem i jego nauką przez porównywanie wyników prób.",
   "plain_en": "This chooses settings controlling a model and its learning by comparing trial results.",
   "solves": "Te same dane i ten sam rodzaj modelu mogą dać różne wyniki zależnie od ustawień wybranych przed nauką.",
   "solves_en": "The same data and model type can produce different results depending on settings chosen before learning.",
   "does": "Próbuje różnych ustawień, takich jak złożoność modelu lub tempo nauki, i ocenia je na osobnych danych sprawdzających.",
   "does_en": "It tries settings such as model complexity or learning speed and evaluates them on separate validation data.",
   "example": "Sprawdzasz różne maksymalne długości ciągu pytań w modelu przewidującym zwroty i wybierasz ustawienie najlepiej działające na danych sprawdzających.",
   "example_en": "You test different limits on a model's question sequence when predicting returns and select the setting that performs best on validation data.",
   "for_you": [
    "musisz wybrać ustawienia przed rozpoczęciem nauki",
    "chcesz porównać warianty tego samego rodzaju modelu"
   ],
   "for_you_en": [
    "need to choose settings before learning begins",
    "want to compare variants of the same model type"
   ],
   "how": "Przestrzeń ustawień przeszukuje się losowo, siatką lub adaptacyjnym modelem wyników poprzednich prób. Każdy kandydat trenuje osobny model, a niezależna metryka i budżet decydują o kontynuacji oraz wyborze konfiguracji.",
   "how_en": "Settings are searched randomly, by grid or through an adaptive model of previous trial results. Each candidate trains a model, while an independent metric and budget guide continuation and selection.",
   "limits": "Dobry wynik jednej próby może wynikać z losowości. Wiele prób przeucza wybór do walidacji, a zależne parametry i różne koszty utrudniają porównania.",
   "limits_en": "One trial's strong score can result from randomness. Many trials overfit selection to validation, while dependent parameters and differing costs complicate comparisons.",
   "terms": [
    {
     "gloss": "Zbiór dopuszczalnych ustawień i zależności między nimi.",
     "term": "przestrzeń poszukiwań"
    },
    {
     "gloss": "Dobór następnych prób za pomocą modelu niepewnych wyników funkcji celu.",
     "term": "optymalizacja bayesowska"
    }
   ],
   "terms_en": [
    {
     "gloss": "The set of allowed settings and their dependencies.",
     "term": "search space"
    },
    {
     "gloss": "Selecting further trials using a model of uncertain objective outcomes.",
     "term": "Bayesian optimisation"
    }
   ],
   "prereq": [
    "crossval",
    "evalstats"
   ],
   "keywords": [
    "GridSearchCV",
    "RandomizedSearchCV",
    "Bayesian optimization",
    "Optuna",
    "successive halving",
    "Hyperband",
    "Population Based Training",
    "CMA-ES"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "akiba-optuna-2019"
   ],
   "url": "https://aiatlasgraph.com/t/hptuning",
   "markdown_url": "https://aiatlasgraph.com/t/hptuning.md",
   "updated": "2026-10-30"
  },
  "hri": {
   "id": "hri",
   "parent_id": "robotics",
   "label": "Współpraca człowieka z robotem",
   "canonical_name": "Human-robot interaction and collaboration",
   "aliases": [
    "human-robot interaction",
    "HRI",
    "human-robot collaboration",
    "HRC",
    "interakcja człowiek–robot",
    "współpraca człowiek–robot"
   ],
   "description": "Badania i techniki interakcji robotów z ludźmi: bezpieczeństwo fizycznego kontaktu, współdzielona kontrola, komunikacja intencji i interakcja językowa.",
   "description_en": "Research and techniques for robots interacting with people: physical contact safety, shared control, intention communication and language interaction.",
   "plain": "Dział robotyki, który bada, jak roboty mają bezpiecznie i wygodnie pracować obok ludzi, słuchać ich i dzielić się z nimi zadaniami.",
   "plain_en": "The part of robotics that studies how robots can work safely and comfortably beside people, listen to them and share tasks.",
   "solves": "Przemysłowe roboty pracowały w klatkach, bo przy człowieku były groźne, a dziś mają pomagać w domach, szpitalach i halach pełnych ludzi.",
   "solves_en": "Industrial robots worked inside cages because they were dangerous near people, yet now they must help in homes, hospitals and busy halls.",
   "does": "Uczy robota zachowywać się jak dobry współpracownik: przewidywać zamiary, ustępować miejsca i reagować na słowa oraz dotyk.",
   "does_en": "It teaches a robot to act like a good colleague: anticipate intentions, give way and respond to words and touch.",
   "example": "Pracownik montuje element, a ramię obok podtrzymuje ciężką część i zwalnia, gdy człowiek sięga w jego stronę.",
   "example_en": "A worker fits a component while an arm beside them holds a heavy part and slows when the person reaches towards it.",
   "for_you": [
    "robot ma pracować w tym samym miejscu co ludzie",
    "sterujesz robotem zdalnie albo joystickiem",
    "projektujesz, jak ludzie rozmawiają z maszynami"
   ],
   "for_you_en": [
    "need a robot to work in the same space as people",
    "control a robot remotely or with a joystick",
    "design how people talk to machines"
   ],
   "how": "Łączy ograniczanie sił i prędkości przy kontakcie, monitorowanie odległości od człowieka, wnioskowanie o celu użytkownika z jego ruchów i sygnałów oraz kanały komunikacji: mowę, gesty, światło i ruch robota. Modele językowe coraz częściej rozumieją polecenia i kontekst społeczny, a badania z użytkownikami oceniają zaufanie i komfort.",
   "how_en": "It combines limiting force and speed in contact, monitoring separation from people, inferring the user's goal from their movements and signals, and communication channels: speech, gestures, lights and robot motion. Language models increasingly interpret instructions and social context, and user studies assess trust and comfort.",
   "limits": "Wyniki badań z ludźmi trudno porównywać, bo procedury i miary są różne. Bezpieczne ograniczenia spowalniają pracę. Modele językowe mogą błędnie zrozumieć polecenie, a robot fizycznie wykona ten błąd.",
   "limits_en": "Human-study results are hard to compare because procedures and metrics differ. Safety limits slow work down. Language models can misread an instruction, and the robot then physically carries out the mistake.",
   "terms": [
    {
     "gloss": "Robot zaprojektowany do pracy obok ludzi bez wygrodzenia.",
     "term": "kobot"
    },
    {
     "gloss": "Człowiek i automat razem decydują o ruchu robota.",
     "term": "współdzielona kontrola"
    },
    {
     "gloss": "Ruch robota, z którego człowiek łatwo odgadnie jego zamiar.",
     "term": "czytelność ruchu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A robot designed to work beside people without fencing.",
     "term": "cobot"
    },
    {
     "gloss": "Human and automation jointly decide the robot's motion.",
     "term": "shared control"
    },
    {
     "gloss": "Robot motion from which a person easily guesses its intent.",
     "term": "legibility"
    }
   ],
   "prereq": [
    "ux"
   ],
   "keywords": [
    "HRI",
    "human-robot collaboration",
    "cobots",
    "ISO 10218",
    "ISO/TS 15066",
    "shared autonomy",
    "teleoperation",
    "intent inference",
    "legible motion",
    "LLM-based HRI"
   ],
   "source_ids": [
    "hri-llm-review-2026",
    "shared-autonomy-hindsight-2015"
   ],
   "url": "https://aiatlasgraph.com/t/hri",
   "markdown_url": "https://aiatlasgraph.com/t/hri.md",
   "updated": "2026-10-30"
  },
  "htngames": {
   "id": "htngames",
   "parent_id": "gamecharacters",
   "label": "Hierarchiczne planowanie zadań postaci (HTN)",
   "canonical_name": "Hierarchical task network planning for game characters",
   "aliases": [
    "HTN",
    "HTN planner",
    "hierarchical task network",
    "sieć zadań hierarchicznych",
    "planowanie HTN"
   ],
   "description": "Planer, który rozkłada zadania złożone na prymitywne według metod z warunkami, symulując efekty akcji na kopii stanu świata.",
   "description_en": "A planner that decomposes compound tasks into primitive ones via conditioned methods, simulating action effects on a copy of the world state.",
   "plain": "Postać rozbija duże zadanie, np. „pokonaj gracza”, na mniejsze kroki według przepisów przygotowanych przez projektanta.",
   "plain_en": "A character breaks a big task, like 'defeat the player', into smaller steps following recipes the designer prepared.",
   "solves": "Postacie planujące wszystko od zera bywają powolne i nieprzewidywalne, a sztywne skrypty nie radzą sobie z niespodziankami.",
   "solves_en": "Characters that plan everything from scratch can be slow and unpredictable, while rigid scripts fail at surprises.",
   "does": "Działa jak książka kucharska z wariantami: jeśli brakuje składnika, bierze kolejny przepis na to samo danie.",
   "does_en": "It works like a cookbook with variants: if an ingredient is missing, it takes the next recipe for the same dish.",
   "example": "Troll w grze akcji traci pień, którym walczy, więc najpierw wyrywa nowe drzewo, a dopiero potem wraca do ataku.",
   "example_en": "A troll in an action game loses the tree trunk it fights with, so it uproots a new tree before returning to the attack.",
   "for_you": [
    "chcesz przeciwników, którzy myślą kilka kroków naprzód",
    "porównujesz planowanie celami z drzewami zachowań",
    "budujesz AI w dużej grze akcji"
   ],
   "for_you_en": [
    "want enemies that think a few steps ahead",
    "compare goal planning with behaviour trees",
    "build AI for a large action game"
   ],
   "how": "Zadanie złożone ma metody próbowane w kolejności priorytetu; pierwsza o spełnionych warunkach rozkłada się na podzadania. Zadania prymitywne mają warunki i efekty stosowane do roboczej kopii stanu, więc planer widzi skutki z wyprzedzeniem. Wykonawca uruchamia plan i przeplanowuje, gdy krok zawiedzie lub czujnik zmieni stan.",
   "how_en": "A compound task has methods tried in priority order; the first with satisfied conditions decomposes into subtasks. Primitive tasks have preconditions and effects applied to a working copy of the state, so the planner foresees consequences. A runner executes the plan and replans when a step fails or a sensor changes the state.",
   "limits": "Jakość zależy od ręcznie zapisanej wiedzy w metodach, więc domena wymaga pracy projektanta. Przeszukiwanie w głąb może badać dużą część domeny. Przeplanowanie przy zmianach świata bywa źródłem subtelnych błędów, np. przerwanych animacji.",
   "limits_en": "Quality depends on hand-written knowledge in methods, so the domain takes designer effort. Depth-first search may explore much of the domain. Replanning on world changes can cause subtle bugs, such as interrupted animations.",
   "terms": [
    {
     "gloss": "Cel wysokiego poziomu, który ma kilka sposobów wykonania.",
     "term": "zadanie złożone"
    },
    {
     "gloss": "Jeden przepis rozkładu zadania złożonego na mniejsze kroki.",
     "term": "metoda"
    },
    {
     "gloss": "Pojedyncza czynność, którą postać może od razu wykonać.",
     "term": "zadanie prymitywne"
    }
   ],
   "terms_en": [
    {
     "gloss": "A high-level goal with several ways of being done.",
     "term": "compound task"
    },
    {
     "gloss": "One recipe for decomposing a compound task into smaller steps.",
     "term": "method"
    },
    {
     "gloss": "A single action the character can carry out directly.",
     "term": "primitive task"
    }
   ],
   "prereq": [
    "classicalplanning"
   ],
   "keywords": [
    "hierarchical task network",
    "task decomposition",
    "forward decomposition",
    "Fluid HTN",
    "SHOP2",
    "method traversal record",
    "partial planning",
    "Horizon Zero Dawn AI"
   ],
   "source_ids": [
    "humphreys-htn-gaipro-2013"
   ],
   "url": "https://aiatlasgraph.com/t/htngames",
   "markdown_url": "https://aiatlasgraph.com/t/htngames.md",
   "updated": "2026-10-30"
  },
  "humanoids": {
   "id": "humanoids",
   "parent_id": "robotics",
   "label": "Lokomocja i roboty humanoidalne",
   "canonical_name": "Legged locomotion and humanoid robots",
   "aliases": [
    "humanoid robots",
    "humanoids",
    "legged robots",
    "roboty humanoidalne",
    "roboty kroczące",
    "humanoidy"
   ],
   "description": "Roboty kroczące i humanoidy: od modelowego sterowania kontaktem po polityki RL i naśladowanie ludzkiego ruchu dla lokomocji z manipulacją.",
   "description_en": "Legged robots and humanoids: from model-based contact control to RL policies and human-motion imitation for loco-manipulation.",
   "plain": "Roboty chodzące na nogach – czworonożne i człekokształtne – oraz sposoby uczenia ich ruchu i pracy rękami.",
   "plain_en": "Robots that walk on legs—four-legged and human-shaped—and ways of teaching them to move and work with their hands.",
   "solves": "Świat zbudowano pod ludzi: schody, progi i półki są trudne dla kół, a ręczne zaprogramowanie chodu i równowagi jest żmudne.",
   "solves_en": "The world is built for people: stairs, thresholds and shelves defeat wheels, and hand-coding gait and balance is tedious.",
   "does": "Łączy dawne modele fizyki ciała z uczeniem w symulacji i naśladowaniem nagrań ruchu ludzi.",
   "does_en": "It combines older physics-of-the-body models with learning in simulation and imitating recordings of human movement.",
   "example": "Robot człekokształtny wchodzi po schodach magazynu, chwyta skrzynkę z półki i odnosi ją, nie tracąc równowagi.",
   "example_en": "A humanoid robot climbs warehouse stairs, takes a crate from a shelf and carries it away without losing balance.",
   "for_you": [
    "śledzisz, co naprawdę potrafią dziś humanoidy",
    "budujesz robota kroczącego",
    "chcesz rozumieć, jak maszyna utrzymuje równowagę w ruchu"
   ],
   "for_you_en": [
    "follow what humanoids can really do today",
    "build a legged robot",
    "want to understand how a machine balances while moving"
   ],
   "how": "Podejścia modelowe łączą planowanie kontaktów, planowanie ruchu i sterowanie całym ciałem. Podejścia uczone trenują polityki RL lub imitacyjne w symulacji, często ze śledzeniem ruchu ludzi, a następnie przenoszą je na sprzęt.",
   "how_en": "Model-based approaches combine contact planning, motion planning and whole-body control. Learning-based approaches train RL or imitation policies in simulation, often by tracking human motion, and then transfer them to hardware.",
   "limits": "Upadki niszczą drogi sprzęt, a symulacja kontaktu stóp i dłoni jest niedokładna. Pokazy w filmach promocyjnych bywają teleoperowane lub wyselekcjonowane. Niezawodność i czas pracy na baterii nadal ograniczają wdrożenia.",
   "limits_en": "Falls damage expensive hardware, and foot and hand contact simulation is inaccurate. Promotional demos may be teleoperated or cherry-picked. Reliability and battery life still limit deployment.",
   "terms": [
    {
     "gloss": "Jednoczesne chodzenie i działanie rękami, np. niesienie skrzynki po schodach.",
     "term": "lokomanipulacja"
    },
    {
     "gloss": "Uproszczony model ciała robota używany do utrzymania równowagi.",
     "term": "odwrócone wahadło"
    },
    {
     "gloss": "Punkt, który musi leżeć w obrysie stóp, by robot nie upadł.",
     "term": "punkt zerowego momentu (ZMP)"
    }
   ],
   "terms_en": [
    {
     "gloss": "Walking and using hands at once, e.g. carrying a crate upstairs.",
     "term": "loco-manipulation"
    },
    {
     "gloss": "A simplified body model used to keep balance.",
     "term": "inverted pendulum"
    },
    {
     "gloss": "A point that must stay within the foot outline to avoid falling.",
     "term": "zero-moment point (ZMP)"
    }
   ],
   "prereq": [
    "ppo",
    "mathoptimization"
   ],
   "keywords": [
    "whole-body control",
    "loco-manipulation",
    "contact planning",
    "motion retargeting",
    "reinforcement learning",
    "imitation learning",
    "legged robots",
    "humanoid robots"
   ],
   "source_ids": [
    "humanoid-hlm-survey-2026",
    "humanplus-2024",
    "legged-gym-2021"
   ],
   "url": "https://aiatlasgraph.com/t/humanoids",
   "markdown_url": "https://aiatlasgraph.com/t/humanoids.md",
   "updated": "2026-10-30"
  },
  "humanvideo": {
   "id": "humanvideo",
   "parent_id": "robotdata",
   "label": "Uczenie robotów z nagrań ludzi",
   "canonical_name": "Learning robot skills from human videos",
   "aliases": [
    "learning from human videos",
    "egocentric video for robotics",
    "human video pretraining",
    "R3M",
    "nauka z filmów"
   ],
   "description": "Pretrening reprezentacji wizualnych na nagraniach ludzi, często egocentrycznych, aby ułatwić późniejsze uczenie manipulacji przez robota.",
   "description_en": "Pretraining visual representations on human video, often egocentric, to support later robot-manipulation learning.",
   "plain": "Wykorzystanie zwykłych filmów, na których ludzie gotują czy sprzątają, żeby roboty szybciej uczyły się pracy rękami.",
   "plain_en": "Using ordinary videos of people cooking or cleaning to help robots learn hand tasks faster.",
   "solves": "Nagrań robotów jest bardzo mało, a filmów z ludźmi wykonującymi codzienne czynności – ogromnie dużo.",
   "solves_en": "Robot recordings are very scarce, while videos of people doing everyday chores are abundant.",
   "does": "Robot najpierw ogląda, jak ludzie obchodzą się z przedmiotami, i uczy się, na co zwracać uwagę, zanim sam spróbuje.",
   "does_en": "The robot first watches how people handle objects and learns what to pay attention to before trying itself.",
   "example": "Model uczy się reprezentacji z nagrań codziennych czynności ludzi, a potem pomaga robotowi nauczyć się otwierania szuflady z niewielu własnych demonstracji.",
   "example_en": "A model learns representations from videos of people's daily activities, then helps a robot learn drawer opening from a small number of its own demonstrations.",
   "for_you": [
    "masz mało nagrań własnego robota",
    "chcesz wykorzystać filmy jako materiał do nauki maszyn",
    "ciekawi cię, jak roboty uczą się przez obserwację"
   ],
   "for_you_en": [
    "have few recordings of your own robot",
    "want to use videos as training material for machines",
    "wonder how robots learn by watching"
   ],
   "how": "Enkoder obrazu uczy się na wideo ludzi przez kontrastowanie momentów w czasie i dopasowanie obrazu do języka, jak R3M na zbiorze Ego4D. Zamrożoną reprezentację podaje się następnie polityce uczonej z niewielu demonstracji robota.",
   "how_en": "An image encoder learns from human video through temporal contrast and vision-language alignment, as R3M does on Ego4D. The frozen representation is then supplied to a policy trained from a small number of robot demonstrations.",
   "limits": "Ludzka dłoń i chwytak robota działają inaczej, a wideo nie zawiera sił ani akcji silników. Zysk zależy od zadania i może maleć przy dużej ilości danych robotycznych. Ujęcia z filmów różnią się od perspektywy kamer robota.",
   "limits_en": "Human hands and robot grippers work differently, and video lacks forces and motor actions. Gains depend on the task and may shrink with plentiful robot data. Video viewpoints differ from robot camera perspectives.",
   "terms": [
    {
     "gloss": "Film nagrany z perspektywy osoby, np. kamerą na głowie.",
     "term": "wideo egocentryczne"
    },
    {
     "gloss": "Uczenie, że bliskie w czasie klatki powinny mieć podobną reprezentację.",
     "term": "kontrast czasowy"
    },
    {
     "gloss": "Wytrenowana część modelu, której już się nie zmienia.",
     "term": "zamrożony enkoder"
    }
   ],
   "terms_en": [
    {
     "gloss": "Footage recorded from a person's viewpoint, e.g. a head camera.",
     "term": "egocentric video"
    },
    {
     "gloss": "Learning that frames close in time should have similar representations.",
     "term": "time-contrastive learning"
    },
    {
     "gloss": "A trained model part that is no longer updated.",
     "term": "frozen encoder"
    }
   ],
   "prereq": [
    "videounderstanding",
    "representations"
   ],
   "keywords": [
    "R3M",
    "Ego4D",
    "time-contrastive learning",
    "video-language alignment",
    "visual representation learning"
   ],
   "source_ids": [
    "r3m-2022"
   ],
   "url": "https://aiatlasgraph.com/t/humanvideo",
   "markdown_url": "https://aiatlasgraph.com/t/humanvideo.md",
   "updated": "2026-10-30"
  },
  "hybridagents": {
   "id": "hybridagents",
   "parent_id": "agentsnode",
   "label": "Hybrydowe agenty rozumujące",
   "canonical_name": "Hybrid reasoning agents",
   "aliases": [
    "HybridAgents",
    "hybrid latent-text agents",
    "hybrydowe rozumowanie agentów"
   ],
   "description": "Agent przełącza się dynamicznie między rozumowaniem w przestrzeni ukrytej a tekstem do wywołań narzędzi i odpowiedzi.",
   "description_en": "An agent dynamically switches between latent-space reasoning and text for tool calls and answers.",
   "plain": "Agent wykonuje część rozumowania bez wypisywania każdego kroku słowami, a przechodzi do tekstu, gdy używa narzędzia lub odpowiada.",
   "plain_en": "The agent performs part of its reasoning without spelling out every step in words, switching to text when it uses a tool or answers.",
   "solves": "Wypisywanie każdego kroku myślenia słowami jest wolne i drogie, a ukryte myślenie nie umie wywołać narzędzi.",
   "solves_en": "Writing every thinking step as words is slow and costly, while hidden thinking cannot call tools.",
   "does": "Mały moduł przełącza między cichym myśleniem a tekstem, a pamięć trzyma oba rodzaje kontekstu.",
   "does_en": "A small module switches between silent thinking and text, while memory keeps both kinds of context.",
   "example": "Asystent planuje podróż: kilka kroków liczy w ciszy, potem wypisuje zapytanie do wyszukiwarki i na końcu podaje plan.",
   "example_en": "An assistant planning a trip computes several steps silently, then writes a search query and finally gives the plan.",
   "for_you": [
    "agent zużywa dużo tokenów na jawne rozumowanie",
    "potrzebujesz narzędzi w systemie z rozumowaniem ukrytym",
    "badasz kompromis między wydajnością a możliwością audytu"
   ],
   "for_you_en": [
    "the agent spends many tokens on explicit reasoning",
    "you need tools in a system with hidden reasoning",
    "you study the trade-off between efficiency and auditability"
   ],
   "how": "HybridLink, lekki adapter, mapuje ostatnie stany ukryte z powrotem na wejście, umożliwiając ciągłe myślenie bez dekodowania. Wspólna pamięć KV trzyma tekst, myśli ukryte i obserwacje narzędzi. HybridSFT uczy współpracy z przełącznikiem, HybridRL uczy, kiedy myśleć cicho, a kiedy pisać.",
   "how_en": "HybridLink, a lightweight adapter, maps last hidden states back to the input, enabling continuous thought without decoding. A shared KV memory holds text, latent thoughts and tool observations. HybridSFT teaches coordination with the switch, HybridRL teaches when to think silently and when to write.",
   "limits": "Wyniki pochodzą z modeli Qwen3 4B/8B/14B i 11 benchmarków. Implementacja narzuca 16–256 kroków na fragment ukryty, korzysta z automatycznej anotacji i sędziów oraz wymaga zmian w infrastrukturze treningu i inferencji. Deklarowana czytelność stanów ukrytych jest oceniana przez mapowanie do najbliższych tokenów, a nie przez pełny zapis rozumowania.",
   "limits_en": "Results come from Qwen3 4B/8B/14B models and 11 benchmarks. The implementation enforces 16–256 steps per latent span, uses automated annotation and judges, and requires training and inference infrastructure changes. Claimed latent-state readability is evaluated by mapping states to nearest tokens, not by recovering a complete reasoning trace.",
   "terms": [
    {
     "gloss": "Mały adapter przełączający między myśleniem ukrytym a tekstem.",
     "term": "HybridLink"
    },
    {
     "gloss": "Wspólny bufor trzymający tekst, myśli i wyniki narzędzi.",
     "term": "pamięć robocza"
    },
    {
     "gloss": "Ciąg kroków liczonych bez wypisywania słów.",
     "term": "span ukryty"
    }
   ],
   "terms_en": [
    {
     "gloss": "A small adapter switching between latent thinking and text.",
     "term": "HybridLink"
    },
    {
     "gloss": "A shared buffer holding text, thoughts and tool results.",
     "term": "working memory"
    },
    {
     "gloss": "A run of steps computed without writing words.",
     "term": "latent span"
    }
   ],
   "prereq": [
    "latentloops",
    "agentharness",
    "tools"
   ],
   "keywords": [
    "HybridLink",
    "hybrid reasoning",
    "latent tool use",
    "HybridSFT",
    "HybridRL",
    "continuous working memory",
    "token reduction"
   ],
   "source_ids": [
    "zou-hybridagents-2026"
   ],
   "url": "https://aiatlasgraph.com/t/hybridagents",
   "markdown_url": "https://aiatlasgraph.com/t/hybridagents.md",
   "updated": "2026-10-30"
  },
  "hybridattention": {
   "id": "hybridattention",
   "parent_id": "efficientarch",
   "label": "Architektury hybrydowe: uwaga + warstwy liniowe",
   "canonical_name": "Hybrid architectures: attention plus linear/recurrent layers",
   "aliases": [
    "hybrid architecture",
    "hybrid attention",
    "linear attention",
    "uwaga liniowa",
    "Gated DeltaNet",
    "Jamba",
    "Transformer-Mamba hybrid"
   ],
   "description": "Modele łączące warstwy pełnej uwagi z warstwami rekurencyjnymi, przestrzeni stanów lub uwagi liniowej. Warstwy o stanie stałego rozmiaru mogą ograniczać koszt pamięci dla długich sekwencji, a okresowe warstwy pełnej uwagi zachowują bezpośrednie interakcje między odległymi tokenami; szczegółowe proporcje zależą od architektury.",
   "description_en": "Models combining full-attention layers with recurrent, state-space or linear-attention layers. Fixed-size-state layers can reduce memory cost on long sequences, while periodic full-attention layers preserve direct interactions between distant tokens; exact ratios depend on the architecture.",
   "examples": "Jamba (Transformer + Mamba) · Qwen3-Next (Gated DeltaNet + pełna uwaga)",
   "examples_en": "Jamba (Transformer + Mamba) · Qwen3-Next (Gated DeltaNet + full attention)",
   "plain": "To modele łączące warstwy pełnej uwagi z warstwami korzystającymi ze zwartej pamięci lub prostszych powiązań.",
   "plain_en": "These models combine full-attention layers with layers using compact memory or simpler relationships.",
   "solves": "Chcesz pamiętać dalekie szczegóły, ale pełna uwaga w każdej warstwie jest kosztowna.",
   "solves_en": "You need distant details retained, but full attention in every layer is costly.",
   "does": "Oszczędne warstwy aktualizują zwarty zapis, a wybrane warstwy uwagi bezpośrednio zestawiają odległe fragmenty; proporcje wpływają na koszt i jakość.",
   "does_en": "Efficient layers update compact representations, while selected attention layers directly connect distant elements; their proportions affect cost and quality.",
   "example": "Wybierasz model do długich raportów, sprawdzając, czy oszczędniejszy układ nadal odnajduje szczegóły z wcześniejszych stron.",
   "example_en": "You choose a model for long reports, checking whether a cheaper design still retrieves details from earlier pages.",
   "for_you": [
    "potrzebujesz długiego kontekstu przy mniejszym koszcie",
    "porównujesz modele łączące różne rodzaje warstw"
   ],
   "for_you_en": [
    "need long context at lower cost",
    "compare models combining different layer types"
   ],
   "how": "Stos przeplata warstwy pełnej uwagi z aktualizacjami rekurencyjnymi, przestrzeni stanów lub uwagi liniowej. Kompaktowy stan przenosi podsumowanie sekwencji, a warstwy pełnej uwagi dostarczają bezpośrednich relacji między pozycjami.",
   "how_en": "A stack interleaves full-attention layers with recurrent, state-space or linear-attention updates. Compact state carries a sequence summary, while full-attention layers provide direct relationships between positions.",
   "limits": "Warstwy pełnej uwagi zachowują własny koszt i rosnący bufor. Proporcje warstw wpływają na pamięć oraz dokładność odczytu kontekstu; mieszane mechanizmy komplikują trening i silnik inferencji.",
   "limits_en": "Full-attention layers retain their costs and growing caches. Layer proportions affect memory and context-retrieval accuracy; mixed mechanisms complicate training and inference engines.",
   "terms": [
    {
     "gloss": "Sekwencja warstw używających różnych mechanizmów przekazywania informacji.",
     "term": "stos hybrydowy"
    },
    {
     "gloss": "Uwaga obliczana przez faktoryzację lub stan zamiast pełnej macierzy relacji.",
     "term": "uwaga liniowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A sequence of layers using different information-transfer mechanisms.",
     "term": "hybrid stack"
    },
    {
     "gloss": "Attention computed through factorisation or state rather than a full relationship matrix.",
     "term": "linear attention"
    }
   ],
   "prereq": [
    "selfattention",
    "ssm"
   ],
   "keywords": [
    "Jamba",
    "Qwen3-Next",
    "Gated DeltaNet",
    "Mamba layers",
    "full-attention layers"
   ],
   "source_ids": [
    "raschka-llm-arch-comparison",
    "mamba-2023",
    "jamba-2024",
    "qwen3-next-model-card",
    "raschka-hybrid-attention-gallery"
   ],
   "url": "https://aiatlasgraph.com/t/hybridattention",
   "markdown_url": "https://aiatlasgraph.com/t/hybridattention.md",
   "updated": "2026-10-30"
  },
  "hybridclimate": {
   "id": "hybridclimate",
   "parent_id": "earthsystems",
   "label": "Modele hybrydowe i emulatory klimatu",
   "canonical_name": "Hybrid and learned climate models (climate emulators)",
   "aliases": [
    "climate emulator",
    "climate model emulation",
    "hybrid GCM",
    "emulacja modelu klimatu"
   ],
   "description": "Uczone emulatory modeli cyrkulacji ogólnej oraz hybrydy łączące różniczkowalny solwer dynamiki z sieciami parametryzującymi procesy podsiatkowe.",
   "description_en": "Learned emulators of general circulation models and hybrids that pair a differentiable dynamics solver with networks parameterising sub-grid processes.",
   "plain": "Modele, które uczą się naśladować wielkie symulacje klimatu albo łączą równania fizyki z uczonymi poprawkami, by liczyć dziesięciolecia szybciej.",
   "plain_en": "Models that learn to imitate huge climate simulations, or combine physics equations with learned corrections, to compute decades faster.",
   "solves": "Długie symulacje klimatu są bardzo kosztowne obliczeniowo, więc trudno sprawdzać wiele wariantów i powtarzać eksperymenty.",
   "solves_en": "Long climate simulations are computationally expensive, making it hard to test many variants and repeat experiments.",
   "does": "Jak praktykant, który po obejrzeniu tysięcy obliczeń mistrza robi te same szacunki w pamięci, a w trudnych miejscach wciąż sięga po wzory.",
   "does_en": "Like an apprentice who, after watching thousands of the master's calculations, makes the same estimates mentally but still uses formulas where it matters.",
   "example": "Badacze szybko porównują długie przebiegi modelu dla różnych warunków brzegowych i sprawdzają, jak zmieniają się statystyki upałów.",
   "example_en": "Researchers quickly compare long model runs under different boundary conditions and examine how heatwave statistics change.",
   "for_you": [
    "śledzisz prognozy klimatu i chcesz wiedzieć, skąd się biorą",
    "pracujesz z danymi o ryzyku klimatycznym"
   ],
   "for_you_en": [
    "follow climate projections and want to know where they come from",
    "work with climate-risk data"
   ],
   "how": "Emulator to autoregresyjna sieć trenowana na wynikach istniejącego modelu klimatu, która odtwarza jego statystyki przez stulecia. Hybryda zostawia numeryczny rdzeń dla dużych skal, a chmury czy konwekcję oblicza sieć; ponieważ solwer jest różniczkowalny, całość trenuje się end-to-end na reanalizie, z rozwinięciami na wiele kroków.",
   "how_en": "An emulator is an autoregressive network trained on an existing climate model's output that reproduces its statistics over centuries. A hybrid keeps a numerical core for large scales while a network computes clouds or convection; because the solver is differentiable, the whole is trained end-to-end on reanalysis with multi-step rollouts.",
   "limits": "Długie przebiegi mogą dryfować lub łamać zasady zachowania masy i energii. Emulator jest tak dobry jak naśladowany model, a ekstrapolacja do klimatu spoza danych treningowych pozostaje niepewna.",
   "limits_en": "Long runs can drift or violate conservation of mass and energy. An emulator is only as good as the model it imitates, and extrapolating to climates outside the training data remains uncertain.",
   "terms": [
    {
     "gloss": "Globalny model cyrkulacji: klasyczna symulacja atmosfery całej Ziemi.",
     "term": "GCM"
    },
    {
     "gloss": "Uproszczony wzór dla zjawisk mniejszych niż kratka modelu, np. chmur.",
     "term": "parametryzacja"
    },
    {
     "gloss": "Powolne odchodzenie długiej symulacji od realistycznego klimatu.",
     "term": "dryf"
    },
    {
     "gloss": "Obliczenia fizyki, przez które można przepuścić gradient przy trenowaniu.",
     "term": "różniczkowalny solwer"
    }
   ],
   "terms_en": [
    {
     "gloss": "General circulation model: the classical simulation of Earth's whole atmosphere.",
     "term": "GCM"
    },
    {
     "gloss": "A simplified formula for processes smaller than a grid cell, such as clouds.",
     "term": "parameterisation"
    },
    {
     "gloss": "A long simulation slowly moving away from realistic climate.",
     "term": "drift"
    },
    {
     "gloss": "Physics computation that gradients can flow through during training.",
     "term": "differentiable solver"
    }
   ],
   "prereq": [
    "pinn",
    "neuraloperators"
   ],
   "keywords": [
    "NeuralGCM",
    "ACE",
    "ACE2",
    "climate emulator",
    "JAX",
    "AMIP",
    "sub-grid parameterization",
    "differentiable physics",
    "Spherical Fourier Neural Operator"
   ],
   "source_ids": [
    "neuralgcm-2023",
    "ace-climate-2023"
   ],
   "url": "https://aiatlasgraph.com/t/hybridclimate",
   "markdown_url": "https://aiatlasgraph.com/t/hybridclimate.md",
   "updated": "2026-10-30"
  },
  "hybridmodeling": {
   "id": "hybridmodeling",
   "parent_id": "digitaltwins",
   "label": "Modele hybrydowe: fizyka plus dane (grey-box)",
   "canonical_name": "Hybrid physics–data (grey-box) modelling",
   "aliases": [
    "grey-box model",
    "gray-box modeling",
    "hybrid semi-parametric model",
    "physics-guided machine learning",
    "model hybrydowy",
    "model szarej skrzynki"
   ],
   "description": "Modele łączące podmodele mechanistyczne (np. bilanse masy i energii) z komponentami nieparametrycznymi uczonymi z danych, w układzie szeregowym lub równoległym.",
   "description_en": "Models that couple mechanistic submodels (e.g. mass and energy balances) with nonparametric data-driven components, in serial or parallel arrangements.",
   "plain": "Model maszyny lub procesu, w którym znane prawa fizyki łączy się z siecią uczoną na pomiarach tam, gdzie wzorów brakuje.",
   "plain_en": "A model of a machine or process that combines known laws of physics with a network learned from measurements where the formulas run out.",
   "solves": "Same równania nie opisują wszystkiego w prawdziwej instalacji, a model uczony tylko na danych myli się, gdy warunki wyjdą poza dotychczasowe pomiary.",
   "solves_en": "Equations alone never describe a real plant fully, and a model learned only from data goes wrong once conditions leave the range it has seen.",
   "does": "Jak mechanik, który zna instrukcję silnika, ale dopisuje na marginesie własne poprawki z lat obserwowania konkretnej maszyny.",
   "does_en": "Like a mechanic who knows the engine manual but adds margin notes from years of watching one particular machine.",
   "example": "W browarze model fermentacji liczy ubytek cukru ze wzorów, a tempo pracy drożdży w danej partii podpowiada mu część wyuczona na danych.",
   "example_en": "At a brewery the fermentation model works out sugar use from formulas, while a part learned from data supplies how fast this batch's yeast is working.",
   "for_you": [
    "masz równania procesu, ale nie zgadzają się z pomiarami",
    "masz mało danych i nie ufasz samemu uczeniu maszynowemu",
    "budujesz cyfrowego bliźniaka instalacji"
   ],
   "for_you_en": [
    "have process equations that do not match your measurements",
    "have little data and do not trust machine learning alone",
    "are building a digital twin of a plant"
   ],
   "how": "Równania pierwszych zasad wyznaczają strukturę modelu, a sieć neuronowa lub inny regresor uczy się słabo znanych członów, np. szybkości reakcji. W układzie równoległym część uczona koryguje resztę modelu fizycznego. Innym wariantem jest dodanie praw fizyki jako kary w funkcji straty.",
   "how_en": "First-principles equations set the model structure, while a neural network or other regressor learns poorly known terms such as reaction rates. In a parallel arrangement the learned part corrects the physical model's residual. Another variant adds physical laws as a penalty in the loss function.",
   "limits": "Hybryda nie daje automatycznie lepszych wyników: zależy od rozsądnego połączenia wiedzy i identyfikowalności parametrów. Część uczona nadal źle ekstrapoluje poza zakres danych. Budowa wymaga zarówno inżyniera procesu, jak i specjalisty od danych.",
   "limits_en": "A hybrid is not automatically better: it depends on a sensible integration of knowledge and on parameter identifiability. The learned part still extrapolates poorly outside the data range. Building one needs both a process engineer and a data specialist.",
   "terms": [
    {
     "gloss": "Model częściowo z równań, częściowo wyuczony z danych.",
     "term": "grey-box"
    },
    {
     "gloss": "Model zbudowany z praw fizyki i chemii, nie z danych.",
     "term": "model mechanistyczny"
    },
    {
     "gloss": "Czy z dostępnych pomiarów da się jednoznacznie ustalić parametry modelu.",
     "term": "identyfikowalność"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model partly built from equations, partly learned from data.",
     "term": "grey-box"
    },
    {
     "gloss": "A model built from laws of physics and chemistry, not from data.",
     "term": "mechanistic model"
    },
    {
     "gloss": "Whether the available measurements pin down the model's parameters uniquely.",
     "term": "identifiability"
    }
   ],
   "prereq": [
    "sciml"
   ],
   "keywords": [
    "hybrid semi-parametric modeling",
    "physics-guided machine learning",
    "PINN",
    "universal differential equations",
    "residual modeling",
    "DeepXDE",
    "SciML",
    "Modelica"
   ],
   "source_ids": [
    "willard-physics-ml-integration-2020",
    "von-stosch-hybrid-semiparametric-2014"
   ],
   "url": "https://aiatlasgraph.com/t/hybridmodeling",
   "markdown_url": "https://aiatlasgraph.com/t/hybridmodeling.md",
   "updated": "2026-10-30"
  },
  "hybridsearch": {
   "id": "hybridsearch",
   "parent_id": "retrieval",
   "label": "Wyszukiwanie hybrydowe",
   "canonical_name": "Hybrid retrieval",
   "description": "Łączenie podobieństwa wektorów z dopasowaniem słów kluczowych, czasem kilka wektorów na dokument.",
   "description_en": "Combining vector similarity with keyword matching, sometimes several vectors per document.",
   "examples": "wektory + słowa kluczowe · multi-vector",
   "examples_en": "vectors + keywords · multi-vector",
   "plain": "To wyszukiwanie, które łączy dopasowanie dokładnych słów z podobieństwem znaczenia.",
   "plain_en": "This search combines exact word matches with similarity in meaning.",
   "solves": "Nie znajdujesz potrzebnego dokumentu, bo używa innych słów albo ważny jest w nim dokładny numer.",
   "solves_en": "You cannot find the document you need because it uses different words or depends on an exact reference number.",
   "does": "Jedna lista zbiera dokładne trafienia, druga podobne opisy; połączone wyniki pozwalają uwzględnić oba rodzaje dopasowania.",
   "does_en": "One list collects exact matches and another collects similar descriptions; combining them lets the search use both kinds of evidence.",
   "example": "Wpisujesz „naprawa pompy” razem z numerem części i znajdujesz instrukcję opisaną jako wymiana uszczelki.",
   "example_en": "You search for “pump repair” with a part number and find an instruction described as replacing a seal.",
   "for_you": [
    "szukasz dokumentów opisanych innymi słowami niż twoje pytanie",
    "musisz uwzględniać dokładne numery lub oznaczenia"
   ],
   "for_you_en": [
    "search for documents that use different words from your question",
    "need exact numbers or identifiers to matter in search"
   ],
   "how": "Wyszukiwanie leksykalne dopasowuje słowa, a wyszukiwanie wektorowe porównuje embeddingi zapytania i dokumentów. Wyniki łączy się przez kalibrację ocen lub fuzję rankingów, aby wykorzystać zarówno dokładne nazwy, jak i podobieństwo znaczeniowe.",
   "how_en": "Lexical search matches words, while vector search compares query and document embeddings. Results are combined through score calibration or rank fusion to use both exact names and semantic similarity.",
   "limits": "Oceny z różnych indeksów nie muszą być porównywalne. Jakość zależy od obu wyszukiwarek i sposobu fuzji; większa liczba kandydatów zwiększa koszt, a błędnych uprawnień nie naprawia łączenie rankingów.",
   "limits_en": "Scores from different indexes may not be comparable. Quality depends on both retrievers and fusion; more candidates increase cost, and combining rankings does not fix incorrect permissions.",
   "terms": [
    {
     "gloss": "Dopasowanie dokumentów na podstawie występowania słów zapytania.",
     "term": "wyszukiwanie leksykalne"
    },
    {
     "gloss": "Dobór dokumentów według podobieństwa ich liczbowych reprezentacji.",
     "term": "wyszukiwanie wektorowe"
    },
    {
     "gloss": "Łączenie uporządkowanych list wyników we wspólną listę.",
     "term": "fuzja rankingów"
    }
   ],
   "terms_en": [
    {
     "gloss": "Matching documents by occurrences of query words.",
     "term": "lexical search"
    },
    {
     "gloss": "Selecting documents by similarity between their numerical representations.",
     "term": "vector search"
    },
    {
     "gloss": "Combining ordered result lists into one list.",
     "term": "rank fusion"
    }
   ],
   "prereq": [
    "textembeddings"
   ],
   "keywords": [
    "BM25",
    "dense embeddings",
    "sparse embeddings",
    "Reciprocal Rank Fusion",
    "ColBERT",
    "multi-vector retrieval"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/hybridsearch",
   "markdown_url": "https://aiatlasgraph.com/t/hybridsearch.md",
   "updated": "2026-10-30"
  },
  "hyperneat": {
   "id": "hyperneat",
   "parent_id": "neat",
   "label": "Ewolucja wzorów połączeń dużych sieci (HyperNEAT)",
   "canonical_name": "HyperNEAT and compositional pattern-producing networks",
   "aliases": [
    "HyperNEAT",
    "hypercube-based NEAT",
    "hypercube-based neuroevolution"
   ],
   "description": "Neuroewolucja z kodowaniem pośrednim: NEAT ewoluuje sieć CPPN, która wyznacza wagi połączeń między neuronami rozmieszczonymi w przestrzeni geometrycznej.",
   "description_en": "Neuroevolution with indirect encoding: NEAT evolves a CPPN that sets connection weights between neurons placed in geometric space.",
   "plain": "Zamiast hodować każde połączenie sieci osobno, ewolucja hoduje mały „przepis”, który rysuje wzór połączeń całej dużej sieci.",
   "plain_en": "Instead of breeding each network connection separately, evolution breeds a small “recipe” that draws the connection pattern of a whole large network.",
   "solves": "Sieci z milionami połączeń są za duże, by ewolucja dobierała każde z osobna, i tracą regularność widoczną w zadaniu.",
   "solves_en": "Networks with millions of connections are too big for evolution to set one by one, and they lose regularities visible in the task.",
   "does": "Jak DNA, które nie opisuje każdej komórki, tylko reguły wzrostu: symetria i powtórzenia pojawiają się same, a przepis pasuje do różnych rozmiarów.",
   "does_en": "Like DNA, which describes growth rules rather than every cell: symmetry and repetition appear by themselves, and the recipe fits different sizes.",
   "example": "Wirtualny robot o czterech nogach uczy się biegać; wyhodowany wzór połączeń sam powtarza ten sam ruch dla każdej nogi.",
   "example_en": "A virtual four-legged robot learns to run; the evolved connection pattern repeats the same movement for every leg by itself.",
   "for_you": [
    "badasz ewolucję dużych sieci neuronowych",
    "ciekawi cię, jak zwarty kod opisuje dużą strukturę"
   ],
   "for_you_en": [
    "study evolving large neural networks",
    "wonder how compact code can describe a large structure"
   ],
   "how": "Neurony docelowej sieci mają ustalone współrzędne na podłożu. Mała sieć CPPN z funkcjami takimi jak sinus, gaussian i sigmoida dostaje współrzędne dwóch neuronów i zwraca wagę ich połączenia; słabe wagi się pomija. NEAT ewoluuje tylko CPPN, więc wzór można odpytać w dowolnej rozdzielczości.",
   "how_en": "Neurons of the target network have fixed coordinates on a substrate. A small CPPN with functions such as sine, Gaussian and sigmoid takes two neurons' coordinates and returns their connection weight; weak weights are dropped. NEAT evolves only the CPPN, so the pattern can be queried at any resolution.",
   "limits": "Projektant musi z góry rozmieścić neurony w przestrzeni, a zła geometria psuje wyniki. Kodowanie dobrze wykorzystuje regularność, symetrię i powtórzenia, lecz gorzej reprezentuje nieregularne wyjątki.",
   "limits_en": "The designer must place neurons in space up front, and poor geometry hurts results. The encoding exploits regularity, symmetry and repetition well, but represents irregular exceptions less naturally.",
   "terms": [
    {
     "gloss": "Mała sieć funkcji, która rysuje wzór zależny od współrzędnych.",
     "term": "CPPN"
    },
    {
     "gloss": "Genom opisuje regułę budowy, a nie każdy element z osobna.",
     "term": "kodowanie pośrednie"
    },
    {
     "gloss": "Geometryczne rozmieszczenie neuronów docelowej sieci.",
     "term": "podłoże"
    }
   ],
   "terms_en": [
    {
     "gloss": "A small network of functions drawing a coordinate-dependent pattern.",
     "term": "CPPN"
    },
    {
     "gloss": "The genome describes a build rule, not every element.",
     "term": "indirect encoding"
    },
    {
     "gloss": "The geometric layout of the target network's neurons.",
     "term": "substrate"
    }
   ],
   "prereq": [
    "mlp"
   ],
   "keywords": [
    "CPPN",
    "indirect encoding",
    "substrate",
    "ES-HyperNEAT",
    "Picbreeder",
    "geometric regularities",
    "NEAT-Python"
   ],
   "source_ids": [
    "hyperneat-2009"
   ],
   "url": "https://aiatlasgraph.com/t/hyperneat",
   "markdown_url": "https://aiatlasgraph.com/t/hyperneat.md",
   "updated": "2026-10-30"
  },
  "hyperspectral": {
   "id": "hyperspectral",
   "parent_id": "eoanalysis",
   "label": "Analiza zdjęć hiperspektralnych",
   "canonical_name": "Hyperspectral image analysis",
   "aliases": [
    "hyperspectral image classification",
    "HSI classification",
    "imaging spectroscopy",
    "obrazowanie hiperspektralne",
    "spektroskopia obrazowa"
   ],
   "description": "Klasyfikacja i segmentacja obrazów o setkach wąskich pasm spektralnych, łącząca cechy widmowe i przestrzenne przy małej liczbie etykiet.",
   "description_en": "Classifying and segmenting images with hundreds of narrow spectral bands, combining spectral and spatial features under scarce labels.",
   "plain": "Odczytywanie, z czego zbudowana jest powierzchnia, z setek wąskich kolorów światła, których ludzkie oko w ogóle nie rozróżnia.",
   "plain_en": "Reading what a surface is made of from hundreds of narrow colours of light that the human eye cannot tell apart.",
   "solves": "Na zwykłym zdjęciu różne minerały, gatunki roślin czy tworzywa wyglądają podobnie, więc nie da się ich odróżnić bez pobierania próbek.",
   "solves_en": "In an ordinary photo different minerals, plant species or plastics look alike, so they cannot be told apart without taking samples.",
   "does": "Każdy piksel niesie jakby odcisk palca materiału: model uczy się porównywać te odciski i dopasowywać je do znanych substancji.",
   "does_en": "Each pixel carries a kind of fingerprint of the material: the model learns to compare these prints and match them to known substances.",
   "example": "Geolog oznacza na mapie złoża minerałów z przelotu samolotu, zamiast tygodniami chodzić po górach z młotkiem.",
   "example_en": "A geologist marks mineral deposits on a map from one aircraft flight instead of spending weeks in the hills with a hammer.",
   "for_you": [
    "chcesz rozpoznawać materiały na odległość",
    "pracujesz z danymi o setkach kanałów"
   ],
   "for_you_en": [
    "want to identify materials from a distance",
    "work with data that has hundreds of channels"
   ],
   "how": "Sieci modelują samo widmo piksela, jego sąsiedztwo przestrzenne albo oba naraz, np. splotami 3D lub transformerami na łatkach. Redukcja wymiaru ogranicza liczbę cech, a małą liczbę etykiet kompensują augmentacja, transfer learning i pretrening samonadzorowany.",
   "how_en": "Networks model the pixel spectrum, its spatial neighbourhood, or both, e.g. with 3D convolutions or patch transformers. Dimensionality reduction limits the number of features, while augmentation, transfer learning and self-supervised pretraining compensate for scarce labels.",
   "limits": "Etykiet jest bardzo mało, a popularne benchmarki to pojedyncze sceny, więc wyniki bywają zawyżone przez przeciek między sąsiednimi pikselami. Dane są ciężkie, szumne w części pasm i zależne od atmosfery. Sensorów w kosmosie jest niewiele.",
   "limits_en": "Labels are very scarce and popular benchmarks are single scenes, so results can be inflated by leakage between neighbouring pixels. Data are heavy, noisy in some bands and atmosphere-dependent. Few such sensors are in orbit.",
   "terms": [
    {
     "gloss": "charakterystyczny przebieg odbicia światła dla danego materiału",
     "term": "spectral signature"
    },
    {
     "gloss": "łączenie informacji o widmie z informacją o sąsiedztwie piksela",
     "term": "spectral–spatial"
    }
   ],
   "terms_en": [
    {
     "gloss": "characteristic light-reflection curve of a given material",
     "term": "spectral signature"
    },
    {
     "gloss": "combining spectral information with a pixel's neighbourhood",
     "term": "spectral–spatial"
    }
   ],
   "prereq": [
    "cnnarchs",
    "dimreduction"
   ],
   "keywords": [
    "Indian Pines",
    "Pavia University",
    "3D-CNN",
    "SpectralFormer",
    "EnMAP",
    "PRISMA",
    "EMIT",
    "HyperSIGMA"
   ],
   "source_ids": [
    "hsi-dl-overview-2019",
    "starcop-2023"
   ],
   "url": "https://aiatlasgraph.com/t/hyperspectral",
   "markdown_url": "https://aiatlasgraph.com/t/hyperspectral.md",
   "updated": "2026-10-30"
  },
  "hypervolume": {
   "id": "hypervolume",
   "parent_id": "multiobjectiveevo",
   "label": "Wskaźnik hiperobjętości frontu Pareto",
   "canonical_name": "Hypervolume indicator for Pareto fronts",
   "aliases": [
    "hypervolume indicator",
    "S-metric",
    "hiperobjętość",
    "wskaźnik hiperobjętości"
   ],
   "description": "Wskaźnik jakości zbioru rozwiązań niezdominowanych, mierzący objętość przestrzeni celów zdominowaną przez ten zbiór względem punktu odniesienia.",
   "description_en": "A quality indicator for a set of non-dominated solutions, measuring the objective-space volume dominated by that set relative to a reference point.",
   "plain": "Sposób oceny całego zestawu kompromisów jedną liczbą: im większy obszar „zdobyty” przez rozwiązania, tym lepszy zestaw.",
   "plain_en": "A way to score a whole set of trade-offs with one number: the larger the area the solutions “claim”, the better the set.",
   "solves": "Dwa algorytmy dają dwa różne zbiory kompromisów i trudno powiedzieć, który zbiór jest całościowo lepszy.",
   "solves_en": "Two algorithms return two different sets of trade-offs, and it is hard to say which set is better overall.",
   "does": "Każde rozwiązanie zakreśla prostokąt do wspólnego narożnika; liczy się pole sumy prostokątów, więc nagradzana jest jakość i rozrzut naraz.",
   "does_en": "Each solution marks a box to a shared corner; the area of the union counts, so quality and spread are rewarded together.",
   "example": "Dwa algorytmy zwracają różne zestawy kompromisów między ceną i wagą laptopów; hiperobjętość podsumowuje jakość i rozpiętość każdego zestawu jedną liczbą.",
   "example_en": "Two algorithms return different trade-off sets between laptop price and weight; hypervolume summarises the quality and spread of each set with one number.",
   "for_you": [
    "porównujesz wyniki różnych metod wielokryterialnych",
    "wybierasz między kompromisami dwóch lub trzech celów"
   ],
   "for_you_en": [
    "compare results of different multi-objective methods",
    "choose among trade-offs of two or three goals"
   ],
   "how": "Rozwiązanie dominuje inne, gdy nie jest gorsze w żadnym celu i lepsze w którymś. Hiperobjętość to objętość sumy prostopadłościanów między każdym rozwiązaniem a punktem odniesienia. Jest ściśle monotoniczna względem dominacji zbiorów, więc służy i do ewaluacji, i do selekcji, np. w SMS-EMOA przez wkład pojedynczego punktu.",
   "how_en": "A solution dominates another if it is no worse on every objective and better on one. Hypervolume is the volume of the union of boxes between each solution and a reference point. It is strictly monotonic with set dominance, so it serves both evaluation and selection, e.g. via single-point contributions in SMS-EMOA.",
   "limits": "Wynik zależy od wyboru punktu odniesienia i skalowania celów. Dokładne liczenie staje się bardzo kosztowne przy wielu celach, dlatego stosuje się algorytmy przybliżone.",
   "limits_en": "The value depends on the reference point and objective scaling. Exact computation becomes very expensive with many objectives, so approximation algorithms are used.",
   "terms": [
    {
     "gloss": "Nie gorszy w żadnym celu i lepszy w co najmniej jednym.",
     "term": "dominacja Pareto"
    },
    {
     "gloss": "Narożnik, względem którego liczy się zdominowaną objętość.",
     "term": "punkt odniesienia"
    },
    {
     "gloss": "O ile spadłaby miara po usunięciu jednego rozwiązania.",
     "term": "wkład hiperobjętości"
    }
   ],
   "terms_en": [
    {
     "gloss": "No worse on any goal and better on at least one.",
     "term": "Pareto dominance"
    },
    {
     "gloss": "The corner used to measure the dominated volume.",
     "term": "reference point"
    },
    {
     "gloss": "How much the measure drops if one solution is removed.",
     "term": "hypervolume contribution"
    }
   ],
   "prereq": [
    "evobenchmarking"
   ],
   "keywords": [
    "Pareto dominance",
    "non-dominated sorting",
    "hypervolume contribution",
    "SMS-EMOA",
    "IGD",
    "Klee's measure problem",
    "reference point",
    "pymoo indicators"
   ],
   "source_ids": [
    "hypervolume-survey-2020"
   ],
   "url": "https://aiatlasgraph.com/t/hypervolume",
   "markdown_url": "https://aiatlasgraph.com/t/hypervolume.md",
   "updated": "2026-10-30"
  },
  "hypothesisagents": {
   "id": "hypothesisagents",
   "parent_id": "discovery",
   "label": "Agenci generujący hipotezy i eksperymenty obliczeniowe",
   "canonical_name": "Hypothesis-generating research agents",
   "aliases": [
    "AI co-scientist",
    "AI Scientist",
    "research agents",
    "agenci badawczy",
    "automated hypothesis generation"
   ],
   "description": "Wieloagentowe systemy LLM generujące, oceniające i rozwijające hipotezy, a w dziedzinach obliczeniowych także piszące kod, uruchamiające eksperymenty i tworzące artykuły.",
   "description_en": "Multi-agent LLM systems that generate, evaluate and evolve hypotheses and, in computational fields, also write code, run experiments and draft papers.",
   "plain": "Programy oparte na modelach językowych, które czytają prace naukowe, wymyślają nowe pomysły badawcze i sprawdzają je na komputerze.",
   "plain_en": "Language-model programs that read research papers, come up with new research ideas and test them on a computer.",
   "solves": "Publikacji przybywa szybciej, niż człowiek zdąży je przeczytać, więc łatwo przeoczyć połączenie dwóch odległych odkryć.",
   "solves_en": "Papers pile up faster than anyone can read them, so it is easy to miss a link between two distant findings.",
   "does": "Kilku wirtualnych naukowców proponuje pomysły, krytykuje je nawzajem i zostawia najmocniejsze, jak w turnieju.",
   "does_en": "Several virtual scientists propose ideas, critique each other and keep the strongest, as in a tournament.",
   "example": "Doktorantka prosi asystenta o pomysły na kolejny eksperyment i dostaje kilka hipotez z odnośnikami do prac oraz planem testu.",
   "example_en": "A doctoral student asks an assistant for next-experiment ideas and gets several hypotheses with links to papers and a test plan.",
   "for_you": [
    "szukasz nowych pomysłów badawczych w zalewie publikacji",
    "chcesz zautomatyzować eksperymenty obliczeniowe"
   ],
   "for_you_en": [
    "look for fresh research ideas amid a flood of papers",
    "want to automate computational experiments"
   ],
   "how": "Agenci w rolach generatora, recenzenta i rankingu tworzą i porównują hipotezy (np. turniej z oceną typu Elo), a kolejne rundy ulepszają najlepsze. W dziedzinach obliczeniowych potok pisze kod, uruchamia eksperymenty, rysuje wykresy i składa manuskrypt oceniany przez automatycznego recenzenta.",
   "how_en": "Agents acting as generator, reviewer and ranker create and compare hypotheses (e.g. an Elo-style tournament), and later rounds refine the best. In computational fields a pipeline writes code, runs experiments, plots results and assembles a manuscript scored by an automated reviewer.",
   "limits": "Automatyczna recenzja słabo wychwytuje błędy metodologiczne i pozorną nowość. Pełna automatyzacja działa głównie tam, gdzie eksperyment jest kodem; w biologii hipotezy nadal weryfikuje laboratorium.",
   "limits_en": "Automated review is weak at catching methodological errors and false novelty. Full automation mostly works where the experiment is code; in biology, hypotheses are still verified in the lab.",
   "terms": [
    {
     "gloss": "Punktacja z porównań parami, znana z szachów, użyta do hipotez.",
     "term": "ranking Elo"
    },
    {
     "gloss": "Model oceniający wygenerowany artykuł według kryteriów konferencji.",
     "term": "automatyczny recenzent"
    },
    {
     "gloss": "Wyszukanie w literaturze, czy pomysłu ktoś już nie opisał.",
     "term": "sprawdzenie nowości"
    }
   ],
   "terms_en": [
    {
     "gloss": "Scoring from pairwise comparisons, known from chess, applied to hypotheses.",
     "term": "Elo rating"
    },
    {
     "gloss": "A model scoring a generated paper against conference criteria.",
     "term": "automated reviewer"
    },
    {
     "gloss": "Searching the literature to see whether the idea already exists.",
     "term": "novelty check"
    }
   ],
   "prereq": [
    "subagents",
    "makerchecker"
   ],
   "keywords": [
    "AI Scientist",
    "AI co-scientist",
    "Agent Laboratory",
    "PaperQA",
    "hypothesis ranking",
    "automated reviewing"
   ],
   "source_ids": [
    "ai-scientist-2024",
    "ai-coscientist-2025"
   ],
   "url": "https://aiatlasgraph.com/t/hypothesisagents",
   "markdown_url": "https://aiatlasgraph.com/t/hypothesisagents.md",
   "updated": "2026-10-30"
  },
  "hypothesistesting": {
   "id": "hypothesistesting",
   "parent_id": "probability",
   "label": "Testy statystyczne i przedziały ufności",
   "canonical_name": "Hypothesis tests and confidence intervals",
   "description": "Testy hipotez i przedziały ufności pomagają ocenić obserwacje względem zmienności losowej oraz opisać niepewność. Same nie rozstrzygają, czy efekt jest prawdziwy ani czy ma znaczenie praktyczne; stosuje się je m.in. przy porównywaniu modeli, benchmarkach i testach A/B.",
   "description_en": "Hypothesis tests and confidence intervals help assess observations relative to sampling variation and describe uncertainty. They do not by themselves determine whether an effect is true or practically important; they are used, among other things, in model comparisons, benchmarks, and A/B tests.",
   "examples": "Wartość p · przedział ufności · bootstrap · istotność statystyczna",
   "examples_en": "p-value · confidence interval · bootstrap · statistical significance",
   "plain": "To sposoby oceny, jak losowa zmienność danych wpływa na wnioski i niepewność wyniku.",
   "plain_en": "These methods assess how random variation in data affects conclusions and uncertainty about a result.",
   "solves": "Różnica między wynikami może wynikać z losowej zmienności próby i nie musi mieć znaczenia w praktyce.",
   "solves_en": "A difference in results may reflect random sample variation and may not matter in practice.",
   "does": "Liczy, jak nietypowy jest wynik przy przyjętym założeniu, i opisuje niepewność oszacowań zakresami wartości.",
   "does_en": "It calculates how unusual a result is under an assumed hypothesis and describes estimation uncertainty through ranges of values.",
   "example": "Porównujesz asystentów na próbce pytań, uwzględniając niepewność wyników i to, czy zaobserwowana różnica faktycznie zmienia twoją pracę.",
   "example_en": "You compare assistants on a sample of questions, considering uncertainty and whether the observed difference actually changes your work.",
   "for_you": [
    "porównujesz wyniki z ograniczonej liczby prób",
    "chcesz sprawdzać wnioski zamiast ufać samej różnicy liczb"
   ],
   "for_you_en": [
    "compare results from a limited number of trials",
    "want to examine conclusions beyond differences in numbers"
   ],
   "how": "Statystyka testowa porównuje obserwacje z rozkładem wynikającym z hipotezy zerowej. Przedziały ufności wyznacza procedura o określonym pokryciu w powtarzanych próbach, a projekt eksperymentu określa niezależność i zakres wniosków.",
   "how_en": "A test statistic compares observations with the distribution implied by a null hypothesis. Confidence intervals follow a procedure with specified repeated-sampling coverage, while experiment design determines independence and inference scope.",
   "limits": "Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy. Istotność nie mierzy wielkości efektu; wielokrotne testy, dobór próby i niespełnione założenia mogą zniekształcać wyniki.",
   "limits_en": "A p-value is not the probability a hypothesis is true. Significance does not measure effect size; multiple tests, sampling and violated assumptions can distort results.",
   "terms": [
    {
     "gloss": "Prawdopodobieństwo wyniku co najmniej tak skrajnego przy założeniu hipotezy zerowej.",
     "term": "wartość p"
    },
    {
     "gloss": "Zakres wyznaczony procedurą o zadanym pokryciu parametru w powtarzanych próbach.",
     "term": "przedział ufności"
    }
   ],
   "terms_en": [
    {
     "gloss": "The probability of an outcome at least as extreme under the null hypothesis.",
     "term": "p-value"
    },
    {
     "gloss": "An interval from a procedure with specified parameter coverage over repeated samples.",
     "term": "confidence interval"
    }
   ],
   "prereq": [
    "distributions"
   ],
   "keywords": [
    "p-values",
    "confidence intervals",
    "bootstrap",
    "statistical significance",
    "statistical power",
    "multiple testing"
   ],
   "source_ids": [
    "openintro-os4",
    "asa-statistical-significance-2021"
   ],
   "url": "https://aiatlasgraph.com/t/hypothesistesting",
   "markdown_url": "https://aiatlasgraph.com/t/hypothesistesting.md",
   "updated": "2026-10-30"
  },
  "ia3": {
   "id": "ia3",
   "parent_id": "peft",
   "label": "Skalowanie aktywacji wyuczonymi wektorami",
   "canonical_name": "Learned-vector activation rescaling",
   "aliases": [
    "activation rescaling",
    "learned activation scaling",
    "skalowanie aktywacji"
   ],
   "description": "Metoda PEFT, która mnoży klucze, wartości i aktywacje warstwy feed-forward przez wyuczone wektory.",
   "description_en": "A PEFT method that multiplies attention keys, values and feed-forward activations by learned vectors.",
   "plain": "Bardzo lekki sposób dostrajania: model uczy się tylko, które swoje wewnętrzne sygnały wzmocnić, a które wyciszyć.",
   "plain_en": "A very light form of fine-tuning: the model only learns which of its internal signals to boost and which to dampen.",
   "solves": "Nawet małe nakładki na model to sporo parametrów, gdy trzeba trzymać setki wersji dla różnych klientów lub zadań.",
   "solves_en": "Even small add-ons are a lot of parameters when you must keep hundreds of model versions for different clients or tasks.",
   "does": "Jak mikser dźwięku: nie wymieniasz instrumentów, tylko podkręcasz albo ściszasz suwaki poszczególnych ścieżek.",
   "does_en": "Like a mixing desk: you don't swap instruments, you just push faders up or down on each track.",
   "example": "Firma ma osobną, malutką nakładkę modelu dla każdego klienta i przełącza je w locie przy każdym zapytaniu.",
   "example_en": "A company keeps a tiny separate add-on for each client and swaps them on the fly with every request.",
   "for_you": [
    "masz kilkadziesiąt przykładów na zadanie",
    "potrzebujesz wielu bardzo małych wariantów jednego modelu"
   ],
   "for_you_en": [
    "have a few dozen examples per task",
    "need many very small variants of one model"
   ],
   "how": "Do bloków transformera dodaje się trzy wektory, które elementowo przeskalowują klucze i wartości uwagi oraz pośrednie aktywacje MLP. Wektory inicjalizuje się jedynkami, więc start odpowiada modelowi bazowemu; po treningu można je wmnożyć w wagi.",
   "how_en": "Three vectors are added to transformer blocks, rescaling attention keys and values and intermediate MLP activations element-wise. They are initialised to ones, so training starts from the base model; afterwards they can be folded into the weights.",
   "limits": "Mała pojemność: przy większych zbiorach i bardziej odmiennych zadaniach zwykle przegrywa z LoRA. Oryginalne wyniki dotyczyły modeli enkoder–dekoder i niewielu przykładów; wsparcie w narzędziach jest skromniejsze niż dla LoRA.",
   "limits_en": "Small capacity: with larger datasets and more distant tasks it usually loses to LoRA. Original results concerned encoder–decoder models and few-shot data; tooling support is thinner than for LoRA.",
   "terms": [
    {
     "gloss": "Mnożenie każdej składowej wektora przez osobny, wyuczony współczynnik.",
     "term": "skalowanie elementowe"
    },
    {
     "gloss": "Ustawienie z bardzo małą liczbą przykładów treningowych na zadanie.",
     "term": "few-shot"
    }
   ],
   "terms_en": [
    {
     "gloss": "Multiplying each vector component by its own learned factor.",
     "term": "element-wise scaling"
    },
    {
     "gloss": "A setting with very few training examples per task.",
     "term": "few-shot"
    }
   ],
   "prereq": [
    "selfattention"
   ],
   "keywords": [
    "IA3",
    "(IA)³",
    "T-Few",
    "PEFT library",
    "few-shot fine-tuning",
    "T0"
   ],
   "source_ids": [
    "liu-2022-ia3"
   ],
   "url": "https://aiatlasgraph.com/t/ia3",
   "markdown_url": "https://aiatlasgraph.com/t/ia3.md",
   "updated": "2026-10-30"
  },
  "ideascientist": {
   "id": "ideascientist",
   "parent_id": "hypothesisagents",
   "label": "Ideacja naukowa przez analogie",
   "canonical_name": "Analogy-based scientific ideation",
   "aliases": [
    "IdeaScientist",
    "gap finding innovation",
    "ideacja przez analogie"
   ],
   "description": "System agentów rozkłada ideację na szukanie luk, innowację przez analogie i pisanie propozycji, trenowane uczeniem ze wzmocnieniem.",
   "description_en": "An agent system decomposes ideation into gap finding, analogy-based innovation and proposal writing, trained with reinforcement learning.",
   "plain": "Agent szuka luk w pracach, a potem szuka w innych dziedzinach mechanizmów, które mogłyby je wypełnić.",
   "plain_en": "An agent finds gaps in papers, then looks in other fields for mechanisms that might fill them.",
   "solves": "Trudno wymyślić nowy pomysł badawczy, który jest zarazem nowy i dobrze osadzony w istniejącej wiedzy.",
   "solves_en": "It is hard to invent a research idea that is both novel and well grounded in existing knowledge.",
   "does": "Rozbija pracę na szukanie luk, przenoszenie mechanizmów z innych dziedzin i pisanie propozycji.",
   "does_en": "It splits the work into finding gaps, transferring mechanisms from other fields and writing proposals.",
   "example": "Asystent czyta prace o optymalizacji, znajduje ograniczenie, a potem proponuje rozwiązanie zaczerpnięte z biologii.",
   "example_en": "An assistant reads optimisation papers, finds a limitation, then proposes a solution borrowed from biology.",
   "for_you": [
    "szukasz nowych kierunków badawczych",
    "chcesz łączyć pomysły z różnych dziedzin",
    "automatyzujesz generowanie hipotez"
   ],
   "for_you_en": [
    "look for new research directions",
    "want to connect ideas across fields",
    "automate hypothesis generation"
   ],
   "how": "Trzy role: finder luk w pracach pokrewnych, innovator szukający analogicznych mechanizmów w korpusie pomysłów, writer składający propozycję. Każda trenowana GRPO przeciwko referencyjnym artefaktom z ludzkich prac. Korpus maskuje wyniki, żeby nie wyciekała informacja o sukcesie.",
   "how_en": "Three roles: a gap finder in related work, an innovator retrieving analogous mechanisms from an idea corpus, and a writer assembling the proposal. Each is trained with GRPO against reference artifacts from human papers. The corpus masks results so success information does not leak.",
   "limits": "Ewaluacja dotyczy artykułów z badań nad AI, a nie wszystkich dziedzin nauki. Oceny jakości i nowości opierają się na sędziach-modelach oraz ograniczonym porównaniu z udziałem ludzi dla 50 artykułów; ideację oceniano oddzielnie od realizacji eksperymentów, więc wyniki nie dowodzą wykonalności pomysłów.",
   "limits_en": "The evaluation covers AI research papers, not all scientific fields. Quality and novelty assessments rely on model judges and a limited human comparison over 50 papers; ideation was evaluated separately from experimental execution, so the results do not establish idea feasibility.",
   "terms": [
    {
     "gloss": "Wykrywanie ograniczeń metodologicznych w bliskich pracach.",
     "term": "szukanie luk"
    },
    {
     "gloss": "Rola szukająca mechanizmów z innych dziedzin.",
     "term": "innowator"
    },
    {
     "gloss": "Korpus zredukowanych rekordów prac bez wyników.",
     "term": "skarbiec pomysłów"
    }
   ],
   "terms_en": [
    {
     "gloss": "Detecting methodological limitations in closely related papers.",
     "term": "gap finding"
    },
    {
     "gloss": "The role searching for mechanisms from other fields.",
     "term": "innovator"
    },
    {
     "gloss": "A corpus of reduced paper records without results.",
     "term": "idea vault"
    }
   ],
   "prereq": [
    "subagents",
    "retrieval"
   ],
   "keywords": [
    "IdeaScientist",
    "scientific ideation",
    "cross-domain retrieval",
    "gap finding",
    "Svalbard Idea Vault",
    "GRPO ideation"
   ],
   "source_ids": [
    "liu-ideascientist-2026"
   ],
   "url": "https://aiatlasgraph.com/t/ideascientist",
   "markdown_url": "https://aiatlasgraph.com/t/ideascientist.md",
   "updated": "2026-10-30"
  },
  "imagecaptioning": {
   "id": "imagecaptioning",
   "parent_id": "vlm",
   "label": "Automatyczne opisywanie zdjęć (image captioning)",
   "canonical_name": "Image captioning",
   "aliases": [
    "image captioning",
    "caption generation",
    "opisywanie obrazów",
    "podpisy do zdjęć"
   ],
   "description": "Generowanie opisu obrazu w języku naturalnym przez model łączący enkoder obrazu z dekoderem tekstu.",
   "description_en": "Generating a natural-language description of an image with a model joining an image encoder and a text decoder.",
   "plain": "Program patrzy na zdjęcie i pisze jedno lub kilka zdań o tym, co na nim widać.",
   "plain_en": "Software looks at a photo and writes a sentence or two about what it shows.",
   "solves": "Osoby niewidome nie widzą zdjęć w sieci, a milionów obrazów nie da się ręcznie opisać do wyszukiwania.",
   "solves_en": "Blind people cannot see images online, and millions of pictures cannot be described by hand for search.",
   "does": "Jak ktoś, kto przez telefon opowiada drugiej osobie, co ma przed oczami: krótko i o tym, co najważniejsze.",
   "does_en": "Like someone describing over the phone what is in front of them: briefly, and only what matters.",
   "example": "Telefon z włączonym czytnikiem ekranu mówi: „pies leży na kanapie obok śpiącego dziecka”.",
   "example_en": "A phone with the screen reader on says: 'a dog lying on a sofa next to a sleeping child'.",
   "for_you": [
    "publikujesz zdjęcia i chcesz, by były dostępne",
    "porządkujesz duże archiwum fotografii",
    "przygotowujesz dane do trenowania modeli obrazu"
   ],
   "for_you_en": [
    "publish photos and want them accessible",
    "organise a large photo archive",
    "prepare data for training image models"
   ],
   "how": "Enkoder wizyjny zamienia obraz w wektory cech, a dekoder językowy generuje opis token po tokenie z uwagą skierowaną na te cechy. Modele pretrenuje się na parach obraz–tekst z sieci, często filtrowanych lub wzbogacanych opisami wygenerowanymi przez sam model.",
   "how_en": "A vision encoder turns the image into feature vectors and a language decoder generates the caption token by token, attending to those features. Models are pretrained on web image–text pairs, often filtered or enriched with model-generated captions.",
   "limits": "Jakość zależy od zgodności par obraz–tekst; zaszumione podpisy internetowe wymagają filtrowania lub ponownego opisywania. Miary oparte na podobieństwie do kilku opisów wzorcowych nie rozstrzygają same, czy podpis jest poprawny dla konkretnego zastosowania.",
   "limits_en": "Quality depends on aligned image–text pairs; noisy web captions require filtering or recaptioning. Metrics based on similarity to a few reference captions do not by themselves establish whether a caption is correct for a particular use.",
   "terms": [
    {
     "gloss": "Miara podobieństwa opisu do kilku opisów wzorcowych.",
     "term": "CIDEr"
    },
    {
     "gloss": "Wymienienie w opisie rzeczy, której nie ma na obrazie.",
     "term": "object hallucination"
    },
    {
     "gloss": "Osobne opisy dla wielu regionów jednego obrazu.",
     "term": "dense captioning"
    }
   ],
   "terms_en": [
    {
     "gloss": "A score of caption similarity to several reference captions.",
     "term": "CIDEr"
    },
    {
     "gloss": "Mentioning something in a caption that isn't in the image.",
     "term": "object hallucination"
    },
    {
     "gloss": "Separate captions for many regions of one image.",
     "term": "dense captioning"
    }
   ],
   "prereq": [
    "visionbackbones"
   ],
   "keywords": [
    "image captioning",
    "caption generation",
    "BLIP",
    "BLIP-2",
    "Flamingo",
    "LLaVA",
    "CIDEr",
    "COCO Captions",
    "alt text",
    "multimodal generation"
   ],
   "source_ids": [
    "li-2022-blip",
    "rohrbach-2018-object-hallucination"
   ],
   "url": "https://aiatlasgraph.com/t/imagecaptioning",
   "markdown_url": "https://aiatlasgraph.com/t/imagecaptioning.md",
   "updated": "2026-10-30"
  },
  "imageclassification": {
   "id": "imageclassification",
   "parent_id": "visionnode",
   "label": "Klasyfikacja obrazów",
   "canonical_name": "Image classification",
   "description": "Przypisanie całemu obrazowi jednej lub kilku etykiet (np. „kot”, „wada produktu”). To jedno z podstawowych zadań widzenia komputerowego.",
   "description_en": "Assigning one or more labels to a whole image (e.g. “cat”, “defective product”). It is one of the foundational computer-vision tasks.",
   "examples": "ImageNet · top-1 accuracy · klasyfikacja wieloetykietowa",
   "examples_en": "ImageNet · top-1 accuracy · multi-label classification",
   "plain": "To przypisywanie całemu zdjęciu kategorii opisującej jego zawartość.",
   "plain_en": "This assigns categories to a whole photo to describe its contents.",
   "solves": "Masz wiele zdjęć do posortowania, a ręczne podpisywanie każdego zajmuje czas.",
   "solves_en": "You have many photos to sort, and labelling each one by hand takes time.",
   "does": "Model porównuje cechy zdjęcia z przykładami poznanych kategorii i wybiera najbardziej pasujące etykiety.",
   "does_en": "A model compares the photo's features with examples of familiar categories and chooses the best-fitting labels.",
   "example": "Program rozdziela zdjęcia z wakacji na plaże, góry i posiłki.",
   "example_en": "Software sorts holiday photos into beaches, mountains and meals.",
   "for_you": [
    "porządkujesz archiwum zdjęć",
    "chcesz przypisywać obrazom ustalone kategorie"
   ],
   "for_you_en": [
    "organise a photo archive",
    "want to assign predefined categories to images"
   ],
   "how": "Enkoder przekształca piksele w cechy, które agreguje się do reprezentacji całego obrazu. Głowica klasyfikacyjna przewiduje rozkład kategorii lub niezależne prawdopodobieństwa wielu etykiet.",
   "how_en": "An encoder converts pixels into features aggregated into a whole-image representation. A classification head predicts category distributions or independent probabilities for multiple labels.",
   "limits": "Agregacja może pomijać małe obiekty i ich położenie. Skróty oparte na tle oraz zmiana domeny obniżają trafność; etykieta całego obrazu nie lokalizuje obiektu.",
   "limits_en": "Aggregation can miss small objects and their positions. Background shortcuts and domain shifts reduce accuracy; whole-image labels do not locate objects.",
   "terms": [
    {
     "gloss": "Agregacja cech lokalnych do mniejszej reprezentacji.",
     "term": "pooling"
    },
    {
     "gloss": "Część modelu wyliczająca oceny klas z reprezentacji obrazu.",
     "term": "głowica klasyfikacyjna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Aggregating local features into a smaller representation.",
     "term": "pooling"
    },
    {
     "gloss": "A model component computing class scores from image representations.",
     "term": "classification head"
    }
   ],
   "prereq": [
    "cnn",
    "classmetrics"
   ],
   "keywords": [
    "ImageNet",
    "top-1 accuracy",
    "top-5 accuracy",
    "multi-label classification",
    "global average pooling",
    "classification head"
   ],
   "source_ids": [
    "cs231n-2026-schedule",
    "hf-cv-course",
    "ultralytics-tasks"
   ],
   "url": "https://aiatlasgraph.com/t/imageclassification",
   "markdown_url": "https://aiatlasgraph.com/t/imageclassification.md",
   "updated": "2026-10-30"
  },
  "imageediting": {
   "id": "imageediting",
   "parent_id": "imagegen",
   "label": "Edycja obrazu poleceniem i podmiana fragmentów (inpainting)",
   "canonical_name": "Instruction-based image editing and inpainting",
   "aliases": [
    "image editing",
    "instruction-based image editing",
    "inpainting",
    "outpainting",
    "image-to-image",
    "generative fill",
    "edycja obrazu",
    "edycja poleceniem",
    "uzupełnianie obrazu",
    "rozszerzanie kadru"
   ],
   "description": "Zmiana istniejącego obrazu według polecenia tekstowego, przegenerowanie zaznaczonego maską fragmentu (inpainting) albo rozszerzenie obrazu poza pierwotny kadr (outpainting). Współczesne modele mogą łączyć generowanie i edycję, ale zachowanie tożsamości obiektów podczas kolejnych zmian pozostaje zależne od modelu i zadania.",
   "description_en": "Changing an existing image according to a text instruction, regenerating a masked region (inpainting), or extending the image beyond its original frame (outpainting). Contemporary models can combine generation and editing, but preserving object identity across repeated edits still depends on the model and task.",
   "examples": "InstructPix2Pix · maska i inpainting · outpainting · image-to-image · FLUX.1 Kontext · Step1X-Edit · Qwen-Image · GEdit-Bench",
   "examples_en": "InstructPix2Pix · mask and inpainting · outpainting · image-to-image · FLUX.1 Kontext · Step1X-Edit · Qwen-Image · GEdit-Bench",
   "plain": "To poprawianie gotowego zdjęcia przez opisanie zmiany słowami, na przykład „usuń przechodnia” albo „zmień niebo na zachód słońca”.",
   "plain_en": "This changes an existing photo when you describe the change in words, such as “remove the passer-by” or “make the sky a sunset”.",
   "solves": "Retusz w programie graficznym wymaga wprawy i czasu, a drobna zmiana potrafi zająć godzinę.",
   "solves_en": "Retouching in a graphics program takes skill and time, and a small change can eat up an hour.",
   "does": "Wskazany obszar lub polecenie kieruje zmianą, a model dobiera nową treść do otoczenia; szczegóły, które chcesz zachować, wymagają sprawdzenia.",
   "does_en": "A selected region or instruction guides the change, and the model matches new content to its surroundings; details you want preserved need checking.",
   "example": "Na zdjęciu z wakacji zaznaczasz palcem obcą osobę w tle, a aplikacja zastępuje ją fragmentem plaży.",
   "example_en": "On a holiday photo you tap a stranger in the background, and the app replaces them with more beach.",
   "for_you": [
    "poprawiasz zdjęcia bez znajomości programów graficznych",
    "przygotowujesz zdjęcia produktów w różnych wersjach",
    "chcesz wiedzieć, jak łatwo dziś zmienić zdjęcie"
   ],
   "for_you_en": [
    "fix photos without knowing graphics software",
    "prepare product photos in several versions",
    "want to know how easily a photo can be altered today"
   ],
   "how": "Obraz źródłowy i instrukcja warunkują generowanie zmienionej reprezentacji. Przy edycji maskowanej algorytm regeneruje wybrany obszar, korzystając z otoczenia i ograniczeń zachowania pozostałej treści.",
   "how_en": "Source images and instructions condition generation of modified representations. Masked editing regenerates selected regions using surrounding content and constraints preserving the rest.",
   "limits": "Maska nie zapewnia idealnej granicy ani zachowania tożsamości. Kolejne edycje mogą kumulować zmiany, a światło i geometria nowego fragmentu mogą nie pasować do otoczenia.",
   "limits_en": "Masks cannot ensure perfect boundaries or identity preservation. Repeated edits can accumulate changes, while new-region lighting and geometry may not fit surrounding content.",
   "terms": [
    {
     "gloss": "Generowanie treści we wskazanym brakującym lub zastępowanym obszarze.",
     "term": "inpainting"
    },
    {
     "gloss": "Rozszerzanie obrazu przez generowanie obszaru poza pierwotną ramą.",
     "term": "outpainting"
    }
   ],
   "terms_en": [
    {
     "gloss": "Generating content within a specified missing or replaced region.",
     "term": "inpainting"
    },
    {
     "gloss": "Extending images by generating regions beyond the original frame.",
     "term": "outpainting"
    }
   ],
   "prereq": [
    "diffusion",
    "segmentation"
   ],
   "keywords": [
    "InstructPix2Pix",
    "FLUX.1 Kontext",
    "Step1X-Edit",
    "Qwen-Image",
    "inpainting",
    "outpainting",
    "image-to-image",
    "GEdit-Bench"
   ],
   "source_ids": [
    "qwen-image-2025",
    "instructpix2pix-2022",
    "hf-diffusers-inpaint",
    "hf-task-image-to-image",
    "flux-kontext-2025",
    "step1x-edit-2025"
   ],
   "url": "https://aiatlasgraph.com/t/imageediting",
   "markdown_url": "https://aiatlasgraph.com/t/imageediting.md",
   "updated": "2026-10-30"
  },
  "imagegen": {
   "id": "imagegen",
   "parent_id": "modalities",
   "label": "Generowanie obrazu i wideo",
   "canonical_name": "Image and video generation",
   "description": "Synteza i edycja treści wizualnej.",
   "description_en": "Synthesising and editing visual content.",
   "examples": "Text-to-image · image-to-image · video",
   "examples_en": "Text-to-image · image-to-image · video",
   "plain": "To tworzenie nowych obrazów i filmów przez program na podstawie opisu słownego albo innego obrazu.",
   "plain_en": "This is software creating new images and videos from a written description or another image.",
   "solves": "Przygotowanie ilustracji, zdjęcia produktu czy krótkiego filmu wymaga sprzętu, umiejętności i czasu, których często brakuje.",
   "solves_en": "Making an illustration, a product photo or a short clip needs equipment, skill and time that people often lack.",
   "does": "Z poznanych przykładów uczy się powiązań opisu z wyglądem, a następnie tworzy lub zmienia obraz i kolejne klatki filmu.",
   "does_en": "It learns links between descriptions and appearance from examples, then creates or edits images and successive video frames.",
   "example": "Opisujesz kota w kapeluszu na tle gór o zachodzie słońca i dostajesz różne ilustracje do wyboru.",
   "example_en": "You describe a cat in a hat against mountains at sunset and receive different illustrations to choose from.",
   "for_you": [
    "potrzebujesz grafik, a nie umiesz rysować",
    "tworzysz treści wizualne do sieci lub prezentacji",
    "chcesz rozpoznawać obrazy wygenerowane przez model"
   ],
   "for_you_en": [
    "need graphics but cannot draw",
    "make visual content for the web or presentations",
    "want to recognise model-generated images"
   ],
   "how": "Model uczy rozkład wizualnych struktur warunkowany tekstem, obrazem lub innym sygnałem. Odszumianie, przepływ albo predykcja tokenów tworzy reprezentację, którą dekoder przekształca w piksele lub sekwencję klatek.",
   "how_en": "The model learns visual-structure distributions conditioned on text, images or other signals. Denoising, flows or token prediction create representations decoded into pixels or frame sequences.",
   "limits": "Zgodność z opisem, spójność i realizm są osobnymi kryteriami. Nieobecne kombinacje mogą powodować artefakty, a wiarygodny obraz nie potwierdza istnienia przedstawionego zdarzenia.",
   "limits_en": "Prompt adherence, consistency and realism are separate criteria. Unseen combinations can cause artifacts, and plausible images do not prove the depicted event occurred.",
   "terms": [
    {
     "gloss": "Wprowadzenie sygnału sterującego rozkładem generowanych wyników.",
     "term": "warunkowanie"
    },
    {
     "gloss": "Ukryta reprezentacja obrazu przetwarzana przed dekodowaniem do pikseli.",
     "term": "latent"
    }
   ],
   "terms_en": [
    {
     "gloss": "Supplying a signal that guides the generated-output distribution.",
     "term": "conditioning"
    },
    {
     "gloss": "A hidden image representation processed before decoding into pixels.",
     "term": "latent"
    }
   ],
   "prereq": [
    "generative",
    "representations"
   ],
   "keywords": [
    "latent diffusion",
    "flow matching",
    "Stable Diffusion",
    "SDXL",
    "FLUX.1",
    "ControlNet",
    "DreamBooth",
    "classifier-free guidance",
    "FID",
    "spatiotemporal attention"
   ],
   "source_ids": [
    "audio",
    "vision",
    "cs336",
    "hf-task-text-to-image"
   ],
   "url": "https://aiatlasgraph.com/t/imagegen",
   "markdown_url": "https://aiatlasgraph.com/t/imagegen.md",
   "updated": "2026-10-30"
  },
  "imagerestoration": {
   "id": "imagerestoration",
   "parent_id": "visionnode",
   "label": "Powiększanie i naprawa zdjęć (super-rozdzielczość)",
   "canonical_name": "Image upscaling and restoration (super-resolution)",
   "aliases": [
    "image upscaling",
    "super-resolution",
    "SR",
    "image restoration",
    "AI upscaler",
    "denoising",
    "deblurring",
    "powiększanie obrazu",
    "super-rozdzielczość",
    "odszumianie",
    "rekonstrukcja zdjęć"
   ],
   "description": "Odtwarzanie czystego obrazu o wyższej rozdzielczości z wersji zdegradowanej (mała rozdzielczość, szum, rozmycie, kompresja). Od modeli GAN trenowanych na syntetycznych zniszczeniach po rekonstrukcję dyfuzyjną z generatywnym priorem, która może dopowiadać wiarygodne, ale niekoniecznie prawdziwe szczegóły.",
   "description_en": "Recovering a clean, higher-resolution image from a degraded one (low resolution, noise, blur, compression). Approaches range from GAN models trained on synthetic degradations to diffusion-based restoration with a generative prior, which can add plausible but not necessarily true detail.",
   "examples": "super-rozdzielczość · ślepa rekonstrukcja · odszumianie · usuwanie rozmycia · poprawa twarzy · Real-ESRGAN · SUPIR",
   "examples_en": "super-resolution · blind restoration · denoising · deblurring · face restoration · Real-ESRGAN · SUPIR",
   "plain": "To powiększanie i naprawianie rozmazanych, zaszumionych lub starych zdjęć tak, by wyglądały ostro.",
   "plain_en": "This enlarges and repairs blurry, noisy or old photos so they look sharp.",
   "solves": "Stare zdjęcia, kadry z kamer i małe obrazki z sieci są zbyt rozmyte lub drobne, żeby je wydrukować czy pokazać na dużym ekranie.",
   "solves_en": "Old photos, camera stills and small web images are too blurry or tiny to print or show on a big screen.",
   "does": "Szacuje brakujące szczegóły na podstawie poznanych obrazów, jak konserwator uzupełniający ubytki; dorysowany fragment nie musi odtwarzać prawdziwego wyglądu.",
   "does_en": "It estimates missing details from learned images, like a restorer filling gaps; an added detail may not match what was really there.",
   "example": "Skanujesz pogniecione zdjęcie ślubne dziadków, a program usuwa rysy, wyostrza twarze i pozwala wydrukować je w dużym formacie.",
   "example_en": "You scan your grandparents' creased wedding photo, and the software removes scratches, sharpens faces and lets you print it large.",
   "for_you": [
    "masz stare lub słabej jakości zdjęcia",
    "potrzebujesz większej wersji małej grafiki",
    "musisz pamiętać, że dorysowane szczegóły mogą być nieprawdziwe"
   ],
   "for_you_en": [
    "have old or poor-quality photos",
    "need a larger version of a small image",
    "must remember that added details may not be real"
   ],
   "how": "Model uczy odwzorowania degradacji na czysty obraz albo korzysta z prioru generatywnego do rekonstrukcji. Warunkowanie niskiej jakości wejściem i ograniczenia zgodności równoważą odtwarzanie detali z zachowaniem obserwowanej treści.",
   "how_en": "The model learns a degradation-to-clean-image mapping or uses a generative prior for reconstruction. Conditioning on degraded inputs and consistency constraints balance detail recovery with preserving observed content.",
   "limits": "Degradacja traci informację, której nie da się jednoznacznie odzyskać. Generator może dodać wiarygodne, lecz fałszywe szczegóły; wynik zależy od zgodności degradacji treningowych z rzeczywistymi.",
   "limits_en": "Degradation loses information that cannot be uniquely recovered. Generators may add plausible but false details; results depend on matching training and real degradations.",
   "terms": [
    {
     "gloss": "Opis sposobu, w jaki obraz traci jakość lub rozdzielczość.",
     "term": "model degradacji"
    },
    {
     "gloss": "Wyuczone założenia o wyglądzie obrazów wspierające ich rekonstrukcję.",
     "term": "prior generatywny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A description of how an image loses quality or resolution.",
     "term": "degradation model"
    },
    {
     "gloss": "Learned assumptions about image appearance supporting reconstruction.",
     "term": "generative prior"
    }
   ],
   "prereq": [
    "generative",
    "cnn"
   ],
   "keywords": [
    "Real-ESRGAN",
    "SUPIR",
    "blind super-resolution",
    "image denoising",
    "image deblurring",
    "degradation models",
    "generative priors"
   ],
   "source_ids": [
    "hf-task-image-to-image",
    "real-esrgan-2021",
    "supir-2024",
    "diffusion-restoration-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/imagerestoration",
   "markdown_url": "https://aiatlasgraph.com/t/imagerestoration.md",
   "updated": "2026-10-30"
  },
  "imagetextfiltering": {
   "id": "imagetextfiltering",
   "parent_id": "multimodaldata",
   "label": "Filtrowanie par obraz–tekst",
   "canonical_name": "Image–text pair filtering",
   "aliases": [
    "CLIP filtering",
    "filtrowanie CLIP",
    "filtrowanie par obraz–tekst"
   ],
   "description": "Selekcja par obraz–tekst z puli webowej według podobieństwa embeddingów, reguł i klasyfikatorów, mierzona jakością wytrenowanego modelu.",
   "description_en": "Selecting image–text pairs from a web pool by embedding similarity, rules and classifiers, judged by the quality of the trained model.",
   "plain": "Odsiewanie z internetu par zdjęcie–podpis, w których podpis nie pasuje do obrazka albo obrazek jest bezwartościowy.",
   "plain_en": "Weeding out web photo–caption pairs where the caption does not match the picture or the picture is worthless.",
   "solves": "Miliardy zdjęć z sieci mają podpisy w stylu nazwy pliku lub reklamy, więc model kojarzy słowa z niewłaściwymi obrazami.",
   "solves_en": "Billions of web photos have captions like file names or ads, so a model links words to the wrong pictures.",
   "does": "Inny model ocenia, czy słowa i obraz mówią o tym samym, a do nauki trafia tylko najlepiej dopasowana część.",
   "does_en": "Another model scores whether the words and the image talk about the same thing, and only the best-matched share is kept.",
   "example": "Zdjęcie psa podpisane „IMG_2041.jpg” wylatuje ze zbioru, a to samo zdjęcie z podpisem „pies na plaży” zostaje.",
   "example_en": "A dog photo captioned “IMG_2041.jpg” is dropped, while the same photo captioned “a dog on the beach” stays.",
   "for_you": [
    "składasz zbiór zdjęć z opisami do nauki modelu",
    "chcesz zrozumieć, jak powstają otwarte zbiory obraz–tekst"
   ],
   "for_you_en": [
    "are assembling captioned photos to train a model",
    "want to understand how open image–text datasets are made"
   ],
   "how": "Dla każdej pary liczy się podobieństwo kosinusowe embeddingów obrazu i tekstu z modelu kontrastowego i odcina dolną część rozkładu. Dochodzą filtry językowe, rozdzielczości i klastrowanie po embeddingach pod docelowe zadania. Benchmark typu DataComp ustala stałą pulę, kod i budżet treningu, więc porównuje się wyłącznie strategie filtrowania.",
   "how_en": "For each pair the cosine similarity of image and text embeddings from a contrastive model is computed and the lower tail is cut. Language, resolution and embedding-cluster filters targeting downstream tasks are added. A DataComp-style benchmark fixes pool, training code and budget, so only filtering strategies are compared.",
   "limits": "Filtr powiela gusta i luki modelu, którym ocenia, np. gorzej traktuje treści spoza dominującego języka i kultury. Agresywne odcięcie zmniejsza różnorodność; optymalny próg zależy od budżetu obliczeń.",
   "limits_en": "The filter copies the tastes and gaps of the scoring model, e.g. under-serving content outside the dominant language and culture. Aggressive cuts reduce diversity; the best threshold depends on compute budget.",
   "terms": [
    {
     "gloss": "Miara kąta między dwoma wektorami; im bliżej 1, tym bardziej podobne.",
     "term": "podobieństwo kosinusowe"
    },
    {
     "gloss": "Trafność modelu na zadaniu, którego nie trenowano bezpośrednio.",
     "term": "zero-shot accuracy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Angle-based similarity of two vectors; closer to 1 means more alike.",
     "term": "cosine similarity"
    },
    {
     "gloss": "Accuracy on a task the model was never directly trained for.",
     "term": "zero-shot accuracy"
    }
   ],
   "prereq": [
    "clipcontrastive"
   ],
   "keywords": [
    "DataComp",
    "CLIP score",
    "LAION",
    "Data Filtering Networks",
    "image-based clustering filter",
    "T-MARS",
    "CommonPool"
   ],
   "source_ids": [
    "gadre-2023-datacomp"
   ],
   "url": "https://aiatlasgraph.com/t/imagetextfiltering",
   "markdown_url": "https://aiatlasgraph.com/t/imagetextfiltering.md",
   "updated": "2026-10-30"
  },
  "imagetranslation": {
   "id": "imagetranslation",
   "parent_id": "gan",
   "label": "Przekładanie obrazu na obraz (pix2pix, CycleGAN)",
   "canonical_name": "Image-to-image translation (pix2pix, CycleGAN)",
   "aliases": [
    "image-to-image translation",
    "pix2pix",
    "CycleGAN",
    "conditional GAN",
    "unpaired translation",
    "tłumaczenie obraz-obraz"
   ],
   "description": "Warunkowe GAN uczące mapowania między dziedzinami obrazów, z parami (pix2pix) lub bez par dzięki stracie spójności cyklu (CycleGAN).",
   "description_en": "Conditional GANs learning mappings between image domains, from paired examples (pix2pix) or without pairs via a cycle-consistency loss (CycleGAN).",
   "plain": "Model, który zamienia obraz jednego rodzaju na inny: szkic w zdjęcie, dzień w noc, mapę w widok z satelity.",
   "plain_en": "A model that turns one kind of image into another: a sketch into a photo, day into night, a map into a satellite view.",
   "solves": "Ręczne przerabianie tysięcy obrazów na inny styl lub format zajmuje mnóstwo czasu, a dobranych par przed-i-po często brakuje.",
   "solves_en": "Converting thousands of images into another style or format by hand takes ages, and matching before-and-after pairs are often missing.",
   "does": "Jak tłumacz, który sprawdza się, przekładając tekst tam i z powrotem: obraz po podwójnej zamianie musi wrócić do oryginału.",
   "does_en": "Like a translator checking work by translating there and back: after a double conversion the image must return to the original.",
   "example": "Aplikacja zamienia twoje zdjęcie z wakacji w obraz w stylu dawnego malarza albo dzienną fotografię ulicy w nocną.",
   "example_en": "An app turns your holiday photo into a painting in an old master's style, or a daytime street shot into a night scene.",
   "for_you": [
    "zamieniasz zdjęcia na inny styl lub porę dnia",
    "masz obrazy z dwóch źródeł bez dopasowanych par"
   ],
   "for_you_en": [
    "convert photos into another style or time of day",
    "have images from two sources without matching pairs"
   ],
   "how": "W wersji z parami generator dostaje obraz wejściowy, a dyskryminator ocenia parę wejście–wynik, często łatkami. Bez par trenuje się dwa generatory w przeciwnych kierunkach: strata przeciwstawna upodabnia wynik do dziedziny docelowej, a strata cyklu wymaga, by przekład tam i z powrotem odtworzył oryginał.",
   "how_en": "In the paired setting the generator receives the input image and the discriminator judges input–output pairs, often patch by patch. Without pairs two generators are trained in opposite directions: an adversarial loss makes outputs look like the target domain, while a cycle loss requires a round trip to reconstruct the original.",
   "limits": "Bez dopasowanych par wiele różnych mapowań może spełnić stratę przeciwstawną. Spójność cyklu zawęża rozwiązania, ale nie dowodzi, że model nauczył się jedynego semantycznie poprawnego przekładu między dziedzinami.",
   "limits_en": "Without paired examples, many different mappings can satisfy the adversarial objective. Cycle consistency narrows the solutions but does not prove that the model learned the uniquely correct semantic translation between domains.",
   "terms": [
    {
     "gloss": "Wymóg, by obraz po przekładzie tam i z powrotem wrócił do oryginału.",
     "term": "spójność cyklu"
    },
    {
     "gloss": "Ocenia realizm małych fragmentów obrazu zamiast całości.",
     "term": "dyskryminator łatkowy"
    },
    {
     "gloss": "Generator tworzący wynik na podstawie podanego wejścia, a nie samego szumu.",
     "term": "warunkowy GAN"
    }
   ],
   "terms_en": [
    {
     "gloss": "Requiring an image translated there and back to match the original.",
     "term": "cycle consistency"
    },
    {
     "gloss": "Judges realism of small image patches rather than the whole.",
     "term": "PatchGAN discriminator"
    },
    {
     "gloss": "A generator producing output from a given input, not noise alone.",
     "term": "conditional GAN"
    }
   ],
   "prereq": [
    "cnnarchs"
   ],
   "keywords": [
    "CycleGAN",
    "pix2pix",
    "conditional GAN",
    "cycle-consistency loss",
    "PatchGAN",
    "unpaired translation",
    "style transfer",
    "domain adaptation"
   ],
   "source_ids": [
    "zhu-cyclegan-2017"
   ],
   "url": "https://aiatlasgraph.com/t/imagetranslation",
   "markdown_url": "https://aiatlasgraph.com/t/imagetranslation.md",
   "updated": "2026-10-30"
  },
  "imitation": {
   "id": "imitation",
   "parent_id": "decisions",
   "label": "Uczenie przez imitację",
   "canonical_name": "Imitation learning",
   "description": "Nauka działania z demonstracji.",
   "description_en": "Learning to act from demonstrations.",
   "examples": "Behavioral cloning · inverse RL",
   "examples_en": "Behavioural cloning · inverse RL",
   "plain": "To uczenie programu lub robota działania na podstawie pokazów wykonania zadania.",
   "plain_en": "This teaches software or a robot to act using demonstrations of a task.",
   "solves": "Łatwiej pokazać dobre wykonanie niż opisać wszystkie reguły i oceny potrzebne do samodzielnego odkrycia sposobu działania.",
   "solves_en": "Showing good performance is easier than describing every rule and score needed to discover how to act independently.",
   "does": "Wykorzystuje obserwacje i ruchy z pokazów, naśladuje zachowania lub odtwarza ich cel, czasem prosząc człowieka o korekty nowych sytuacji.",
   "does_en": "It uses demonstrated observations and actions, imitates behaviour or infers its goal, sometimes seeking human corrections in new situations.",
   "example": "Pokazujesz ramieniu robota odkładanie kubka na półkę, a zapis obrazu i ruchów służy do uczenia podobnych czynności.",
   "example_en": "You demonstrate placing a cup on a shelf with a robot arm, and recorded images and movements help teach similar actions.",
   "for_you": [
    "potrafisz zebrać pokazy poprawnego wykonania zadania",
    "trudno ręcznie opisać zasady dobrego działania"
   ],
   "for_you_en": [
    "can collect demonstrations of correct task performance",
    "find good action rules difficult to describe manually"
   ],
   "how": "Demonstracje dostarczają par obserwacji i akcji lub całych trajektorii eksperta. Politykę dopasowuje się do tych działań, rozkładu trajektorii albo celu odtworzonego z zachowania demonstratora.",
   "how_en": "Demonstrations provide observation–action pairs or expert trajectories. Policies are fitted to these actions, trajectory distributions or objectives inferred from demonstrator behaviour.",
   "limits": "Demonstracje ograniczają pokrycie sytuacji i odzwierciedlają błędy eksperta. Polityka po własnej pomyłce może trafić w stany nieobecne w zbiorze.",
   "limits_en": "Demonstrations limit situation coverage and reflect expert errors. After making a mistake, a policy can enter states absent from the dataset.",
   "terms": [
    {
     "gloss": "Zapis wykonania zadania służący jako przykład zachowania.",
     "term": "demonstracja"
    },
    {
     "gloss": "Różnica między sytuacjami w danych a napotykanymi podczas działania.",
     "term": "przesunięcie rozkładu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A recording of task execution used as a behavioural example.",
     "term": "demonstration"
    },
    {
     "gloss": "A difference between recorded situations and those encountered during operation.",
     "term": "distribution shift"
    }
   ],
   "prereq": [
    "supervised",
    "mdp"
   ],
   "keywords": [
    "expert demonstrations",
    "behavioral cloning",
    "DAgger",
    "GAIL",
    "maximum-entropy IRL",
    "covariate shift",
    "action chunking",
    "Diffusion Policy"
   ],
   "source_ids": [
    "rl",
    "cs221"
   ],
   "url": "https://aiatlasgraph.com/t/imitation",
   "markdown_url": "https://aiatlasgraph.com/t/imitation.md",
   "updated": "2026-10-30"
  },
  "impedancecontrol": {
   "id": "impedancecontrol",
   "parent_id": "robotcontrol",
   "label": "Sterowanie siłą i podatnością (sterowanie impedancyjne)",
   "canonical_name": "Impedance, admittance and force control",
   "aliases": [
    "impedance control",
    "admittance control",
    "force control",
    "compliance control",
    "hybrid force-position control",
    "sterowanie impedancyjne",
    "sterowanie siłowe",
    "podatność"
   ],
   "description": "Sterowanie zależnością siła–ruch: impedancyjne (wirtualna sprężyna i tłumik), admitancyjne (siła przeliczana na ruch) i bezpośrednie sterowanie siłą, także hybrydowe.",
   "description_en": "Controlling the force–motion relationship: impedance (virtual spring-damper), admittance (force mapped to motion) and direct force control, including hybrid schemes.",
   "plain": "Sposób sterowania, w którym ramię robota zachowuje się jak sprężyna: ustępuje pod naciskiem zamiast twardo trzymać zadaną pozycję.",
   "plain_en": "A way of controlling a robot arm so it behaves like a spring: giving way under pressure instead of rigidly holding its position.",
   "solves": "Robot sterowany samym położeniem przy kontakcie z twardym blatem lub człowiekiem naciska z całej siły, żeby dotrzeć do zadanego punktu.",
   "solves_en": "A robot controlled only by position pushes with full force against a hard table or a person to reach its target point.",
   "does": "Ustawia, jak „miękkie” ma być ramię w każdym kierunku, jak ręka, którą trzymasz sztywno przy niesieniu szklanki, a luźno przy głaskaniu psa.",
   "does_en": "It sets how “soft” the arm is in each direction, like a hand held stiff carrying a glass and loose when stroking a dog.",
   "example": "Ramię szlifujące dociska papier ścierny do wygiętej powierzchni ze stałą siłą, choć jej kształt nie jest dokładnie znany.",
   "example_en": "A sanding arm presses abrasive paper against a curved surface with constant force even though its exact shape is unknown.",
   "for_you": [
    "robot ma dotykać powierzchni lub ludzi",
    "chcesz prowadzić ramię ręką, ucząc je ruchu",
    "projektujesz montaż, szlifowanie lub polerowanie"
   ],
   "for_you_en": [
    "need a robot to touch surfaces or people",
    "want to guide an arm by hand to teach it",
    "design assembly, sanding or polishing"
   ],
   "how": "Sterowanie impedancyjne sprawia, że końcówka zachowuje się jak układ masa–sprężyna–tłumik wokół punktu zadanego, co działa i w powietrzu, i w kontakcie bez przełączania. Admitancja przelicza zmierzoną siłę na ruch dla wewnętrznej pętli położenia, więc nie wymaga sterowania momentem. Bezpośrednie sterowanie siłą utrzymuje zadaną siłę, często hybrydowo z położeniem w innych osiach.",
   "how_en": "Impedance control makes the end-effector behave like a mass-spring-damper around a set point, working in free space and contact without switching. Admittance maps measured force to motion for an inner position loop, so it needs no torque control. Direct force control holds a target force, often hybrid with position on other axes.",
   "limits": "Zmiana sztywności w trakcie ruchu może naruszyć stabilność, zwłaszcza przy miękkim otoczeniu. Sterowanie siłą wymaga szybkiej pętli i dokładnych czujników. Dobór sztywności i tłumienia do zadania często robi się ręcznie lub uczy osobno.",
   "limits_en": "Changing stiffness during motion can break stability, especially with soft environments. Force control needs a fast loop and accurate sensors. Stiffness and damping are often tuned by hand or learned separately.",
   "terms": [
    {
     "gloss": "Jak bardzo robot opiera się przesunięciu, czyli jego „miękkość”.",
     "term": "impedancja"
    },
    {
     "gloss": "Odwrotność: jaką ruchem odpowiada na przyłożoną siłę.",
     "term": "admitancja"
    },
    {
     "gloss": "Własność gwarantująca, że sterownik nie wprowadza energii i nie rozhuśta układu.",
     "term": "pasywność"
    }
   ],
   "terms_en": [
    {
     "gloss": "How much the robot resists being moved – its “softness”.",
     "term": "impedance"
    },
    {
     "gloss": "The inverse: what motion it makes in response to an applied force.",
     "term": "admittance"
    },
    {
     "gloss": "A property guaranteeing the controller adds no energy and does not destabilise.",
     "term": "passivity"
    }
   ],
   "prereq": [
    "calculus",
    "linearalgebra"
   ],
   "keywords": [
    "impedance control",
    "admittance control",
    "hybrid force/position control",
    "operational space control",
    "variable impedance",
    "Cartesian impedance",
    "torque-controlled robot",
    "franka_ros"
   ],
   "source_ids": [
    "manipulation-in-contact-survey-2022",
    "phri-vic-iso15066-2023"
   ],
   "url": "https://aiatlasgraph.com/t/impedancecontrol",
   "markdown_url": "https://aiatlasgraph.com/t/impedancecontrol.md",
   "updated": "2026-10-30"
  },
  "imperfectinfo": {
   "id": "imperfectinfo",
   "parent_id": "gameplaying",
   "label": "Gry z ukrytą informacją (poker, CFR)",
   "canonical_name": "Imperfect-information games and counterfactual regret minimisation",
   "aliases": [
    "imperfect-information games",
    "CFR",
    "counterfactual regret minimization",
    "poker AI",
    "gry z niepełną informacją",
    "minimalizacja kontrfaktycznego żalu",
    "Libratus",
    "Pluribus"
   ],
   "description": "Algorytmy dla gier z ukrytą informacją, oparte na iteracyjnej minimalizacji kontrfaktycznego żalu, abstrakcji gry i przeszukiwaniu w czasie rzeczywistym.",
   "description_en": "Algorithms for hidden-information games built on iterative counterfactual regret minimisation, game abstraction and real-time search.",
   "plain": "Metody grania w gry, w których nie widać kart ani ruchów przeciwnika, więc trzeba blefować i liczyć się z blefem.",
   "plain_en": "Ways of playing games where you cannot see the opponent's cards or moves, so you must bluff and expect bluffs.",
   "solves": "Gdy przeciwnik ukrywa informacje, każdy przewidywalny styl gry da się wykorzystać, a zwykłe przeszukiwanie ruchów przestaje działać.",
   "solves_en": "When an opponent hides information, any predictable style can be exploited, and ordinary move search stops working.",
   "does": "Jak doświadczony pokerzysta, który po każdym rozdaniu liczy, ile by zyskał innym zagraniem, i powoli przesuwa nawyki w stronę lepszych.",
   "does_en": "Like a seasoned poker player who after each hand counts what another play would have won and slowly shifts habits toward better ones.",
   "example": "Program do nauki pokera, który po partii pokazuje, gdzie spasowałeś za wcześnie i jak często warto blefować.",
   "example_en": "A poker training app that shows after a session where you folded too early and how often a bluff pays off.",
   "for_you": [
    "grasz w pokera lub inne gry z ukrytymi kartami",
    "ciekawi cię, jak AI nauczyło się blefować"
   ],
   "for_you_en": [
    "play poker or other hidden-card games",
    "wonder how AI learned to bluff"
   ],
   "how": "Minimalizacja kontrfaktycznego żalu wielokrotnie gra ze sobą i dla każdej sytuacji zapamiętuje, ile straciła, nie wybierając innych akcji; średnia strategia zbiega do równowagi w grach dwuosobowych o sumie zerowej. Ogromne gry upraszcza się abstrakcją rąk i stawek, a podczas gry strategię dopracowuje ograniczone w głąb przeszukiwanie.",
   "how_en": "Counterfactual regret minimisation repeatedly plays itself and, for each situation, records how much it lost by not choosing other actions; the average strategy converges to equilibrium in two-player zero-sum games. Huge games are simplified by abstracting hands and bet sizes, and depth-limited search refines the strategy during play.",
   "limits": "Gwarancja zbieżności dotyczy tylko gier dwuosobowych o sumie zerowej; w grach wieloosobowych sukces jest empiryczny. Abstrakcja zaciera subtelne różnice, a strategia bliska równowadze nie wykorzystuje słabości konkretnego przeciwnika.",
   "limits_en": "The convergence guarantee holds only for two-player zero-sum games; in multiplayer games success is empirical. Abstraction blurs subtle distinctions, and a near-equilibrium strategy does not exploit a specific opponent's weaknesses.",
   "terms": [
    {
     "gloss": "Ile byśmy zyskali, wybierając w danej sytuacji inną akcję.",
     "term": "żal kontrfaktyczny"
    },
    {
     "gloss": "Łączenie podobnych rąk i stawek, żeby gra była mniejsza.",
     "term": "abstrakcja gry"
    },
    {
     "gloss": "Wyliczona wcześniej strategia, dopracowywana w trakcie partii.",
     "term": "strategia bazowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "How much we would have gained by choosing another action in a situation.",
     "term": "counterfactual regret"
    },
    {
     "gloss": "Merging similar hands and bets so the game becomes smaller.",
     "term": "game abstraction"
    },
    {
     "gloss": "A precomputed strategy refined during play.",
     "term": "blueprint strategy"
    }
   ],
   "prereq": [
    "adversarialsearch",
    "marl"
   ],
   "keywords": [
    "CFR",
    "Monte Carlo CFR",
    "CFR+",
    "Libratus",
    "Pluribus",
    "DeepStack",
    "ReBeL",
    "Student of Games",
    "OpenSpiel"
   ],
   "source_ids": [
    "brown-sandholm-pluribus-2019"
   ],
   "url": "https://aiatlasgraph.com/t/imperfectinfo",
   "markdown_url": "https://aiatlasgraph.com/t/imperfectinfo.md",
   "updated": "2026-10-30"
  },
  "indirectinjection": {
   "id": "indirectinjection",
   "parent_id": "promptattacks",
   "label": "Pośrednie wstrzykiwanie promptu (przez dokumenty i narzędzia)",
   "canonical_name": "Indirect prompt injection",
   "description": "Atakujący nie rozmawia z modelem — ukrywa polecenia w stronie, mailu, pliku czy wyniku narzędzia, które aplikacja LLM sama pobierze. Szczególnie groźne dla RAG i agentów, bo może prowadzić do kradzieży danych lub niechcianych działań.",
   "description_en": "The attacker never talks to the model — they hide instructions in a web page, email, file or tool result that the LLM application will fetch itself. Especially dangerous for RAG and agents, as it can lead to data theft or unwanted actions.",
   "examples": "ukryty tekst na stronie · złośliwy mail do asystenta · eksfiltracja przez link",
   "examples_en": "hidden text on a web page · malicious email to an assistant · link-based exfiltration",
   "plain": "To ukrywanie złośliwych poleceń w dokumentach lub wynikach narzędzi, które model sam pobiera.",
   "plain_en": "This hides malicious instructions in documents or tool results that a model retrieves.",
   "solves": "Asystent czyta stronę dla ciebie, a jej autor może próbować przejąć wpływ na dalsze działania.",
   "solves_en": "An assistant reads a page for you, while its author may try to influence the assistant's later actions.",
   "does": "Polecenie przychodzi jako rzekoma treść do analizy; gdy system przyzna mu rangę instrukcji, może zmienić odpowiedź lub użycie narzędzi.",
   "does_en": "An instruction arrives disguised as material to analyse; if treated as authoritative, it can change responses or tool use.",
   "example": "Dokument przesłany do streszczenia zawiera żądanie wysłania prywatnych notatek, choć użytkownik prosił tylko o skrót.",
   "example_en": "A document submitted for summarisation demands private notes be sent elsewhere, although the user requested only a summary.",
   "for_you": [
    "asystent pobiera strony, pliki lub wiadomości",
    "narzędzia zwracają treści od innych osób"
   ],
   "for_you_en": [
    "let an assistant retrieve pages, files or messages",
    "use tools that return other people's content"
   ],
   "how": "Atakujący umieszcza instrukcje w materiale pobieranym przez wyszukiwarkę, narzędzie lub pamięć agenta. Po włączeniu materiału do kontekstu model może pomylić dane z poleceniem, zmieniając odpowiedź albo dalsze wywołania.",
   "how_en": "An attacker places instructions in material retrieved through search, tools or agent memory. Once incorporated into context, a model can confuse data with instructions and change answers or subsequent calls.",
   "limits": "Skanowanie pojedynczego dokumentu może pomijać zależności między materiałami i etapami. Obrona musi zachować pochodzenie danych oraz uprawnienia; brak widocznego ataku w odpowiedzi nie dowodzi bezpiecznego wykonania.",
   "limits_en": "Scanning one document can miss cross-material and cross-stage dependencies. Defence must preserve provenance and permissions; no visible attack in an answer does not establish safe execution.",
   "terms": [
    {
     "gloss": "Pobrana treść, której nie wolno nadawać uprawnień instrukcji użytkownika.",
     "term": "niezaufany kontekst"
    },
    {
     "gloss": "Śledzenie pochodzenia danych, aby ograniczać ich wpływ na operacje.",
     "term": "taint tracking"
    }
   ],
   "terms_en": [
    {
     "gloss": "Retrieved content that must not inherit user-instruction authority.",
     "term": "untrusted context"
    },
    {
     "gloss": "Tracking data provenance to constrain its influence on operations.",
     "term": "taint tracking"
    }
   ],
   "prereq": [
    "retrieval",
    "tools"
   ],
   "keywords": [
    "untrusted context",
    "tool output injection",
    "data exfiltration",
    "taint tracking",
    "instruction-data separation",
    "CaMeL"
   ],
   "source_ids": [
    "owasp-llm-top10-2025",
    "indirect-prompt-injection-greshake-2023",
    "camel-debenedetti-2025"
   ],
   "url": "https://aiatlasgraph.com/t/indirectinjection",
   "markdown_url": "https://aiatlasgraph.com/t/indirectinjection.md",
   "updated": "2026-10-30"
  },
  "industrialai": {
   "id": "industrialai",
   "parent_id": null,
   "label": "AI w przemyśle",
   "canonical_name": "Industrial AI",
   "aliases": [
    "Industrial AI",
    "AI in manufacturing",
    "AI w produkcji",
    "Industry 4.0 AI",
    "smart manufacturing",
    "przemysłowa sztuczna inteligencja",
    "Przemysł 4.0"
   ],
   "description": "Zastosowania uczenia maszynowego w produkcji i przemyśle procesowym: utrzymanie predykcyjne, kontrola jakości, cyfrowe bliźniaki, sterowanie procesem i planowanie produkcji.",
   "description_en": "Machine learning applied to manufacturing and process industries: predictive maintenance, quality inspection, digital twins, process control and production scheduling.",
   "plain": "Programy, które pilnują maszyn w fabryce, oglądają wyroby na taśmie, podpowiadają ustawienia procesu i układają plan produkcji.",
   "plain_en": "Software that watches over factory machines, inspects products on the line, suggests process settings and plans production.",
   "solves": "Awaria maszyny zatrzymuje całą linię, wadliwe wyroby trafiają do klientów, a doświadczeni technicy odchodzą na emeryturę razem ze swoją wiedzą.",
   "solves_en": "One broken machine stops the whole line, faulty products reach customers, and experienced technicians retire taking their know-how with them.",
   "does": "Jak brygadzista z tysiącem oczu i uszu: słyszy, że łożysko zaczyna szumieć, zanim pęknie, i widzi rysę, której człowiek by nie zauważył.",
   "does_en": "Like a foreman with a thousand eyes and ears: it hears a bearing start humming before it breaks and spots scratches people miss.",
   "example": "W piekarni przemysłowej kamera nad taśmą odrzuca przypalone bułki, a czujnik na silniku pieca ostrzega, że wkrótce trzeba wymienić łożysko.",
   "example_en": "In an industrial bakery a camera over the belt rejects burnt rolls, while a sensor on the oven motor warns that a bearing will soon need replacing.",
   "for_you": [
    "pracujesz w fabryce, zakładzie lub utrzymaniu ruchu",
    "odpowiadasz za jakość wyrobów albo przestoje maszyn",
    "słyszysz o inteligentnych fabrykach i cyfrowych bliźniakach"
   ],
   "for_you_en": [
    "work in a factory, plant or maintenance team",
    "are responsible for product quality or machine downtime",
    "hear about smart factories and digital twins"
   ],
   "how": "Dane z czujników, sterowników i kamer zbiera się przez przemysłowy internet rzeczy i łączy z modelami uczonymi na historii procesu. Typowe są modele hybrydowe, łączące wiedzę o fizyce procesu z danymi. Wyniki trafiają do operatorów jako alarmy i rekomendacje albo do układów sterowania, często obliczane blisko maszyny.",
   "how_en": "Data from sensors, controllers and cameras are collected over the industrial internet of things and combined with models trained on process history. Hybrid models that join process physics with data are typical. Outputs reach operators as alarms and recommendations, or go to control systems, often computed close to the machine.",
   "limits": "Awarii i wad jest mało, więc brakuje etykiet. Każda maszyna i linia jest trochę inna, a model przeniesiony do innego zakładu traci trafność. Błędna decyzja grozi przestojem albo wypadkiem, dlatego wymaga się interpretowalności, walidacji i współpracy z istniejącymi systemami sterowania.",
   "limits_en": "Failures and defects are rare, so labels are scarce. Every machine and line differs a little, and a model moved to another plant loses accuracy. A wrong decision risks downtime or an accident, so interpretability, validation and integration with existing control systems are required.",
   "terms": [
    {
     "gloss": "Fabryki z połączonymi czujnikami, danymi i automatyczną analizą.",
     "term": "Przemysł 4.0"
    },
    {
     "gloss": "Przemysłowy internet rzeczy: maszyny i czujniki wysyłające dane w sieci.",
     "term": "IIoT"
    },
    {
     "gloss": "Wskaźnik, jaki odsetek czasu maszyna robi dobre wyroby z pełną prędkością.",
     "term": "OEE"
    },
    {
     "gloss": "Model łączący równania fizyki procesu z uczeniem na danych.",
     "term": "model hybrydowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Factories with connected sensors, data and automated analysis.",
     "term": "Industry 4.0"
    },
    {
     "gloss": "Industrial internet of things: machines and sensors sending data over a network.",
     "term": "IIoT"
    },
    {
     "gloss": "Share of time a machine makes good products at full speed.",
     "term": "OEE"
    },
    {
     "gloss": "A model combining process physics equations with learning from data.",
     "term": "hybrid model"
    }
   ],
   "prereq": [
    "timeseries",
    "visionnode"
   ],
   "keywords": [
    "predictive maintenance",
    "prognostics and health management",
    "visual inspection",
    "digital twin",
    "soft sensors",
    "IIoT",
    "Industry 4.0",
    "MVTec AD",
    "C-MAPSS",
    "hybrid modeling",
    "job shop scheduling",
    "OPC UA",
    "edge AI",
    "industrial copilot"
   ],
   "source_ids": [
    "lee-industrial-ai-book-2020",
    "lawrence-ml-industrial-sensing-control-2024",
    "li-llm-manufacturing-2024"
   ],
   "url": "https://aiatlasgraph.com/t/industrialai",
   "markdown_url": "https://aiatlasgraph.com/t/industrialai.md",
   "updated": "2026-10-30"
  },
  "industrialassistants": {
   "id": "industrialassistants",
   "parent_id": "industrialai",
   "label": "Asystenci językowi dla przemysłu",
   "canonical_name": "LLM assistants for manufacturing and maintenance",
   "aliases": [
    "industrial copilot",
    "LLM for manufacturing",
    "maintenance assistant",
    "industrial large models",
    "asystent utrzymania ruchu",
    "przemysłowy asystent AI"
   ],
   "description": "Modele językowe w produkcji: wyszukiwanie w dokumentacji i zgłoszeniach serwisowych, generowanie kodu sterowników, wsparcie projektowania i kontroli jakości.",
   "description_en": "Language models in manufacturing: search over documentation and work orders, controller code generation, and support for design and quality control.",
   "plain": "Czatboty, które znają instrukcje maszyn, historię awarii i procedury zakładu i odpowiadają technikom na pytania przy maszynie.",
   "plain_en": "Chatbots that know machine manuals, failure history and plant procedures, and answer technicians' questions at the machine.",
   "solves": "Wiedza o naprawach siedzi w głowach starszych techników i w tysiącach stron instrukcji, a nowa osoba na nocnej zmianie zostaje z awarią sama.",
   "solves_en": "Repair know-how sits in senior technicians' heads and thousands of manual pages, and a newcomer on the night shift faces a breakdown alone.",
   "does": "Jak telefon do kolegów, którzy przeczytali każdą instrukcję i każde zgłoszenie awarii w zakładzie i zawsze mówią, skąd to wiedzą.",
   "does_en": "Like calling colleagues who have read every manual and every fault report in the plant and always say where they got it from.",
   "example": "Technik pyta na tablecie, co oznacza kod błędu na prasie; dostaje kroki z instrukcji producenta i notatkę z podobnej naprawy sprzed roku.",
   "example_en": "A technician asks on a tablet what a press error code means and gets steps from the maker's manual plus a note from a similar past repair.",
   "for_you": [
    "szukasz informacji w grubych instrukcjach maszyn",
    "wdrażasz nowych pracowników w utrzymaniu ruchu",
    "chcesz zachować wiedzę odchodzących ekspertów"
   ],
   "for_you_en": [
    "search thick machine manuals for answers",
    "onboard new maintenance staff",
    "want to keep the know-how of departing experts"
   ],
   "how": "Najczęściej to wyszukiwanie z generowaniem odpowiedzi nad instrukcjami, procedurami i historią zleceń serwisowych, z cytatami źródeł. Modele pomagają też pisać kod sterowników PLC, analizować dane jakości i programować roboty. Coraz częściej działają jako agenci z dostępem do systemów zakładu przez narzędzia.",
   "how_en": "Most often this is retrieval-augmented answering over manuals, procedures and work-order history, with source citations. Models also help write PLC code, analyse quality data and program robots. Increasingly they act as agents with tool access to plant systems.",
   "limits": "Dane produkcyjne są specjalistyczne i poufne, a wymagania dokładności wysokie; w projektowaniu model pełni głównie rolę pomocniczą. Pomyłka w procedurze bezpieczeństwa czy kodzie sterownika jest groźna. Opóźnienia i koszt obliczeń utrudniają użycie w czasie rzeczywistym.",
   "limits_en": "Manufacturing data are specialised and confidential, and accuracy demands are high; in design the model plays mainly a supporting role. A mistake in a safety procedure or controller code is dangerous. Latency and compute cost hinder real-time use.",
   "terms": [
    {
     "gloss": "Przemysłowy sterownik, mały komputer sterujący maszyną.",
     "term": "PLC"
    },
    {
     "gloss": "Zapis zgłoszonej awarii, przyczyny i wykonanej naprawy.",
     "term": "zlecenie serwisowe"
    },
    {
     "gloss": "Odpowiedź modelu oparta na fragmentach pobranych z dokumentów.",
     "term": "RAG"
    }
   ],
   "terms_en": [
    {
     "gloss": "Programmable logic controller, a small computer running a machine.",
     "term": "PLC"
    },
    {
     "gloss": "A record of a reported fault, its cause and the repair done.",
     "term": "work order"
    },
    {
     "gloss": "A model answer grounded in passages retrieved from documents.",
     "term": "RAG"
    }
   ],
   "prereq": [
    "retrieval",
    "agentsnode"
   ],
   "keywords": [
    "industrial copilot",
    "RAG over manuals",
    "maintenance work orders",
    "PLC code generation",
    "IEC 61131-3",
    "LLM agents",
    "CAD generation",
    "knowledge management"
   ],
   "source_ids": [
    "li-llm-manufacturing-2024"
   ],
   "url": "https://aiatlasgraph.com/t/industrialassistants",
   "markdown_url": "https://aiatlasgraph.com/t/industrialassistants.md",
   "updated": "2026-10-30"
  },
  "inferenceengines": {
   "id": "inferenceengines",
   "parent_id": "selfhosting",
   "label": "Silniki serwowania modeli językowych (LLM)",
   "canonical_name": "LLM inference engines and servers",
   "aliases": [
    "inference engine",
    "inference server",
    "silnik inferencji",
    "vLLM",
    "SGLang",
    "TensorRT-LLM",
    "PagedAttention"
   ],
   "description": "Oprogramowanie serwerowe do wydajnego udostępniania LLM wielu użytkownikom. Zależnie od implementacji może łączyć ciągłe batchowanie, stronicowany KV cache i ponowne użycie wspólnych prefiksów, a często udostępnia API zgodne z popularnymi interfejsami oraz metryki.",
   "description_en": "Server software for serving LLMs efficiently to many users. Depending on the implementation, it may combine continuous batching, paged KV cache and shared-prefix reuse, and often exposes APIs compatible with popular interfaces plus metrics.",
   "examples": "stronicowany KV cache (PagedAttention) · ponowne użycie prefiksu (RadixAttention) · endpointy /v1/chat/completions · metryki Prometheus",
   "examples_en": "paged KV cache (PagedAttention) · prefix reuse (RadixAttention) · /v1/chat/completions endpoints · Prometheus metrics",
   "plain": "To programy serwerowe organizujące wydajną obsługę wielu zapytań do modeli językowych.",
   "plain_en": "These server programs organise efficient handling of many language-model requests.",
   "solves": "Proste uruchamianie modelu dla każdej prośby marnuje zasoby i trudno je rozbudować dla wielu użytkowników.",
   "solves_en": "Running a model naively for every request wastes resources and is difficult to scale across many users.",
   "does": "Silnik planuje wspólne obliczenia, zarządza pamięcią rozmów i udostępnia aplikacjom interfejs oraz pomiary; dostępne usprawnienia zależą od implementacji.",
   "does_en": "An engine schedules shared computation, manages conversation memory and exposes interfaces and measurements; available optimisations depend on the implementation.",
   "example": "Zamiast osobnego skryptu dla każdej rozmowy uruchamiasz silnik, który rozdziela zapytania całego zespołu do jednego modelu.",
   "example_en": "Instead of a separate script per conversation, you run an engine that schedules a team's requests against one model.",
   "for_you": [
    "udostępniasz model przez własny serwer",
    "potrzebujesz planowania zapytań i pomiarów wydajności"
   ],
   "for_you_en": [
    "serve a model from your own server",
    "need request scheduling and performance measurements"
   ],
   "how": "Silnik łączy obsługę zapytań z planowaniem kroków modelu i alokacją jego stanu. Zoptymalizowane kernele, dynamiczne partie oraz zarządzanie prefiksami przekształcają współbieżny ruch w pracę wykonywaną na urządzeniach.",
   "how_en": "An engine connects request handling to model-step scheduling and state allocation. Optimised kernels, dynamic batches and prefix management translate concurrent traffic into device execution.",
   "limits": "Obsługa architektur, formatów i funkcji różni się między silnikami. Ustawienia pamięci i harmonogramu wymagają strojenia; zgodny interfejs zapytań nie zapewnia identycznego dekodowania ani zachowania.",
   "limits_en": "Architecture, format and feature support differ across engines. Memory and scheduling need tuning; compatible request interfaces do not guarantee identical decoding or behaviour.",
   "terms": [
    {
     "gloss": "Mechanizm przydzielający pamięć reprezentacjom trwających zapytań.",
     "term": "alokator stanu"
    },
    {
     "gloss": "Warstwa dobierająca operatory i kernele do sprzętu.",
     "term": "backend wykonania"
    }
   ],
   "terms_en": [
    {
     "gloss": "A mechanism allocating memory to active-request representations.",
     "term": "state allocator"
    },
    {
     "gloss": "A layer selecting operators and kernels for hardware.",
     "term": "execution backend"
    }
   ],
   "prereq": [
    "tokenization",
    "selfattention"
   ],
   "keywords": [
    "vLLM",
    "SGLang",
    "TensorRT-LLM",
    "PagedAttention",
    "RadixAttention",
    "OpenAI-compatible API",
    "Prometheus metrics"
   ],
   "source_ids": [
    "vllm-pagedattention-2023",
    "sglang-2023",
    "vllm-openai-server"
   ],
   "url": "https://aiatlasgraph.com/t/inferenceengines",
   "markdown_url": "https://aiatlasgraph.com/t/inferenceengines.md",
   "updated": "2026-10-30"
  },
  "inferencemetrics": {
   "id": "inferencemetrics",
   "parent_id": "serving",
   "label": "Metryki wydajności inferencji LLM (TTFT, TPOT, przepustowość)",
   "canonical_name": "Inference performance metrics (TTFT, TPOT, throughput, goodput)",
   "aliases": [
    "TTFT",
    "time to first token",
    "TPOT",
    "inter-token latency",
    "ITL",
    "throughput",
    "goodput",
    "metryki inferencji"
   ],
   "description": "Podstawowe miary szybkości serwowania LLM: czas do pierwszego tokenu (TTFT), średni czas kolejnych tokenów wyjściowych (TPOT/ITL), przepustowość w tokenach lub zapytaniach na sekundę oraz goodput — liczba zapytań obsłużonych w granicach ustalonych SLO.",
   "description_en": "Core measures of LLM serving speed: time to first token (TTFT), average time for subsequent output tokens (TPOT/ITL), throughput in tokens or requests per second, and goodput — requests served within defined SLOs.",
   "examples": "TTFT · TPOT / ITL · opóźnienie ≈ TTFT + TPOT × (liczba tokenów wyjściowych − 1) · goodput przy SLO",
   "examples_en": "TTFT · TPOT / ITL · latency ≈ TTFT + TPOT × (output tokens − 1) · goodput under SLOs",
   "plain": "To miary czasu oczekiwania, tempa odpowiedzi i liczby zapytań obsługiwanych przez model.",
   "plain_en": "These measures track waiting time, response speed and the number of requests a model handles.",
   "solves": "Słowo „szybki” nie mówi, czy użytkownik długo czeka na początek, wolno czyta dalszy tekst czy stoi w kolejce.",
   "solves_en": "Calling a model fast does not reveal a slow start, sluggish text generation or long queues.",
   "does": "Pomiar oddziela początek odpowiedzi, kolejne fragmenty, całkowity ruch i dotrzymane wymagania czasowe, pokazując różne ograniczenia obsługi.",
   "does_en": "Measurements separate response starts, later elements, overall traffic and met timing requirements, revealing different serving limits.",
   "example": "Porównujesz serwery asystenta według czasu do pierwszej odpowiedzi i liczby rozmów obsłużonych bez przekroczenia ustalonego oczekiwania.",
   "example_en": "You compare assistant servers by time to the first response and conversations served within the agreed waiting limit.",
   "for_you": [
    "porównujesz wydajność wdrożeń",
    "chcesz mierzyć szybkość widzianą przez użytkownika"
   ],
   "for_you_en": [
    "compare deployment performance",
    "want to measure speed as users experience it"
   ],
   "how": "Znaczniki czasu mierzą oczekiwanie do pierwszego tokenu i odstępy dalszego strumienia, przy określonej granicy pomiaru. Rozkłady opóźnień zestawia się z przepustowością i goodput, aby oceniać obsługę ruchu w ustalonych wymaganiach.",
   "how_en": "Timestamps measure first-token waiting and subsequent stream intervals within a defined measurement boundary. Latency distributions are compared with throughput and goodput to evaluate traffic handling under specified requirements.",
   "limits": "Średnie ukrywają wolny ogon i różnice długości wejścia oraz wyjścia. Pomiar serwera może pomijać sieć i klienta; obciążenie testowe musi odpowiadać rzeczywistym zapytaniom.",
   "limits_en": "Averages hide slow tails and input or output length differences. Server measurements can omit networks and clients; test loads must represent actual queries.",
   "terms": [
    {
     "gloss": "Czas od ustalonego początku zapytania do pierwszego tokenu odpowiedzi.",
     "term": "TTFT"
    },
    {
     "gloss": "Średni czas generowania kolejnych tokenów po pierwszym.",
     "term": "TPOT"
    },
    {
     "gloss": "Przepustowość obejmująca tylko zapytania spełniające ustalone wymagania jakości usługi.",
     "term": "goodput"
    }
   ],
   "terms_en": [
    {
     "gloss": "Time from a defined request start to its first response token.",
     "term": "TTFT"
    },
    {
     "gloss": "Average generation time for subsequent tokens after the first.",
     "term": "TPOT"
    },
    {
     "gloss": "Throughput counting only requests meeting defined service requirements.",
     "term": "goodput"
    }
   ],
   "prereq": [
    "evalstats",
    "profiling"
   ],
   "keywords": [
    "TTFT",
    "TPOT",
    "inter-token latency",
    "tokens per second",
    "requests per second",
    "goodput",
    "p99 latency",
    "service-level objectives"
   ],
   "source_ids": [
    "databricks-llm-inference-perf",
    "bentoml-inference-metrics",
    "distserve-2024"
   ],
   "url": "https://aiatlasgraph.com/t/inferencemetrics",
   "markdown_url": "https://aiatlasgraph.com/t/inferencemetrics.md",
   "updated": "2026-10-30"
  },
  "influencefunctions": {
   "id": "influencefunctions",
   "parent_id": "datavaluation",
   "label": "Funkcje wpływu i śledzenie przykładów treningowych",
   "canonical_name": "Influence functions and training example tracing",
   "aliases": [
    "influence functions",
    "training example tracing",
    "funkcje wpływu",
    "śledzenie przykładów treningowych"
   ],
   "description": "Gradientowe przybliżenia wpływu przykładu treningowego na predykcję testową: klasyczne funkcje wpływu, TRAK i ich skalowalne warianty.",
   "description_en": "Gradient-based approximations of a training example's influence on a test prediction: classical influence functions, TRAK and scalable variants.",
   "plain": "Wskazywanie przykładów treningowych, które najbardziej popchnęły model do danej odpowiedzi, bez trenowania go od nowa.",
   "plain_en": "Pointing to the training examples that most pushed a model towards a given answer, without retraining it.",
   "solves": "Przetrenowanie modelu bez każdego podejrzanego przykładu z osobna trwałoby lata, a trzeba szybko znaleźć źródło błędu.",
   "solves_en": "Retraining a model without each suspicious example one by one would take years, yet the cause of an error is needed fast.",
   "does": "Działa jak śledzenie tropu wstecz: z kierunku, w którym każdy przykład pchał parametry, szacuje jego udział w odpowiedzi.",
   "does_en": "It traces footprints backwards: from the direction each example pushed the parameters, it estimates its share in the answer.",
   "example": "Klasyfikator zdjęć myli wilka z husky, a lista najbardziej wpływowych przykładów pokazuje zdjęcia psów na śniegu.",
   "example_en": "A photo classifier confuses a wolf with a husky, and the most influential examples turn out to be dogs on snow.",
   "for_you": [
    "debugujesz dziwne zachowanie modelu",
    "szukasz błędnie oznaczonych przykładów"
   ],
   "for_you_en": [
    "are debugging strange model behaviour",
    "are hunting for mislabelled examples"
   ],
   "how": "Klasyczna funkcja wpływu mnoży gradient straty przykładu testowego przez odwrotność hesjanu i gradient przykładu treningowego, używając iloczynów hesjan–wektor. TRAK korzysta z losowych rzutów gradientów i uśredniania po kilku modelach, aby skalować atrybucję do dużych sieci.",
   "how_en": "A classical influence function combines the test-loss gradient, inverse Hessian and training-example gradient using Hessian-vector products. TRAK uses random gradient projections and averaging over a handful of models to scale attribution to large networks.",
   "limits": "Teoria zakłada wypukłość, więc w głębokich sieciach wyniki są przybliżone i bywają szumne. Przechowywanie gradientów dla milionów przykładów wymaga dużo pamięci; dla największych modeli liczy się wpływ tylko na wybranych warstwach.",
   "limits_en": "Theory assumes convexity, so in deep networks results are approximate and can be noisy. Storing gradients for millions of examples takes a lot of memory; for the largest models influence is computed on selected layers only.",
   "terms": [
    {
     "gloss": "Macierz drugich pochodnych straty, opisująca krzywiznę krajobrazu uczenia.",
     "term": "hesjan"
    },
    {
     "gloss": "Sposób użycia hesjanu bez wyliczania całej, ogromnej macierzy.",
     "term": "iloczyn hesjan–wektor"
    },
    {
     "gloss": "Zmniejszenie wymiaru wektora mnożeniem przez losową macierz, z zachowaniem odległości.",
     "term": "rzut losowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Matrix of second derivatives of the loss, describing training-landscape curvature.",
     "term": "Hessian"
    },
    {
     "gloss": "Using the Hessian without materialising the whole huge matrix.",
     "term": "Hessian–vector product"
    },
    {
     "gloss": "Shrinking a vector by multiplying with a random matrix, roughly preserving distances.",
     "term": "random projection"
    }
   ],
   "prereq": [
    "backprop"
   ],
   "keywords": [
    "Koh & Liang influence functions",
    "TRAK",
    "EK-FAC",
    "Arnoldi influence",
    "LoGra",
    "Kronfluence",
    "dattri"
   ],
   "source_ids": [
    "park-2023-trak",
    "koh-liang-2017-influence"
   ],
   "url": "https://aiatlasgraph.com/t/influencefunctions",
   "markdown_url": "https://aiatlasgraph.com/t/influencefunctions.md",
   "updated": "2026-10-30"
  },
  "influencemaps": {
   "id": "influencemaps",
   "parent_id": "gamecharacters",
   "label": "Mapy wpływów do decyzji taktycznych",
   "canonical_name": "Influence maps for tactical decisions",
   "aliases": [
    "influence maps",
    "influence map",
    "tactical influence maps",
    "mapa wpływów",
    "mapy wpływów"
   ],
   "description": "Siatkowa reprezentacja przestrzeni, w której agenci rozpraszają wartości bliskości i zagrożenia z zanikiem z odległością; warstwy łączone arytmetycznie służą zapytaniom taktycznym.",
   "description_en": "A grid representation of space in which agents spread proximity and threat values that decay with distance; layers combined arithmetically serve tactical queries.",
   "plain": "Siatka nałożona na planszę pokazuje, gdzie jest silny wróg, gdzie sojusznicy i gdzie jest bezpiecznie.",
   "plain_en": "A grid laid over the level shows where the enemy is strong, where allies are, and where it is safe.",
   "solves": "Postać widząca tylko pojedynczych przeciwników nie wie, gdzie przebiega front ani gdzie najlepiej się wycofać.",
   "solves_en": "A character that only sees single enemies does not know where the front line is or where to retreat.",
   "does": "Działa jak mapa pogody: każda jednostka „promieniuje” wokół siebie, a nakładanie warstw pokazuje strefy ciepła i chłodu.",
   "does_en": "It works like a weather map: every unit 'radiates' around itself, and stacking layers reveals warm and cool zones.",
   "example": "W grze strategicznej łucznicy sami ustawiają się za linią frontu, z dala od miejsc, do których dosięgnie wrogi oddział.",
   "example_en": "In a strategy game, archers position themselves behind the front line, away from spots an enemy squad can reach.",
   "for_you": [
    "robisz grę strategiczną lub taktyczną",
    "chcesz, by jednostki rozsądnie wybierały pozycje",
    "szukasz prostego sposobu na „widzenie” pola bitwy"
   ],
   "for_you_en": [
    "make a strategy or tactics game",
    "want units to choose positions sensibly",
    "need a simple way to 'see' the battlefield"
   ],
   "how": "Każdy agent „stempluje” na siatce wstępnie policzony wzorzec zaniku, skalowany siłą jednostki, osobno dla bliskości i zagrożenia każdej frakcji. Mapy odświeża się co ułamek sekundy lub sekundy. Agent buduje mapę roboczą wokół siebie, dodając, mnożąc i odwracając warstwy, np. „niskie zagrożenie blisko mnie”.",
   "how_en": "Each agent 'stamps' a precomputed falloff template onto the grid, scaled by unit strength, separately for each faction's proximity and threat. Maps are refreshed every fraction of a second to a few seconds. An agent builds a working map around itself by adding, multiplying and inverting layers, e.g. 'low threat near me'.",
   "limits": "Mapa tylko informuje, decyzję musi podjąć inna warstwa AI. Gęsta siatka szybko zjada pamięć i czas. Prosty zanik z odległością ignoruje ściany; uwzględnienie linii wzroku lub długości ścieżki jest kosztowne.",
   "limits_en": "The map only informs; another AI layer must decide. A fine grid quickly eats memory and time. Simple distance falloff ignores walls; accounting for line of sight or path length is expensive.",
   "terms": [
    {
     "gloss": "Jak szybko wpływ jednostki słabnie wraz z odległością.",
     "term": "zanik (falloff)"
    },
    {
     "gloss": "Tymczasowe połączenie warstw policzone pod jedno pytanie agenta.",
     "term": "mapa robocza"
    }
   ],
   "terms_en": [
    {
     "gloss": "How quickly a unit's influence weakens with distance.",
     "term": "falloff"
    },
    {
     "gloss": "A temporary combination of layers computed for one agent query.",
     "term": "working map"
    }
   ],
   "keywords": [
    "influence map",
    "threat map",
    "proximity map",
    "tactical position selection",
    "falloff templates",
    "Modular Tactical Influence Maps",
    "RTS AI"
   ],
   "source_ids": [
    "mark-modular-imaps-gaipro2-2015"
   ],
   "url": "https://aiatlasgraph.com/t/influencemaps",
   "markdown_url": "https://aiatlasgraph.com/t/influencemaps.md",
   "updated": "2026-10-30"
  },
  "infoextraction": {
   "id": "infoextraction",
   "parent_id": "nlp",
   "label": "Wydobywanie informacji z tekstu (nazwy własne, relacje)",
   "canonical_name": "Information extraction (named entities and relations)",
   "aliases": [
    "information extraction",
    "IE",
    "named entity recognition",
    "NER",
    "relation extraction",
    "entity extraction",
    "ekstrakcja informacji",
    "rozpoznawanie nazw własnych",
    "ekstrakcja relacji"
   ],
   "description": "Zamiana swobodnego tekstu na uporządkowane fakty: rozpoznawanie nazw własnych (NER — osoby, miejsca, organizacje, daty), relacji i zdarzeń. Klasycznie jako etykietowanie tokenów; dziś także przez LLM zwracające JSON według schematu albo kompaktowe modele zero-shot.",
   "description_en": "Turning free text into structured facts: named entities (NER — people, places, organisations, dates), relations and events. Classically done as token labelling; now also by LLMs emitting schema-constrained JSON or by compact zero-shot extractors.",
   "examples": "NER · klasyfikacja tokenów · ekstrakcja relacji · ekstrakcja zdarzeń · GLiNER · wyjście strukturalne (JSON)",
   "examples_en": "NER · token classification · relation extraction · event extraction · GLiNER · structured output (JSON)",
   "plain": "To wyłuskiwanie z tekstu konkretnych danych — kto, gdzie, kiedy, za ile — i zapisywanie ich w uporządkowanej tabeli.",
   "plain_en": "This pulls specific facts out of text — who, where, when, how much — and records them in a tidy table.",
   "solves": "Ważne dane są ukryte w długich umowach, mailach i artykułach, a przepisywanie ich ręcznie do arkusza jest żmudne i pełne błędów.",
   "solves_en": "Important details are buried in long contracts, emails and articles, and copying them into a spreadsheet by hand is slow and error-prone.",
   "does": "Jak zakreślacz w ręku uważnego czytelnika: zaznacza nazwiska, miejsca i daty, a potem łączy je w fakty typu „kto z kim”.",
   "does_en": "Like a careful reader using a highlighter: it marks names, places and dates, then links them into facts about events.",
   "example": "Z maila z rezerwacją program sam wyciąga datę, godzinę i adres, po czym wpisuje wydarzenie do kalendarza.",
   "example_en": "From a booking email, the software picks out the date, time and address and adds the event to your calendar.",
   "for_you": [
    "przepisujesz dane z dokumentów do tabel",
    "szukasz w tekstach nazwisk, firm albo kwot",
    "budujesz bazę wiedzy z artykułów lub notatek"
   ],
   "for_you_en": [
    "copy data from documents into tables",
    "search texts for names, companies or amounts",
    "build a knowledge base from articles or notes"
   ],
   "how": "Model oznacza fragmenty encji i relacje albo generuje rekordy według zadanej struktury. Łączenie fragmentów z identyfikatorami oraz walidacja schematu przygotowują wynik do wykorzystania poza tekstem.",
   "how_en": "The model labels entity spans and relationships or generates records under a specified structure. Linking spans to identifiers and validating schemas prepares outputs for use beyond text.",
   "limits": "Poprawny schemat nie potwierdza prawdziwości rekordu. Niejasne granice encji, odwołania między zdaniami i nieobecne informacje wymagają obsługi niepewności oraz sprawdzenia źródła.",
   "limits_en": "Valid schemas do not establish record truth. Ambiguous entity boundaries, cross-sentence references and missing information need uncertainty handling and source checks.",
   "terms": [
    {
     "gloss": "Fragment tekstu określony granicami początku i końca.",
     "term": "span"
    },
    {
     "gloss": "Powiązanie wzmianki tekstowej z identyfikowaną encją w bazie wiedzy.",
     "term": "entity linking"
    }
   ],
   "terms_en": [
    {
     "gloss": "A text segment specified by its start and end boundaries.",
     "term": "span"
    },
    {
     "gloss": "Connecting a textual mention to an identified knowledge-base entity.",
     "term": "entity linking"
    }
   ],
   "prereq": [
    "structured",
    "prompting"
   ],
   "keywords": [
    "named entity recognition",
    "relation extraction",
    "event extraction",
    "GLiNER",
    "token classification",
    "entity linking",
    "JSON Schema"
   ],
   "source_ids": [
    "hf-tasks-nlp",
    "hf-task-token-classification",
    "jurafsky-martin-slp3",
    "gliner-2023",
    "xu-2023-llm-generative-ie-survey"
   ],
   "url": "https://aiatlasgraph.com/t/infoextraction",
   "markdown_url": "https://aiatlasgraph.com/t/infoextraction.md",
   "updated": "2026-10-30"
  },
  "infotheory": {
   "id": "infotheory",
   "parent_id": "math",
   "label": "Teoria informacji: entropia i dywergencja KL",
   "canonical_name": "Information theory: entropy, cross-entropy and KL divergence",
   "description": "Miary informacji i różnicy między rozkładami; entropia krzyżowa to standardowa funkcja straty modeli językowych i klasyfikatorów.",
   "description_en": "Measures of information and of difference between distributions; cross-entropy is the standard loss of language models and classifiers.",
   "examples": "Entropia Shannona · entropia krzyżowa · dywergencja KL · perplexity",
   "examples_en": "Shannon entropy · cross-entropy · KL divergence · perplexity",
   "plain": "To matematyka mierząca niepewność, ilość informacji i różnice między przewidywaniami.",
   "plain_en": "This mathematics measures uncertainty, information and differences between predictions.",
   "solves": "Samo trafienie lub pomyłka nie pokazuje, jak pewny był model ani jak bardzo zaskoczył go wynik.",
   "solves_en": "A correct or incorrect answer alone does not show the model's uncertainty or how surprising the outcome was.",
   "does": "Przypisuje więcej informacji mniej spodziewanym zdarzeniom i pozwala oceniać przewidywania na podstawie szans przypisanych możliwym wynikom.",
   "does_en": "It assigns more information to less expected events and evaluates predictions using the chances assigned to possible outcomes.",
   "example": "Model przewiduje następne słowo; pomyłka, której był bardzo pewny, otrzymuje większą karę niż pomyłka przy rozłożonych szansach.",
   "example_en": "A model predicts the next word; a very confident mistake receives a larger penalty than one made with more spread out probabilities.",
   "for_you": [
    "porównujesz pewność przewidywań modeli",
    "chcesz mierzyć niepewność informacji zamiast tylko liczyć trafienia"
   ],
   "for_you_en": [
    "compare how confident model predictions are",
    "want to measure uncertainty beyond counting correct answers"
   ],
   "how": "Entropia agreguje niepewność zdarzeń ważoną ich prawdopodobieństwami. Entropia krzyżowa i dywergencja porównują rozkłady przez koszt przypisywania prawdopodobieństw, łącząc kodowanie informacji z celami uczenia.",
   "how_en": "Entropy aggregates event uncertainty weighted by probabilities. Cross-entropy and divergence compare distributions through probability-assignment costs, connecting information encoding with learning objectives.",
   "limits": "Miary wymagają poprawnie zdefiniowanych rozkładów i ich nośników. Dywergencja nie musi być symetryczna ani skończona; niższa entropia nie oznacza prawdziwszej odpowiedzi.",
   "limits_en": "Measures require well-defined distributions and supports. Divergence need not be symmetric or finite; lower entropy does not mean a truer answer.",
   "terms": [
    {
     "gloss": "Oczekiwana niepewność zdarzeń pod danym rozkładem.",
     "term": "entropia"
    },
    {
     "gloss": "Kierunkowa miara różnicy rozkładów, zależna od ich nośników.",
     "term": "dywergencja KL"
    }
   ],
   "terms_en": [
    {
     "gloss": "Expected event uncertainty under a given distribution.",
     "term": "entropy"
    },
    {
     "gloss": "A directional distribution-difference measure depending on their supports.",
     "term": "KL divergence"
    }
   ],
   "prereq": [
    "distributions"
   ],
   "keywords": [
    "Shannon entropy",
    "cross-entropy",
    "KL divergence",
    "mutual information",
    "perplexity"
   ],
   "source_ids": [
    "dlbook-part1"
   ],
   "url": "https://aiatlasgraph.com/t/infotheory",
   "markdown_url": "https://aiatlasgraph.com/t/infotheory.md",
   "updated": "2026-10-30"
  },
  "inputclarification": {
   "id": "inputclarification",
   "parent_id": "voiceaudio",
   "label": "Dopytywanie przy niepewnej interpretacji mowy",
   "canonical_name": "Clarification under spoken-input uncertainty",
   "description": "Gdy wypowiedź ma kilka możliwych interpretacji, agent zadaje krótkie pytanie zamiast zgadywać treść lub rozpoczynać działanie.",
   "description_en": "When speech admits multiple interpretations, the agent asks a short clarifying question rather than guessing or taking action.",
   "examples": "niepewny identyfikator · korekta użytkownika",
   "examples_en": "ambiguous identifier · user correction",
   "plain": "To zadawanie krótkiego pytania, gdy asystent nie jest pewien, jak zrozumieć twoją wypowiedź.",
   "plain_en": "This asks a short question when an assistant is unsure how to interpret your speech.",
   "solves": "Niewyraźne słowo lub dwuznaczna prośba może sprawić, że program wykona inne zadanie, niż chciałeś.",
   "solves_en": "An unclear word or ambiguous request can make software perform a different task than you intended.",
   "does": "Asystent wskazuje niepewny fragment i prosi o doprecyzowanie, zanim wybierze jedną z możliwych interpretacji.",
   "does_en": "An assistant identifies the uncertain part and asks for clarification before choosing among possible interpretations.",
   "example": "Po niewyraźnej prośbie o termin asystent pyta, czy chodzi o rano, czy o wieczór.",
   "example_en": "After an unclear appointment request, an assistant asks whether you meant morning or evening.",
   "for_you": [
    "twoje wypowiedzi mogą być źle usłyszane",
    "chcesz poprawić dane przed rozpoczęciem działania"
   ],
   "for_you_en": [
    "may have your speech misheard",
    "want to correct details before an action starts"
   ],
   "how": "Rozbieżne hipotezy lub brak wymaganej wartości zatrzymują przejście do działania. Krótkie pytanie odróżnia możliwe interpretacje, a odpowiedź użytkownika aktualizuje stan i usuwa konkretną niepewność.",
   "how_en": "Conflicting hypotheses or missing required values pause action progression. A short question distinguishes possible interpretations, and user responses update state to resolve the specific uncertainty.",
   "limits": "Niepewność musi być wykrywana, a nie tylko deklarowana przez model. Nadmiar pytań wydłuża rozmowę; sugestywne doprecyzowanie może narzucić błędną interpretację.",
   "limits_en": "Uncertainty must be detected rather than merely declared by a model. Excessive questions prolong conversations; leading clarifications can impose incorrect interpretations.",
   "terms": [
    {
     "gloss": "Doprecyzowanie zaprojektowane do odróżnienia konkretnych konkurencyjnych interpretacji.",
     "term": "pytanie rozstrzygające"
    },
    {
     "gloss": "Wartość zadania, której nie wolno jeszcze traktować jako potwierdzonej.",
     "term": "niepewny slot"
    }
   ],
   "terms_en": [
    {
     "gloss": "A clarification designed to distinguish specific competing interpretations.",
     "term": "disambiguating question"
    },
    {
     "gloss": "A task value not yet considered confirmed.",
     "term": "uncertain slot"
    }
   ],
   "prereq": [
    "calibration",
    "prompting"
   ],
   "keywords": [
    "dialogue state tracking",
    "clarification questions",
    "ASR n-best hypotheses",
    "slot disambiguation",
    "confidence thresholds"
   ],
   "source_ids": [
    "openai-realtime-prompting"
   ],
   "url": "https://aiatlasgraph.com/t/inputclarification",
   "markdown_url": "https://aiatlasgraph.com/t/inputclarification.md",
   "updated": "2026-10-30"
  },
  "insardeformation": {
   "id": "insardeformation",
   "parent_id": "sarai",
   "label": "Wykrywanie ruchów gruntu z interferometrii radarowej",
   "canonical_name": "Ground deformation detection from InSAR with deep learning",
   "aliases": [
    "InSAR deep learning",
    "interferogram classification",
    "volcano deformation detection",
    "ground subsidence monitoring",
    "osiadanie terenu InSAR"
   ],
   "description": "Klasyfikacja interferogramów i szeregów czasowych InSAR sieciami konwolucyjnymi w celu automatycznego wykrywania deformacji powierzchni.",
   "description_en": "Classifying InSAR interferograms and time series with convolutional networks to detect surface deformation automatically.",
   "plain": "Szukanie w danych z satelity radarowego miejsc, gdzie ziemia podnosi się lub zapada o milimetry, zanim stanie się coś groźnego.",
   "plain_en": "Searching satellite radar data for places where the ground rises or sinks by millimetres before something dangerous happens.",
   "solves": "Satelity co kilka dni mierzą ruchy gruntu na całym globie, ale nikt nie zdąży obejrzeć tych milionów obrazów w poszukiwaniu ostrzeżeń.",
   "solves_en": "Satellites measure ground motion worldwide every few days, but nobody can look through those millions of images for warnings.",
   "does": "Jak ratownik górski, który z setek zdjęć stoku wyławia te, na których śnieg zaczyna pękać, i podsuwa je ekspertowi.",
   "does_en": "Like a mountain rescuer picking, from hundreds of slope photos, those where the snow starts cracking and passing them to an expert.",
   "example": "Wulkanolodzy dostają alert, że zbocze od kilku tygodni lekko się wybrzusza, i zaczynają dokładniej obserwować ten wulkan.",
   "example_en": "Volcanologists get an alert that a flank has been bulging slightly for weeks and start watching that volcano more closely.",
   "for_you": [
    "mieszkasz na terenie górniczym lub sejsmicznym",
    "dbasz o bezpieczeństwo budynków, mostów lub tam"
   ],
   "for_you_en": [
    "live in a mining or seismic area",
    "look after the safety of buildings, bridges or dams"
   ],
   "how": "Interferogram to różnica fazy sygnału z dwóch przelotów; deformacja tworzy w nim koncentryczne prążki. Sieć konwolucyjna, często wstępnie wytrenowana na zwykłych zdjęciach, klasyfikuje łatki obrazu, a wyniki łączy się w mapę prawdopodobieństwa. Fałszywe alarmy zweryfikowane przez eksperta wracają do zbioru treningowego.",
   "how_en": "An interferogram is the phase difference between two passes; deformation shows up as concentric fringes. A convolutional network, often pretrained on ordinary photos, classifies image patches, and results merge into a probability map. Expert-checked false alarms are fed back into the training set.",
   "limits": "Opóźnienia atmosferyczne tworzą wzory podobne do deformacji, a roślinność i śnieg niszczą spójność sygnału. Prawdziwych przykładów deformacji jest mało, więc system nadal wymaga weryfikacji przez eksperta.",
   "limits_en": "Atmospheric delays create patterns resembling deformation, and vegetation and snow destroy signal coherence. Real deformation examples are scarce, so the system still needs expert verification.",
   "terms": [
    {
     "gloss": "obraz różnicy fazy fal radarowych między dwoma przelotami",
     "term": "interferogram"
    },
    {
     "gloss": "faza zapisana w krąg, stąd powtarzające się prążki",
     "term": "wrapped phase"
    },
    {
     "gloss": "miara, na ile sygnał z obu przelotów jest porównywalny",
     "term": "coherence"
    }
   ],
   "terms_en": [
    {
     "gloss": "image of radar phase difference between two passes",
     "term": "interferogram"
    },
    {
     "gloss": "phase stored modulo a cycle, hence repeating fringes",
     "term": "wrapped phase"
    },
    {
     "gloss": "how comparable the signal from both passes is",
     "term": "coherence"
    }
   ],
   "prereq": [
    "cnnarchs"
   ],
   "keywords": [
    "LiCSAR",
    "COMET",
    "Sentinel-1 InSAR",
    "interferogram classification",
    "transfer learning",
    "persistent scatterers",
    "EGMS",
    "atmospheric correction"
   ],
   "source_ids": [
    "insar-volcano-dl-2018"
   ],
   "url": "https://aiatlasgraph.com/t/insardeformation",
   "markdown_url": "https://aiatlasgraph.com/t/insardeformation.md",
   "updated": "2026-10-30"
  },
  "inspection3d": {
   "id": "inspection3d",
   "parent_id": "visualinspection",
   "label": "Wykrywanie wad w skanach 3D i chmurach punktów",
   "canonical_name": "3D and multimodal industrial anomaly detection",
   "aliases": [
    "3D anomaly detection",
    "point cloud anomaly detection",
    "RGB-D anomaly detection",
    "MVTec 3D-AD",
    "multimodal industrial anomaly detection",
    "inspekcja 3D",
    "wykrywanie wad w 3D"
   ],
   "description": "Nienadzorowane wykrywanie i lokalizacja anomalii w chmurach punktów lub mapach głębi, często w fuzji z obrazem RGB.",
   "description_en": "Unsupervised anomaly detection and localisation in point clouds or depth maps, often fused with RGB images.",
   "plain": "Szukanie wgnieceń, dziur i odkształceń w trójwymiarowym skanie produktu, a nie tylko na płaskim zdjęciu.",
   "plain_en": "Looking for dents, holes and deformations in a three-dimensional scan of a product, not just in a flat photo.",
   "solves": "Na zwykłym zdjęciu płytkie wgniecenie albo wygięcie często wygląda normalnie, bo zmienia kształt, a nie kolor.",
   "solves_en": "In an ordinary photo a shallow dent or bend often looks normal, because it changes shape rather than colour.",
   "does": "Jak kontroler, który nie tylko ogląda detal, ale też przesuwa po nim palcem i czuje każdą nierówność.",
   "does_en": "Like an inspector who not only looks at a part but also runs a finger over it and feels every bump.",
   "example": "Skaner nad taśmą z oponami wyłapuje lekkie wybrzuszenie bocznej ściany, którego kamera kolorowa nie zauważyła.",
   "example_en": "A scanner over a tyre conveyor catches a slight bulge in the sidewall that the colour camera missed.",
   "for_you": [
    "twoje wady to głównie zmiany kształtu, nie koloru",
    "masz na linii skaner 3D lub kamerę głębi",
    "uczysz kontrolę tylko na dobrych sztukach"
   ],
   "for_you_en": [
    "mostly see defects that change shape, not colour",
    "have a 3D scanner or depth camera on the line",
    "train inspection only on good parts"
   ],
   "how": "Model uczy się wyłącznie na skanach poprawnych sztuk, jak wygląda normalna geometria, i oznacza odchylenia na poziomie całego obiektu oraz poszczególnych punktów. Metody multimodalne wyrównują cechy z obrazu 2D i z chmury punktów dla tych samych fragmentów i przechowują cechy normalnych fragmentów w bankach pamięci; odległość od najbliższego wpisu daje wynik anomalii.",
   "how_en": "The model learns normal geometry only from scans of good parts and flags deviations at object and point level. Multimodal methods align 2D image and point-cloud features for the same patches and store normal-patch features in memory banks; distance to the nearest entry gives the anomaly score.",
   "limits": "Publiczne zbiory obejmują niewiele kategorii z jednego typu skanera, więc przeniesienie na inne czujniki i materiały nie jest pewne. Banki pamięci rosną z danymi i spowalniają inferencję. Fuzja wymaga dokładnie zarejestrowanych obrazów i skanów.",
   "limits_en": "Public datasets cover few categories from one scanner type, so transfer to other sensors and materials is uncertain. Memory banks grow with data and slow inference. Fusion needs precisely registered images and scans.",
   "terms": [
    {
     "gloss": "Zbiór punktów w 3D opisujący powierzchnię obiektu.",
     "term": "chmura punktów"
    },
    {
     "gloss": "Obraz, w którym każdy piksel mówi, jak daleko jest powierzchnia.",
     "term": "mapa głębi"
    },
    {
     "gloss": "Zapisane cechy normalnych fragmentów, do których porównuje się nowe.",
     "term": "bank pamięci"
    }
   ],
   "terms_en": [
    {
     "gloss": "A set of 3D points describing an object's surface.",
     "term": "point cloud"
    },
    {
     "gloss": "An image where each pixel says how far the surface is.",
     "term": "depth map"
    },
    {
     "gloss": "Stored features of normal patches that new ones are compared against.",
     "term": "memory bank"
    }
   ],
   "prereq": [
    "pointclouds",
    "anomalydetection"
   ],
   "keywords": [
    "MVTec 3D-AD",
    "M3DM",
    "Real3D-AD",
    "PatchCore",
    "RGB-D fusion",
    "point cloud features",
    "AUPRO",
    "anomaly localization"
   ],
   "source_ids": [
    "bergmann-mvtec3d-2021",
    "wang-m3dm-2023"
   ],
   "url": "https://aiatlasgraph.com/t/inspection3d",
   "markdown_url": "https://aiatlasgraph.com/t/inspection3d.md",
   "updated": "2026-10-30"
  },
  "instanceseg": {
   "id": "instanceseg",
   "parent_id": "segmentation",
   "label": "Segmentacja instancji i panoptyczna",
   "canonical_name": "Instance and panoptic segmentation",
   "description": "Osobna maska dla każdego obiektu (instancje), a w wersji panoptycznej — jedna spójna mapa łącząca obiekty i tło.",
   "description_en": "A separate mask for each object (instances); the panoptic variant unifies objects and background in one consistent map.",
   "examples": "Mask R-CNN · Mask2Former · panoptic quality (PQ)",
   "examples_en": "Mask R-CNN · Mask2Former · panoptic quality (PQ)",
   "plain": "To wyznaczanie osobnego kształtu każdego obiektu, czasem wraz z pełnym podziałem tła.",
   "plain_en": "This outlines each individual object, sometimes alongside a complete division of the background.",
   "solves": "Kilka stykających się przedmiotów zlewa się w jeden obszar, choć trzeba policzyć lub wyciąć każdy osobno.",
   "solves_en": "Several touching objects merge into one region even though you need to count or cut out each separately.",
   "does": "Każdy egzemplarz dostaje własną maskę; pełniejsza wersja dodaje etykiety pozostałym obszarom, takim jak podłoga i ściana.",
   "does_en": "Each object gets its own mask; a fuller version also labels remaining regions such as floor and wall.",
   "example": "Program zaznacza osobno każdą pomarańczę na zdjęciu koszyka, nawet gdy owoce się dotykają.",
   "example_en": "Software separately outlines every orange in a basket photo, even where the fruit touches.",
   "for_you": [
    "rozróżniasz kilka przedmiotów tego samego rodzaju",
    "chcesz osobnych wycięć dla każdego obiektu"
   ],
   "for_you_en": [
    "distinguish several objects of the same kind",
    "want a separate cutout for each object"
   ],
   "how": "Model łączy lokalizację i kategorię z osobną maską każdego obiektu. Wariant panoptyczny uzgadnia maski instancji z klasami tła, tworząc spójny podział całej sceny.",
   "how_en": "The model combines locations and categories with a separate mask per object. Panoptic variants reconcile instance masks with background classes to partition the entire scene coherently.",
   "limits": "Nakładające się obiekty i podobne instancje utrudniają rozdzielenie. Konflikty masek oraz granice między obiektem i tłem wymagają reguł uzgodnienia i zgodnych anotacji.",
   "limits_en": "Overlapping objects and similar instances complicate separation. Mask conflicts and object–background boundaries need reconciliation rules and consistent annotations.",
   "terms": [
    {
     "gloss": "Konkretny obiekt odróżniony od innych obiektów tej samej klasy.",
     "term": "instancja"
    },
    {
     "gloss": "Wspólny podział obrazu na indywidualne obiekty i obszary tła.",
     "term": "panoptic segmentation"
    }
   ],
   "terms_en": [
    {
     "gloss": "A particular object distinguished from others of the same class.",
     "term": "instance"
    },
    {
     "gloss": "A joint image partition into individual objects and background regions.",
     "term": "panoptic segmentation"
    }
   ],
   "prereq": [
    "objectdetection",
    "semanticseg"
   ],
   "keywords": [
    "Mask R-CNN",
    "Mask2Former",
    "panoptic quality",
    "instance masks",
    "panoptic fusion"
   ],
   "source_ids": [
    "cs231n-2026-schedule",
    "ultralytics-tasks",
    "kirillov-panoptic-2018"
   ],
   "url": "https://aiatlasgraph.com/t/instanceseg",
   "markdown_url": "https://aiatlasgraph.com/t/instanceseg.md",
   "updated": "2026-10-30"
  },
  "instructiongen": {
   "id": "instructiongen",
   "parent_id": "synthetic",
   "label": "Generowanie danych instrukcyjnych przez LLM",
   "canonical_name": "LLM-generated instruction data",
   "aliases": [
    "Self-Instruct",
    "Evol-Instruct",
    "synthetic instructions"
   ],
   "description": "Model sam tworzy polecenia, dane wejściowe i odpowiedzi z kilku przykładów startowych; po odfiltrowaniu słabych i podobnych służą do dostrajania.",
   "description_en": "A model generates instructions, inputs and answers from a few seed examples; after filtering weak and near-duplicate ones they are used for fine-tuning.",
   "examples": "Self-Instruct · Evol-Instruct · filtrowanie podobnych poleceń",
   "examples_en": "Self-Instruct · Evol-Instruct · filtering near-duplicate instructions",
   "plain": "To tworzenie przez model nowych poleceń, materiałów wejściowych i przykładowych odpowiedzi do nauki.",
   "plain_en": "This uses a model to create new instructions, inputs and example answers for learning.",
   "solves": "Brakuje różnorodnych zadań z odpowiedziami, a ręczne pisanie każdego zajmuje dużo czasu.",
   "solves_en": "You lack varied tasks with answers, and writing each one by hand takes too much time.",
   "does": "Na podstawie przykładów startowych model tworzy kolejne zadania; filtrowanie usuwa słabe lub zbyt podobne propozycje.",
   "does_en": "A model uses starter examples to propose more tasks; filtering removes weak or overly similar proposals.",
   "example": "Z kilku sprawdzonych reklamacji tworzysz dodatkowe pytania i odpowiedzi, które przeglądasz przed dostrojeniem firmowego asystenta.",
   "example_en": "You use a few checked complaints to generate extra questions and answers, then review them before adapting a workplace assistant.",
   "for_you": [
    "masz mały zestaw dobrych zadań wzorcowych",
    "chcesz przygotować więcej przykładów poleceń i odpowiedzi"
   ],
   "for_you_en": [
    "have a small set of good reference tasks",
    "want more examples of instructions and answers"
   ],
   "how": "Przykłady początkowe sterują generowaniem nowych instrukcji, wejść i odpowiedzi. Filtry usuwają powtórzenia oraz niespójne pary, a zachowane przykłady trafiają do nadzorowanego dostrajania.",
   "how_en": "Seed examples guide generation of new instructions, inputs and answers. Filters remove repetitions and inconsistent pairs, and retained examples feed supervised fine-tuning.",
   "limits": "Generator przenosi do danych własne ograniczenia i preferencje. Filtry podobieństwa nie wykrywają wszystkich fałszywych odpowiedzi; potrzebna jest ocena na zadaniach spoza zbioru generowania.",
   "limits_en": "The generator transfers its limitations and preferences into the data. Similarity filters miss some false answers; evaluation requires tasks outside the generation set.",
   "terms": [
    {
     "gloss": "Wzorzec zadania używany do uruchomienia generowania kolejnych przykładów.",
     "term": "przykład początkowy"
    },
    {
     "gloss": "Jednostka danych łącząca polecenie z oczekiwanym rezultatem.",
     "term": "para instrukcja–odpowiedź"
    }
   ],
   "terms_en": [
    {
     "gloss": "A task example used to initiate generation of further examples.",
     "term": "seed example"
    },
    {
     "gloss": "A data unit linking an instruction to its expected output.",
     "term": "instruction–response pair"
    }
   ],
   "prereq": [
    "prompting",
    "sft"
   ],
   "keywords": [
    "Self-Instruct",
    "Evol-Instruct",
    "WizardLM",
    "seed instructions",
    "instruction-response pairs",
    "instruction deduplication"
   ],
   "source_ids": [
    "self-instruct-2022",
    "wizardlm-evol-instruct-2023",
    "synthetic-data-best-practices-2024"
   ],
   "url": "https://aiatlasgraph.com/t/instructiongen",
   "markdown_url": "https://aiatlasgraph.com/t/instructiongen.md",
   "updated": "2026-10-30"
  },
  "insuranceai": {
   "id": "insuranceai",
   "parent_id": "finance",
   "label": "AI w ubezpieczeniach",
   "canonical_name": "AI in insurance",
   "aliases": [
    "insurtech AI",
    "AI in insurance",
    "insurance analytics",
    "actuarial machine learning",
    "AI w ubezpieczeniach",
    "insurtech"
   ],
   "description": "Uczenie maszynowe w ubezpieczeniach: taryfikacja i underwriting, likwidacja szkód, wykrywanie wyłudzeń i obsługa klienta, pod nadzorem sektorowym i AI Act.",
   "description_en": "Machine learning in insurance: pricing and underwriting, claims handling, fraud detection and customer service, under sector supervision and the AI Act.",
   "plain": "Programy, które pomagają ubezpieczycielom wyceniać polisy, ocenić szkody i wyłapać wyłudzenia odszkodowań.",
   "plain_en": "Software that helps insurers price policies, assess damage and catch false claims.",
   "solves": "Ubezpieczyciel musi przewidzieć, ile zapłaci za przyszłe szkody tysięcy klientów, i szybko rozpatrywać zgłoszenia bez przepłacania.",
   "solves_en": "An insurer must predict what it will pay for thousands of customers' future losses and settle claims quickly without overpaying.",
   "does": "Jak doświadczony agent, który zna losy setek tysięcy polis: ocenia ryzyko nowego klienta i rzetelność zgłoszonej szkody.",
   "does_en": "Like a veteran agent who knows the fate of hundreds of thousands of policies: judges a new customer's risk and how genuine a claim is.",
   "example": "Zgłaszasz stłuczkę w aplikacji, robisz zdjęcia auta i po chwili dostajesz wstępną wycenę naprawy.",
   "example_en": "You report a fender-bender in the app, take photos of the car and soon get a preliminary repair estimate.",
   "for_you": [
    "kupujesz ubezpieczenie auta, domu lub zdrowia",
    "zgłaszasz szkodę i czekasz na odszkodowanie",
    "pracujesz w ubezpieczeniach lub aktuariacie"
   ],
   "for_you_en": [
    "buy car, home or health insurance",
    "file a claim and wait for payout",
    "work in insurance or actuarial science"
   ],
   "how": "Wycena opiera się na modelach częstości i wielkości szkód, od uogólnionych modeli liniowych po zespoły drzew i sieci neuronowe. W likwidacji szkód stosuje się widzenie komputerowe i przetwarzanie dokumentów, a w antyfraudzie klasyfikatory i analizę powiązań. W UE ocena ryzyka i wycena w ubezpieczeniach na życie i zdrowotnych to systemy wysokiego ryzyka według AI Act.",
   "how_en": "Pricing rests on claim frequency and severity models, from generalised linear models to tree ensembles and neural networks. Claims handling uses computer vision and document processing, and fraud work uses classifiers and link analysis. In the EU, risk assessment and pricing in life and health insurance are high-risk systems under the AI Act.",
   "limits": "Szkody są rzadkie i mają ciężkie ogony, więc duże straty trudno przewidzieć. Drobniejsze różnicowanie składek może dyskryminować lub wykluczać klientów. Regulatorzy wymagają wyjaśnialności, nadzoru ludzkiego i dobrego zarządzania danymi.",
   "limits_en": "Claims are rare and heavy-tailed, so large losses are hard to predict. Finer premium differentiation can discriminate against or exclude customers. Supervisors require explainability, human oversight and sound data governance.",
   "terms": [
    {
     "gloss": "Ocena ryzyka klienta przed zawarciem polisy.",
     "term": "underwriting"
    },
    {
     "gloss": "Proces rozpatrywania zgłoszenia i wypłaty odszkodowania.",
     "term": "likwidacja szkód"
    },
    {
     "gloss": "Specjalista od matematycznej wyceny ryzyka ubezpieczeniowego.",
     "term": "aktuariusz"
    }
   ],
   "terms_en": [
    {
     "gloss": "Assessing a customer's risk before issuing a policy.",
     "term": "underwriting"
    },
    {
     "gloss": "Processing a claim and paying out compensation.",
     "term": "claims handling"
    },
    {
     "gloss": "Specialist in mathematically pricing insurance risk.",
     "term": "actuary"
    }
   ],
   "prereq": [
    "gradientboosting",
    "linearmodels"
   ],
   "keywords": [
    "insurtech",
    "insurance pricing",
    "underwriting",
    "claims automation",
    "insurance fraud detection",
    "generalized linear models",
    "EIOPA",
    "EU AI Act high-risk",
    "telematics",
    "actuarial science"
   ],
   "source_ids": [
    "eiopa-ai-opinion-2025",
    "wuthrich-merz-actuarial-learning-2023"
   ],
   "url": "https://aiatlasgraph.com/t/insuranceai",
   "markdown_url": "https://aiatlasgraph.com/t/insuranceai.md",
   "updated": "2026-10-30"
  },
  "insurancepricing": {
   "id": "insurancepricing",
   "parent_id": "insuranceai",
   "label": "Taryfikacja ubezpieczeń z uczeniem maszynowym",
   "canonical_name": "Machine-learning insurance pricing (actuarial learning)",
   "aliases": [
    "insurance pricing",
    "actuarial learning",
    "frequency-severity model",
    "GLM pricing",
    "tariff modelling",
    "taryfikacja",
    "wycena składki"
   ],
   "description": "Modele częstości i wielkości szkód do wyceny składek: od uogólnionych modeli liniowych po sieci neuronowe i zespoły drzew.",
   "description_en": "Claim frequency and severity models for premium pricing: from generalised linear models to neural networks and tree ensembles.",
   "plain": "Liczenie, ile powinna kosztować polisa dla konkretnej osoby, na podstawie tego, jak często i jak drogie szkody mają podobni klienci.",
   "plain_en": "Working out what a policy should cost for a given person from how often and how expensively similar customers claim.",
   "solves": "Zbyt niska składka przynosi ubezpieczycielowi straty, zbyt wysoka odstrasza dobrych klientów, a ryzyko różni się mocno między ludźmi.",
   "solves_en": "Too low a premium loses the insurer money, too high drives off good customers, and risk varies widely between people.",
   "does": "Rozbija cenę na dwa pytania: jak często zdarzy się szkoda i ile będzie kosztować, jak mechanik szacujący awaryjność i koszt części.",
   "does_en": "Splits the price into two questions, how often a loss happens and how much it costs, like a mechanic weighing breakdown rate and parts cost.",
   "example": "Dwóch kierowców z tym samym autem dostaje różne oferty, bo jeden jeździ głównie po wsi, a drugi codziennie przez zatłoczone miasto.",
   "example_en": "Two drivers with the same car get different quotes because one drives mostly in the countryside and the other through a busy city daily.",
   "for_you": [
    "porównujesz oferty ubezpieczenia",
    "pracujesz jako aktuariusz lub analityk ubezpieczeniowy"
   ],
   "for_you_en": [
    "compare insurance quotes",
    "work as an actuary or insurance analyst"
   ],
   "how": "Liczbę szkód modeluje się np. regresją Poissona z ekspozycją jako offsetem, a wielkość szkody rozkładem gamma lub odwrotnym Gaussa; iloczyn daje składkę czystą. Sieci neuronowe i zespoły drzew wychwytują interakcje i nieliniowości, często jako uzupełnienie modelu liniowego (np. sieć dodająca poprawkę do GLM), z naciskiem na prognozę i kalibrację na poziomie portfela.",
   "how_en": "Claim counts are modelled e.g. with Poisson regression using exposure as an offset, and claim size with gamma or inverse Gaussian distributions; their product gives the pure premium. Neural networks and tree ensembles capture interactions and non-linearities, often added to the linear model (e.g. a network correcting a GLM), with emphasis on prediction and portfolio-level calibration.",
   "limits": "Złożone modele trudniej uzasadnić przed nadzorcą i klientem. Duże, rzadkie szkody zaburzają estymację. Wycena oparta na cechach może pośrednio różnicować klientów według cech chronionych, więc wymaga kontroli sprawiedliwości i zgodności.",
   "limits_en": "Complex models are harder to justify to supervisors and customers. Large, rare claims distort estimation. Feature-based pricing can indirectly differentiate customers by protected traits, so fairness and compliance controls are needed.",
   "terms": [
    {
     "gloss": "Uogólniony model liniowy, standard wyceny w aktuariacie.",
     "term": "GLM"
    },
    {
     "gloss": "Czas lub zakres, w jakim polisa była aktywna.",
     "term": "ekspozycja"
    },
    {
     "gloss": "Oczekiwany koszt szkód bez kosztów i zysku ubezpieczyciela.",
     "term": "składka czysta"
    }
   ],
   "terms_en": [
    {
     "gloss": "Generalised linear model, the actuarial pricing standard.",
     "term": "GLM"
    },
    {
     "gloss": "Time or extent for which the policy was in force.",
     "term": "exposure"
    },
    {
     "gloss": "Expected claims cost excluding the insurer's costs and profit.",
     "term": "pure premium"
    }
   ],
   "prereq": [
    "linearmodels",
    "mlp"
   ],
   "keywords": [
    "generalized linear models",
    "Poisson regression",
    "Tweedie distribution",
    "frequency-severity",
    "CANN",
    "gradient boosting",
    "telematics pricing",
    "actuarial learning"
   ],
   "source_ids": [
    "wuthrich-merz-actuarial-learning-2023"
   ],
   "url": "https://aiatlasgraph.com/t/insurancepricing",
   "markdown_url": "https://aiatlasgraph.com/t/insurancepricing.md",
   "updated": "2026-10-30"
  },
  "intentexecution": {
   "id": "intentexecution",
   "parent_id": "agentharness",
   "label": "Zgodność intencji z wykonaniem narzędzia",
   "canonical_name": "Tool-call intent–execution correspondence",
   "aliases": [
    "IEC",
    "intent-execution integrity",
    "tool call fidelity"
   ],
   "description": "Własność, że działanie faktycznie wykonane przez narzędzie odpowiada działaniu zapisanemu w wywołaniu zgodnie z kontraktem narzędzia.",
   "description_en": "The property that the action actually executed by a tool matches the action denoted by the call under the tool contract.",
   "plain": "Sprawdzenie, czy narzędzie wykonało dokładnie to, co asystent chciał, a nie coś zmienionego po drodze.",
   "plain_en": "A check that a tool did exactly what the assistant meant, not something changed along the way.",
   "solves": "Asystent wydaje polecenie, ale po drodze się zmienia i działa źle, a błąd przypisuje się modelowi.",
   "solves_en": "An assistant issues a command, but it changes along the way and acts wrongly, and the model gets the blame.",
   "does": "Obserwuje kolejne przekazania wywołania, wskazuje pierwszą warstwę, która zmieniła jego znaczenie, a następnie dostarcza je w bezpieczniejszej formie albo odrzuca.",
   "does_en": "Observes successive hand-offs of a call, identifies the first layer that changed its meaning, and then delivers it in a safer form or refuses it.",
   "example": "Asystent każe uruchomić program z wieloma liniami. Uprząż sprawdza, czy polecenie nie zostało skrócone, i naprawia je.",
   "example_en": "The assistant asks to run a multi-line program. The harness checks that the command was not cut short and repairs it.",
   "for_you": [
    "asystent uruchamia narzędzia, które czasem działają inaczej niż powinny",
    "chcesz wiedzieć, kto zmienił polecenie po drodze",
    "błędy narzędzi kosztują czas i pieniądze"
   ],
   "for_you_en": [
    "the assistant runs tools that sometimes act differently than they should",
    "want to know who changed a command along the way",
    "tool mistakes cost time and money"
   ],
   "how": "Protokół obserwuje bez wykonywania, jakie działanie odczytał odbiorca na każdym etapie ścieżki, i wskazuje pierwszą rozbieżność względem wywołania modelu. IntAct dobiera formę, której wskazana warstwa nie zmieni, albo odrzuca wywołanie. Zwykły zapis trajektorii może nie ujawnić tej zmiany, ponieważ przechowuje wywołanie i końcowy wynik, a nie dane odebrane przez każdą warstwę.",
   "how_en": "The protocol observes without execution which action the receiver parsed at each step of the path and identifies the first divergence from the model's call. IntAct chooses a form the named layer will not alter, or refuses the call. An ordinary trajectory log may miss the change because it stores the call and final result rather than what every layer received.",
   "limits": "Naprawienie pierwszej rozbieżności może ujawnić kolejne problemy dalej na ścieżce. Metoda wymaga obserwacji kolejnych warstw i ich parserów, a przedstawione pomiary koncentrują się głównie na poleceniach powłoki. Nie naprawia błędnej intencji wygenerowanej przez sam model.",
   "limits_en": "Repairing the first divergence can reveal further problems later in the path. The method requires observing successive layers and their parsers, and the reported measurements focus mainly on shell commands. It does not repair an incorrect intent generated by the model itself.",
   "terms": [
    {
     "gloss": "Krok przekazania wywołania między warstwami.",
     "term": "hop"
    },
    {
     "gloss": "Metoda naprawy, która chroni wywołanie przed zmianą.",
     "term": "IntAct"
    }
   ],
   "terms_en": [
    {
     "gloss": "A step that passes a call between layers.",
     "term": "hop"
    },
    {
     "gloss": "A repair method that protects a call from change.",
     "term": "IntAct"
    }
   ],
   "prereq": [
    "tools"
   ],
   "keywords": [
    "intent-execution correspondence",
    "IEC",
    "tool call fidelity",
    "harness hops",
    "IntAct",
    "execution integrity"
   ],
   "source_ids": [
    "iec-2026"
   ],
   "url": "https://aiatlasgraph.com/t/intentexecution",
   "markdown_url": "https://aiatlasgraph.com/t/intentexecution.md",
   "updated": "2026-10-30"
  },
  "interconnects": {
   "id": "interconnects",
   "parent_id": "hardware",
   "label": "Połączenia między układami i sieć klastra",
   "canonical_name": "Accelerator interconnects and cluster networking",
   "aliases": [
    "interconnect",
    "NVLink",
    "InfiniBand",
    "ICI",
    "scale-up vs scale-out",
    "sieć klastra AI"
   ],
   "description": "Sposoby wymiany danych między akceleratorami: szybkie łącza wewnątrz serwera lub podu (scale-up) oraz sieć między serwerami (scale-out), w topologiach takich jak torus czy fat-tree. Przepustowość i opóźnienie tych połączeń silnie wpływają na skalowanie treningu i inferencji na wiele układów.",
   "description_en": "Ways accelerators exchange data: fast links within a server or pod (scale-up) and networking between servers (scale-out), using topologies such as torus or fat-tree. Their bandwidth and latency strongly affect how training and inference scale across many chips.",
   "examples": "scale-up (NVLink, ICI) · scale-out (InfiniBand, Ethernet) · topologie torus i fat-tree · hierarchia przepustowości HBM ≫ łącza ≫ sieć centrum danych",
   "examples_en": "scale-up (NVLink, ICI) · scale-out (InfiniBand, Ethernet) · torus and fat-tree topologies · bandwidth hierarchy HBM ≫ links ≫ datacenter network",
   "plain": "To połączenia umożliwiające wymianę danych między układami i serwerami pracującymi nad modelem.",
   "plain_en": "These connections exchange data between chips and servers working on a model.",
   "solves": "Dodajesz kolejne urządzenia, ale czas oczekiwania na przesyłanie danych zjada oczekiwane przyspieszenie.",
   "solves_en": "You add more devices, but time spent transferring data consumes the expected speedup.",
   "does": "Szybkość, opóźnienie i układ połączeń decydują, jak sprawnie urządzenia przekazują wspólne wyniki i części modelu.",
   "does_en": "Connection speed, latency and topology determine how efficiently devices exchange shared results and model components.",
   "example": "Przed podziałem treningu na kilka serwerów sprawdzasz, czy ich sieć nadąża za wymianą aktualizacji.",
   "example_en": "Before spreading training across servers, you check whether their network can keep up with update transfers.",
   "for_you": [
    "model pracuje na kilku urządzeniach",
    "wydajność spada przez wymianę danych"
   ],
   "for_you_en": [
    "run a model across several devices",
    "lose performance to data exchange"
   ],
   "how": "Łącza i przełączniki przenoszą fragmenty tensorów pomiędzy urządzeniami według fizycznej topologii. Trasowanie, przepustowość i współdzielenie ścieżek określają czas kolektywów oraz możliwość nakładania komunikacji na obliczenia.",
   "how_en": "Links and switches move tensor fragments between devices according to physical topology. Routing, bandwidth and shared paths determine collective-operation time and opportunities to overlap communication with computation.",
   "limits": "Teoretyczna szybkość łącza nie uwzględnia rywalizacji i kosztu małych komunikatów. Niekorzystny podział modelu może przeciążyć wybrane ścieżki; awarie oraz różne poziomy sieci komplikują skalowanie.",
   "limits_en": "Theoretical link speed excludes contention and small-message overhead. Poor model partitioning can overload particular paths; failures and network hierarchies complicate scaling.",
   "terms": [
    {
     "gloss": "Układ połączeń wyznaczający możliwe drogi wymiany danych.",
     "term": "topologia"
    },
    {
     "gloss": "Przepustowość łączy między dwiema częściami podzielonej sieci.",
     "term": "bisection bandwidth"
    }
   ],
   "terms_en": [
    {
     "gloss": "The connection layout defining possible data-transfer paths.",
     "term": "topology"
    },
    {
     "gloss": "The bandwidth across links between two partitions of a network.",
     "term": "bisection bandwidth"
    }
   ],
   "prereq": [
    "parallelism",
    "gpuprog"
   ],
   "keywords": [
    "NVLink",
    "InfiniBand",
    "Ethernet",
    "TPU ICI",
    "fat-tree topology",
    "torus topology",
    "bisection bandwidth"
   ],
   "source_ids": [
    "ai-memory-wall-2024",
    "scaling-book-tpus",
    "scaling-book-gpus"
   ],
   "url": "https://aiatlasgraph.com/t/interconnects",
   "markdown_url": "https://aiatlasgraph.com/t/interconnects.md",
   "updated": "2026-10-30"
  },
  "interpretablemodels": {
   "id": "interpretablemodels",
   "parent_id": "explainability",
   "label": "Modele interpretowalne z natury",
   "canonical_name": "Inherently interpretable models",
   "aliases": [
    "glass-box models",
    "interpretable models",
    "white-box models"
   ],
   "description": "Modele tak proste, że ich decyzję da się odczytać wprost — z wag, reguł albo ścieżki w drzewie — bez dodatkowych narzędzi wyjaśniających.",
   "description_en": "Models simple enough that their decision can be read directly — from weights, rules or a tree path — without extra explanation tools.",
   "examples": "regresja liniowa i logistyczna · drzewo decyzyjne · reguły decyzyjne · GAM · RuleFit",
   "examples_en": "linear and logistic regression · decision tree · decision rules · GAM · RuleFit",
   "plain": "To modele, których sposób uzyskania wyniku można odczytać bezpośrednio z prostych reguł lub obliczeń.",
   "plain_en": "These models produce results through simple rules or calculations that can be read directly.",
   "solves": "Potrzebujesz zrozumiałej podstawy decyzji, a dodatkowe wyjaśnienie skomplikowanego modelu może być jedynie przybliżeniem.",
   "solves_en": "You need an understandable basis for a decision, while an added explanation of a complex model may only approximate it.",
   "does": "Zapisuje wpływy cech lub kolejne warunki w postaci, którą da się prześledzić od wejścia do konkretnego wyniku.",
   "does_en": "It records feature effects or successive conditions in a form that can be followed from the input to a particular result.",
   "example": "Model ocenia czas naprawy przez krótką serię pytań, a ty odczytujesz ścieżkę wybraną dla konkretnego urządzenia.",
   "example_en": "A model estimates repair time through a short question sequence, and you read the path taken for a particular device.",
   "for_you": [
    "chcesz odczytywać sposób uzyskania wyniku wprost",
    "prostota decyzji jest ważna dla twojego zadania"
   ],
   "for_you_en": [
    "want to read how a result was obtained directly",
    "need straightforward decisions for your task"
   ],
   "how": "Reguły, współczynniki lub ścieżka drzewa określają predykcję bez dodatkowego modelu wyjaśniającego. Ograniczenie liczby składników i złożoności interakcji pozwala prześledzić wkład poszczególnych wejść.",
   "how_en": "Rules, coefficients or a tree path determine predictions without an additional explanation model. Limiting component counts and interaction complexity makes individual input contributions traceable.",
   "limits": "Duże drzewa i liczne współczynniki szybko tracą czytelność. Znajomość reguły predykcyjnej nie dowodzi związku przyczynowego; prostota może ograniczać dopasowanie do trudnego zadania.",
   "limits_en": "Large trees and many coefficients quickly lose readability. Knowing a prediction rule does not establish causality; simplicity may limit fit on difficult tasks.",
   "terms": [
    {
     "gloss": "Model sumujący wkłady poszczególnych cech lub ustalonych interakcji.",
     "term": "model addytywny"
    },
    {
     "gloss": "Kolejność warunków prowadzących do wyniku w drzewie.",
     "term": "ścieżka decyzji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model summing individual-feature or specified-interaction contributions.",
     "term": "additive model"
    },
    {
     "gloss": "The sequence of conditions leading to a tree's output.",
     "term": "decision path"
    }
   ],
   "prereq": [
    "linearmodels",
    "ensembles"
   ],
   "keywords": [
    "linear regression",
    "logistic regression",
    "decision trees",
    "decision rules",
    "GAM",
    "RuleFit"
   ],
   "source_ids": [
    "molnar-iml-book-3ed"
   ],
   "url": "https://aiatlasgraph.com/t/interpretablemodels",
   "markdown_url": "https://aiatlasgraph.com/t/interpretablemodels.md",
   "updated": "2026-10-30"
  },
  "interruptionrecovery": {
   "id": "interruptionrecovery",
   "parent_id": "bargein",
   "label": "Wznowienie zadania po przerwaniu",
   "canonical_name": "Task recovery after a voice interruption",
   "description": "Po wejściu użytkownika w słowo agent uwzględnia nową prośbę i wraca do właściwego etapu zadania, bez powtarzania fragmentów już usłyszanych.",
   "description_en": "After the user interrupts, the agent handles the new request and returns to the right task step without repeating speech already heard.",
   "examples": "korekta rezerwacji · powrót do etapu formularza",
   "examples_en": "booking correction · resume a workflow step",
   "plain": "To powracanie do właściwego etapu zadania po przerwaniu odpowiedzi głosowej.",
   "plain_en": "This returns to the appropriate task stage after a spoken response is interrupted.",
   "solves": "Po twojej korekcie asystent zaczyna wszystko od nowa albo kontynuuje z nieaktualnymi danymi.",
   "solves_en": "After your correction, an assistant starts everything again or continues with outdated details.",
   "does": "System uwzględnia nową prośbę, zachowuje poprawne wcześniejsze ustalenia i wybiera następny potrzebny krok.",
   "does_en": "A system incorporates the new request, retains valid earlier agreements and selects the next necessary step.",
   "example": "Podczas rezerwacji zmieniasz liczbę osób, a asystent sprawdza dostępność ponownie bez ponownego pytania o datę.",
   "example_en": "During booking you change the party size, and the assistant checks availability again without asking for the date again.",
   "for_you": [
    "zmieniasz dane w środku zadania",
    "chcesz kontynuować rozmowę bez utraty ustaleń"
   ],
   "for_you_en": [
    "change details midway through a task",
    "want to continue without losing earlier agreements"
   ],
   "how": "Po przerwaniu nową intencję zestawia się z punktem kontrolnym zadania, wynikami narzędzi i odtworzoną wypowiedzią. Agent kontynuuje, zmienia albo kończy proces, zachowując już wykonane działania i odrzucając nieaktualne plany.",
   "how_en": "After interruption, new intent is compared with the task checkpoint, tool results and played speech. The agent continues, changes or ends the process, preserving completed actions and discarding stale plans.",
   "limits": "Brak rejestru wyników grozi ponownym wykonaniem działania. Operacje zewnętrzne mogą trwać mimo przerwania rozmowy; wznowienie wymaga rozstrzygnięcia ich stanu oraz ewentualnego ponownego potwierdzenia zmienionego zamiaru.",
   "limits_en": "Missing result records risk repeating actions. External operations may continue after dialogue interruption; recovery requires resolving their status and possibly reconfirming changed intent.",
   "terms": [
    {
     "gloss": "Zapis ostatniego potwierdzonego stanu procesu i jego wyników.",
     "term": "punkt kontrolny zadania"
    },
    {
     "gloss": "Własność operacji pozwalająca ponawiać żądanie bez powielania skutku.",
     "term": "idempotencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A record of the last confirmed process state and its results.",
     "term": "task checkpoint"
    },
    {
     "gloss": "An operation property allowing retries without duplicating its effect.",
     "term": "idempotency"
    }
   ],
   "prereq": [
    "workflows",
    "eventdriven"
   ],
   "keywords": [
    "IHBench",
    "task checkpoints",
    "idempotency keys",
    "state reconciliation",
    "stale-plan invalidation"
   ],
   "source_ids": [
    "ihbench-voice"
   ],
   "url": "https://aiatlasgraph.com/t/interruptionrecovery",
   "markdown_url": "https://aiatlasgraph.com/t/interruptionrecovery.md",
   "updated": "2026-10-30"
  },
  "irl": {
   "id": "irl",
   "parent_id": "imitation",
   "label": "Odwrotne RL i imitacja adwersarialna (IRL, GAIL)",
   "canonical_name": "Inverse RL and adversarial imitation",
   "description": "Zamiast kopiować akcje, odtwarza się cel (nagrodę), który wyjaśnia zachowanie eksperta, albo uczy politykę tak, by dyskryminator nie odróżnił jej od demonstracji.",
   "description_en": "Instead of copying actions, recover the goal (reward) that explains expert behaviour, or train a policy so a discriminator cannot tell it from the demonstrations.",
   "examples": "Inverse RL · maximum-entropy IRL · GAIL",
   "examples_en": "Inverse RL · maximum-entropy IRL · GAIL",
   "plain": "To uczenie działania przez odtwarzanie celu pokazów lub upodabnianie całego zachowania do demonstracji.",
   "plain_en": "This learns actions by inferring demonstration goals or making overall behaviour resemble the demonstrations.",
   "solves": "Samo kopiowanie pojedynczych ruchów nie wyjaśnia, jaki wynik człowiek chciał osiągnąć ani jak zachować podobny sposób działania.",
   "solves_en": "Copying individual moves does not explain the person's intended outcome or how to retain a similar overall way of acting.",
   "does": "Szuka oceny celu wyjaśniającej pokazy albo korzysta z wyuczonego porównania przebiegów programu z demonstracjami, żeby poprawiać zachowanie.",
   "does_en": "It seeks a goal score explaining demonstrations or uses a learned comparison between program sequences and demonstrations to improve behaviour.",
   "example": "Robot obserwuje odkładanie przedmiotów i uczy się zachowania prowadzącego do podobnego uporządkowania, zamiast powtarzać dokładnie każdy gest.",
   "example_en": "A robot observes objects being put away and learns behaviour producing similar organisation rather than repeating every gesture exactly.",
   "for_you": [
    "chcesz odtwarzać cel lub styl pokazanej pracy",
    "masz demonstracje, ale trudno zapisać ocenę dobrego wyniku"
   ],
   "for_you_en": [
    "want to infer a demonstrated goal or style",
    "have demonstrations but find scoring success difficult"
   ],
   "how": "Odwrotne uczenie poszukuje nagrody, dla której demonstracje eksperta są dobrym zachowaniem. Imitacja adwersarialna zamiast jawnej rekonstrukcji nagrody uczy politykę przeciw dyskryminatorowi odróżniającemu jej trajektorie od demonstracji.",
   "how_en": "Inverse learning seeks a reward under which expert demonstrations are good behaviour. Adversarial imitation instead trains a policy against a discriminator distinguishing its trajectories from demonstrations, without explicitly reconstructing rewards.",
   "limits": "Wiele funkcji nagrody wyjaśnia te same zachowania. Metody adwersarialne mogą być niestabilne, a dopasowanie rozkładu demonstracji nie gwarantuje odtworzenia intencji eksperta.",
   "limits_en": "Many reward functions explain the same behaviour. Adversarial methods can be unstable, and matching demonstration distributions does not guarantee recovering expert intentions.",
   "terms": [
    {
     "gloss": "Możliwość jednoznacznego określenia celu na podstawie zaobserwowanych zachowań.",
     "term": "identyfikowalność nagrody"
    },
    {
     "gloss": "Rozkład odwiedzanych stanów i działań indukowany przez politykę.",
     "term": "miara zajętości"
    }
   ],
   "terms_en": [
    {
     "gloss": "Whether an objective can be uniquely determined from observed behaviour.",
     "term": "reward identifiability"
    },
    {
     "gloss": "The distribution of visited states and actions induced by a policy.",
     "term": "occupancy measure"
    }
   ],
   "prereq": [
    "mdp",
    "gan"
   ],
   "keywords": [
    "maximum-entropy IRL",
    "GAIL",
    "occupancy matching",
    "reward identifiability",
    "adversarial imitation"
   ],
   "source_ids": [
    "gail-2016"
   ],
   "url": "https://aiatlasgraph.com/t/irl",
   "markdown_url": "https://aiatlasgraph.com/t/irl.md",
   "updated": "2026-10-30"
  },
  "irt": {
   "id": "irt",
   "parent_id": "learnermodeling",
   "label": "Teoria odpowiedzi na pozycje testowe (IRT)",
   "canonical_name": "Item response theory (IRT)",
   "aliases": [
    "IRT",
    "item response theory",
    "latent trait theory",
    "Rasch model",
    "model Rascha",
    "teoria odpowiedzi na zadania testowe"
   ],
   "description": "Rodzina modeli psychometrycznych opisujących prawdopodobieństwo poprawnej odpowiedzi jako funkcję ukrytej zdolności osoby i parametrów pytania.",
   "description_en": "A family of psychometric models describing the probability of a correct answer as a function of a person's latent ability and item parameters.",
   "plain": "Sposób liczenia wyników testu, który osobno szacuje umiejętności osoby i trudność każdego pytania.",
   "plain_en": "A way of scoring tests that separately estimates a person's ability and the difficulty of each question.",
   "solves": "Zwykła suma punktów nie mówi, czy ktoś rozwiązał łatwe czy trudne pytania, i nie pozwala uczciwie porównać różnych wersji testu.",
   "solves_en": "A plain points total does not say whether someone solved easy or hard questions, and cannot fairly compare different test versions.",
   "does": "Ustawia ludzi i pytania na jednej linijce: pytanie leży tam, gdzie osoba o takim poziomie ma mniej więcej równe szanse je rozwiązać.",
   "does_en": "It places people and questions on one ruler: a question sits where a person at that level has roughly even odds of solving it.",
   "example": "Dwie grupy piszą różne wersje egzaminu, a mimo to ich wyniki da się porównać, bo każde pytanie ma wcześniej zmierzoną trudność.",
   "example_en": "Two groups sit different versions of an exam, yet their results can be compared because every question has a measured difficulty.",
   "for_you": [
    "układasz testy lub quizy i chcesz wiedzieć, które pytania są dobre",
    "porównujesz wyniki z różnych wersji testu",
    "chcesz zrozumieć testy, które same dobierają pytania"
   ],
   "for_you_en": [
    "write tests or quizzes and want to know which questions work",
    "compare results across different test versions",
    "want to understand tests that pick their own questions"
   ],
   "how": "Model Rascha (1PL) ma tylko trudność pytania, 2PL dodaje moc różnicującą, a 3PL dolną asymptotę na zgadywanie. Parametry pytań i zdolności szacuje się iteracyjnie metodą największej wiarygodności lub bayesowsko. Funkcja informacji pytania pokazuje, przy jakim poziomie zdolności pytanie mierzy najdokładniej.",
   "how_en": "The Rasch model (1PL) has only item difficulty, 2PL adds discrimination and 3PL a lower asymptote for guessing. Item and ability parameters are estimated iteratively by maximum likelihood or Bayesian methods. The item information function shows at which ability level an item measures most precisely.",
   "limits": "Zwykle zakłada jednowymiarowość i lokalną niezależność odpowiedzi, które łamią np. ściąganie czy praca w grupie. Kalibracja pytań wymaga dużych prób zdających. Modele wielowymiarowe istnieją, ale są złożone, a złe dopasowanie modelu psuje porównywalność wyników.",
   "limits_en": "It usually assumes unidimensionality and local independence of answers, which cheating or group work break. Calibrating items needs large samples of test-takers. Multidimensional models exist but are complex, and poor model fit spoils comparability of scores.",
   "terms": [
    {
     "gloss": "Poziom zdolności, przy którym pytanie rozwiązuje się z umiarkowaną szansą.",
     "term": "difficulty (b)"
    },
    {
     "gloss": "Jak ostro pytanie oddziela słabszych od mocniejszych.",
     "term": "discrimination (a)"
    },
    {
     "gloss": "Jak dokładnie pytanie mierzy na danym poziomie zdolności.",
     "term": "item information"
    },
    {
     "gloss": "Przeliczanie wyników różnych wersji testu na wspólną skalę.",
     "term": "test equating"
    }
   ],
   "terms_en": [
    {
     "gloss": "The ability level at which the item is solved with moderate odds.",
     "term": "difficulty (b)"
    },
    {
     "gloss": "How sharply the item separates weaker from stronger people.",
     "term": "discrimination (a)"
    },
    {
     "gloss": "How precisely the item measures at a given ability level.",
     "term": "item information"
    },
    {
     "gloss": "Converting scores from different test versions to one common scale.",
     "term": "test equating"
    }
   ],
   "prereq": [
    "linearmodels",
    "bayesinference"
   ],
   "keywords": [
    "Rasch model",
    "2PL",
    "3PL",
    "item information function",
    "test equating",
    "classical test theory",
    "differential item functioning",
    "mirt",
    "psychometrics"
   ],
   "source_ids": [
    "ghosh-akt-2020",
    "wiki-irt",
    "wiki-cat"
   ],
   "url": "https://aiatlasgraph.com/t/irt",
   "markdown_url": "https://aiatlasgraph.com/t/irt.md",
   "updated": "2026-10-30"
  },
  "islandmodel": {
   "id": "islandmodel",
   "parent_id": "geneticalgorithms",
   "label": "Model wyspowy (równoległe populacje z migracją)",
   "canonical_name": "Island model and parallel evolutionary algorithms",
   "aliases": [
    "island model",
    "island-model evolutionary algorithms",
    "coarse-grained parallel evolutionary algorithms",
    "model wyspowy",
    "równoległe algorytmy ewolucyjne"
   ],
   "description": "Gruboziarnista równoległość algorytmów ewolucyjnych: niezależne subpopulacje wymieniające osobniki według topologii i harmonogramu migracji.",
   "description_en": "Coarse-grained parallel evolution: independent subpopulations exchanging individuals according to a migration topology and schedule.",
   "plain": "Zamiast jednej dużej populacji program trzyma kilka osobnych grup, które ewoluują obok siebie i czasem wymieniają najlepszych.",
   "plain_en": "Instead of one big population the program keeps several separate groups that evolve side by side and sometimes swap their best.",
   "solves": "Jedna populacja szybko upodabnia się do najlepszego osobnika i przestaje szukać gdzie indziej, a obliczenia trwają długo.",
   "solves_en": "A single population soon copies its best member and stops looking elsewhere, and the computation takes long.",
   "does": "Jak wyspy archipelagu: każda rozwija własne gatunki, a rzadkie rejsy przenoszą udane pomysły bez ujednolicania wszystkiego.",
   "does_en": "Like islands in an archipelago: each grows its own species, while rare voyages carry good ideas without making everything alike.",
   "example": "Zespół projektuje trajektorię sondy kosmicznej; setki komputerów szukają osobno i co jakiś czas przesyłają sobie najlepsze trasy.",
   "example_en": "A team designs a space probe trajectory; hundreds of computers search separately and now and then send each other their best routes.",
   "for_you": [
    "masz wiele procesorów i długie obliczenia",
    "twoja ewolucja za wcześnie utyka w jednym miejscu"
   ],
   "for_you_en": [
    "have many processors and long computations",
    "see your evolution get stuck too early"
   ],
   "how": "Każda wyspa uruchamia własny algorytm na własnej populacji. Co ustaloną liczbę pokoleń wysyła kilku najlepszych osobników do sąsiadów, a migranci zastępują najsłabszych, jeśli są lepsi. Topologia, np. pierścień, hipersześcian lub sieć bezskalowa, oraz częstość i liczba migrantów sterują równowagą między różnorodnością a szybkością.",
   "how_en": "Each island runs its own algorithm on its own population. Every set number of generations it sends a few best individuals to neighbours, and migrants replace the worst if better. Topology, such as ring, hypercube or scale-free network, plus migration rate and size balance diversity against speed.",
   "limits": "Dobór topologii i parametrów migracji zależy od algorytmu i problemu; zły wybór daje albo izolację, albo jedną wielką populację. Komunikacja między maszynami kosztuje, a zysk z wielu wysp nie jest gwarantowany.",
   "limits_en": "Choosing topology and migration settings depends on algorithm and problem; poor choices give either isolation or one big population. Communication between machines costs, and gains from many islands are not guaranteed.",
   "terms": [
    {
     "gloss": "Okresowe przesyłanie osobników między wyspami.",
     "term": "migracja"
    },
    {
     "gloss": "Która wyspa wysyła migrantów do której.",
     "term": "topologia migracji"
    },
    {
     "gloss": "Co ile pokoleń odbywa się wymiana.",
     "term": "interwał migracji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Periodic transfer of individuals between islands.",
     "term": "migration"
    },
    {
     "gloss": "Which island sends migrants to which.",
     "term": "migration topology"
    },
    {
     "gloss": "How many generations pass between exchanges.",
     "term": "migration interval"
    }
   ],
   "keywords": [
    "island model",
    "migration topology",
    "migration rate",
    "coarse-grained parallel GA",
    "cellular GA",
    "pygmo",
    "archipelago",
    "asynchronous evolution"
   ],
   "source_ids": [
    "island-topology-izzo-2010"
   ],
   "url": "https://aiatlasgraph.com/t/islandmodel",
   "markdown_url": "https://aiatlasgraph.com/t/islandmodel.md",
   "updated": "2026-10-30"
  },
  "jailbreaks": {
   "id": "jailbreaks",
   "parent_id": "promptattacks",
   "label": "Jailbreaki — obchodzenie zabezpieczeń modelu",
   "canonical_name": "Jailbreaking",
   "description": "Prompty, które skłaniają model do złamania własnych zasad bezpieczeństwa: odgrywanie ról, zaciemnianie prośby, rzadkie języki, automatycznie wyszukane sufiksy adwersarialne. Działają, bo cele „pomóż” i „bądź bezpieczny” ze sobą konkurują.",
   "description_en": "Prompts that get a model to break its own safety rules: role-play, obfuscated requests, low-resource languages, automatically searched adversarial suffixes. They work because the goals “be helpful” and “be safe” compete.",
   "examples": "odgrywanie ról · sufiksy adwersarialne (GCG) · wieloturowe eskalacje",
   "examples_en": "role-play · adversarial suffixes (GCG) · multi-turn escalation",
   "plain": "To polecenia próbujące skłonić model do odpowiedzi, których jego zabezpieczenia miały zabraniać.",
   "plain_en": "These prompts try to make a model produce responses its safeguards were meant to prohibit.",
   "solves": "Model odmawia niedozwolonej prośbie wprost, ale może ulec jej po zmianie sposobu przedstawienia.",
   "solves_en": "A model refuses a prohibited request directly but may comply when it is framed differently.",
   "does": "Atak manipuluje kontekstem lub postacią prośby, próbując ominąć wyuczone ograniczenia; skuteczność zmienia się między modelami i wersjami.",
   "does_en": "An attack manipulates context or request framing to bypass learned restrictions; effectiveness varies across models and versions.",
   "example": "W kontrolowanym teście sprawdzasz, czy model nadal odmawia szkodliwej prośbie ukrytej w fikcyjnej rozmowie.",
   "example_en": "In a controlled test, you check whether a model still refuses a harmful request hidden in a fictional conversation.",
   "for_you": [
    "sprawdzasz granice odmowy modelu",
    "chcesz ocenić zabezpieczenia po zmianie wersji"
   ],
   "for_you_en": [
    "test a model's refusal boundaries",
    "want to assess safeguards after a version change"
   ],
   "how": "Wejście zmienia formę, kontekst lub sekwencję prośby, aby uruchomić zdolność modelu poza wyuczonym ograniczeniem. Poszukiwanie adwersarialnych promptów wykorzystuje rozbieżności pomiędzy generalizacją zadania a generalizacją treningu bezpieczeństwa.",
   "how_en": "Inputs change request form, context or sequence to activate model capabilities beyond learned restrictions. Adversarial prompt search exploits gaps between task generalisation and safety-training generalisation.",
   "limits": "Ataki nie przenoszą się jednakowo między modelami i wersjami. Odrzucenie jednego promptu nie dowodzi odporności, a wykrywanie form powierzchniowych może blokować także dozwolone badania i wyjaśnienia.",
   "limits_en": "Attacks transfer unevenly across models and versions. Rejecting one prompt does not establish robustness, while surface-form detection can also block legitimate research and explanation.",
   "terms": [
    {
     "gloss": "Wejście celowo dobrane do wywołania niepożądanego zachowania modelu.",
     "term": "przykład adwersarialny"
    },
    {
     "gloss": "Stosowanie wyuczonych ograniczeń do nowych form i kontekstów prośby.",
     "term": "generalizacja bezpieczeństwa"
    }
   ],
   "terms_en": [
    {
     "gloss": "An input deliberately chosen to induce undesirable model behaviour.",
     "term": "adversarial example"
    },
    {
     "gloss": "Applying learned restrictions to novel request forms and contexts.",
     "term": "safety generalisation"
    }
   ],
   "prereq": [
    "prompting",
    "classmetrics"
   ],
   "keywords": [
    "GCG",
    "adversarial suffixes",
    "role-play attacks",
    "multi-turn jailbreaks",
    "transferable adversarial attacks",
    "Constitutional Classifiers"
   ],
   "source_ids": [
    "jailbroken-wei-2023",
    "gcg-zou-2023",
    "constitutional-classifiers-2025"
   ],
   "url": "https://aiatlasgraph.com/t/jailbreaks",
   "markdown_url": "https://aiatlasgraph.com/t/jailbreaks.md",
   "updated": "2026-10-30"
  },
  "jepa": {
   "id": "jepa",
   "parent_id": "modelbased",
   "label": "Architektury predykcyjne wspólnego osadzenia (JEPA)",
   "canonical_name": "Joint Embedding Predictive Architectures (JEPA)",
   "description": "Modele uczące się przewidywać abstrakcyjne reprezentacje przyszłych lub brakujących stanów w przestrzeni osadzeń, zamiast rekonstruować surowe dane (piksele, tokeny).",
   "description_en": "Models that learn to predict abstract representations of future or missing states in embedding space, rather than reconstructing raw data (pixels, tokens).",
   "plain": "To sposób uczenia modeli, żeby przewidywały, co będzie dalej, ale w uproszczonej formie, bez odtwarzania każdego szczegółu obrazu czy dźwięku.",
   "plain_en": "A way of training models to predict what comes next, but in simplified form, without reconstructing every detail of an image or sound.",
   "solves": "Pełne odtwarzanie szczegółów (np. pikseli) jest kosztowne i często niepotrzebne, gdy interesuje nas tylko struktura i zmiany otoczenia.",
   "solves_en": "Fully reconstructing details (e.g. pixels) is costly and often unnecessary when we mainly care about structure and changes in the environment.",
   "does": "Koduje obserwacje do ukrytej przestrzeni i uczy się przewidywać reprezentację przyszłego stanu z obecnego, pomijając nieistotne detale.",
   "does_en": "It encodes observations into a latent space and learns to predict the representation of a future state from the current one, ignoring irrelevant details.",
   "example": "Model patrzy na kilka klatek wideo i przewiduje, jak będzie wyglądała scena za chwilę, ale tylko w formie cech, nie pełnego obrazu.",
   "example_en": "A model looks at a few video frames and predicts what the scene will look like shortly, but only as features, not a full image.",
   "for_you": [
    "chcesz modeli, które rozumieją dynamikę otoczenia bez generowania pikseli",
    "interesuje Cię efektywne predykcyjne modelowanie świata"
   ],
   "for_you_en": [
    "want models that understand environmental dynamics without generating pixels",
    "are interested in efficient predictive world modelling"
   ],
   "how": "Obserwacje są kodowane przez sieć do osadzeń. Osobna sieć predykcyjna uczy się mapować bieżące osadzenie (i ewentualnie akcję) na przewidywane przyszłe osadzenie. Strata jest liczona w przestrzeni osadzeń, co pozwala pominąć niskopoziomowe detale.",
   "how_en": "Observations are encoded by a network into embeddings. A separate prediction network learns to map the current embedding (and optionally an action) to a predicted future embedding. The loss is computed in embedding space, allowing low-level details to be ignored.",
   "limits": "Wymaga dobrze dobranych kodowań i może tracić informacje potrzebne do pełnej rekonstrukcji. Ocena jakości predykcji w ukrytej przestrzeni jest trudniejsza niż w przypadku generatywnych modeli.",
   "limits_en": "Requires well-chosen encodings and may discard information needed for full reconstruction. Evaluating prediction quality in latent space is harder than with generative models.",
   "terms": [
    {
     "gloss": "Reprezentacja, w której różne widoki tej samej sceny lub stanu są blisko siebie.",
     "term": "osadzenie wspólne"
    },
    {
     "gloss": "Przewidywanie przyszłego stanu bezpośrednio w przestrzeni cech, a nie w surowych danych.",
     "term": "predykcja w osadzeniu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A representation where different views of the same scene or state lie close together.",
     "term": "joint embedding"
    },
    {
     "gloss": "Predicting a future state directly in feature space rather than in raw data.",
     "term": "embedding prediction"
    }
   ],
   "prereq": [
    "modelbased",
    "generative"
   ],
   "keywords": [
    "JEPA",
    "joint embedding",
    "predictive architecture",
    "latent prediction",
    "V-JEPA",
    "I-JEPA"
   ],
   "source_ids": [
    "jepaanything-arxiv-2026"
   ],
   "url": "https://aiatlasgraph.com/t/jepa",
   "markdown_url": "https://aiatlasgraph.com/t/jepa.md",
   "updated": "2026-10-30"
  },
  "jepaanything": {
   "id": "jepaanything",
   "parent_id": "jepa",
   "label": "JEPA-Anything – uniwersalne predykcyjne modele świata",
   "canonical_name": "JEPA-Anything: domain-agnostic predictive world models",
   "description": "Rozszerzenie JEPA o ortogonalną faktoryzację predykcyjną (OPF), pozwalającą na wspólną zasadę uczenia modeli świata w wielu różnych domenach.",
   "description_en": "An extension of JEPA with orthogonal predictive factorization (OPF), enabling a shared learning principle for world models across many different domains.",
   "plain": "To metoda, która pozwala jednemu rodzajowi modelu przewidywać, co się stanie w bardzo różnych światach – od obrazów i ruchu, po komórki i pogodę.",
   "plain_en": "A method that lets one kind of model predict what will happen in very different worlds – from images and motion to cells and weather.",
   "solves": "Większość modeli świata działa dobrze tylko w jednej dziedzinie; przenoszenie ich na inne wymaga dużo nowej pracy.",
   "solves_en": "Most world models work well in only one domain; moving them to others requires a lot of new work.",
   "does": "Rozbija przyszły stan na kilka niezależnych czynników, uczy każdy osobno i składa je z powrotem, dzięki czemu ta sama zasada działa w wielu dziedzinach.",
   "does_en": "It breaks a future state into several independent factors, learns each separately and recombines them, so the same principle works across many domains.",
   "example": "Model trenowany na wideo i na trajektoriach cząsteczek uczy się przewidywać skutki interwencji w obu przypadkach tą samą metodą.",
   "example_en": "A model trained on video and on particle trajectories learns to predict the effects of interventions in both cases with the same method.",
   "for_you": [
    "chcesz modeli świata, które nie są ograniczone do jednej dziedziny",
    "interesują Cię predykcje interwencji w nauce i sterowaniu"
   ],
   "for_you_en": [
    "want world models that are not limited to a single domain",
    "are interested in intervention predictions in science and control"
   ],
   "how": "Orthogonal Predictive Factorization (OPF) dzieli ukryty cel na komplementarne czynniki. Każdy czynnik jest przewidywany osobną ścieżką, a następnie czynniki są rekombinowane. Umożliwia to wspólną architekturę dla domen takich jak wizja, biologia, dynamika molekularna, kontrola i pogoda.",
   "how_en": "Orthogonal Predictive Factorization (OPF) splits the latent target into complementary factors. Each factor is predicted by a dedicated pathway and then recombined. This enables a shared architecture for domains such as vision, biology, molecular dynamics, control and weather.",
   "limits": "Wyniki pochodzą z jednej pracy badawczej (2026); ogólność metody wymaga dalszej weryfikacji poza testowanymi domenami. Faktoryzacja zwiększa złożoność implementacji.",
   "limits_en": "Results come from a single 2026 research paper; the method's generality needs further verification outside the tested domains. Factorization increases implementation complexity.",
   "terms": [
    {
     "gloss": "Podział celu predykcji na niezależne czynniki uczone osobnymi ścieżkami.",
     "term": "ortogonalna faktoryzacja predykcyjna"
    },
    {
     "gloss": "Podejście stosujące tę samą zasadę uczenia w wielu różnych dziedzinach.",
     "term": "model domenowo-agnostyczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Splitting the prediction target into independent factors learned by separate pathways.",
     "term": "orthogonal predictive factorization"
    },
    {
     "gloss": "An approach applying the same learning principle across many different domains.",
     "term": "domain-agnostic model"
    }
   ],
   "prereq": [
    "jepa"
   ],
   "keywords": [
    "JEPA-Anything",
    "orthogonal predictive factorization",
    "OPF",
    "domain-agnostic world models",
    "intervention prediction"
   ],
   "source_ids": [
    "jepaanything-arxiv-2026"
   ],
   "url": "https://aiatlasgraph.com/t/jepaanything",
   "markdown_url": "https://aiatlasgraph.com/t/jepaanything.md",
   "updated": "2026-10-30"
  },
  "jettagging": {
   "id": "jettagging",
   "parent_id": "physastro",
   "label": "Rozpoznawanie strumieni cząstek ze zderzeń (jet tagging)",
   "canonical_name": "Jet tagging in particle physics",
   "aliases": [
    "jet tagging",
    "particle cloud",
    "tagowanie dżetów"
   ],
   "description": "Klasyfikacja dżetów hadronowych (np. top, W, b, gluon) sieciami na chmurach cząstek, grafach lub transformerach niezależnych od kolejności.",
   "description_en": "Classifying hadronic jets (e.g. top, W, b, gluon) with permutation-invariant networks on particle clouds, graphs or transformers.",
   "plain": "Sieć patrzy na rozbryzg cząstek po zderzeniu w akceleratorze i rozpoznaje, jaka cząstka go zapoczątkowała.",
   "plain_en": "A network looks at the spray of particles after a collision in an accelerator and recognises which particle started it.",
   "solves": "Ślady rzadkich, ciekawych cząstek giną wśród miliardów zwykłych zderzeń, które z daleka wyglądają bardzo podobnie.",
   "solves_en": "Traces of rare, interesting particles are lost among billions of ordinary collisions that look very similar from afar.",
   "does": "Jak rozpoznawanie fajerwerku po samym rozkładzie iskier: kolejność iskier nie ma znaczenia, liczy się, jak leżą względem siebie.",
   "does_en": "Like identifying a firework by the pattern of its sparks: the order of sparks does not matter, only how they sit relative to each other.",
   "example": "Fizycy w laboratorium zderzeń wybierają z ogromu danych garstkę przypadków, w których mogła powstać poszukiwana ciężka cząstka.",
   "example_en": "Physicists at a collider lab pick from vast data the handful of events where a sought-after heavy particle may have formed.",
   "for_you": [
    "interesujesz się fizyką cząstek i zderzaczami",
    "pracujesz z danymi w postaci nieuporządkowanych zbiorów punktów"
   ],
   "for_you_en": [
    "are interested in particle physics and colliders",
    "work with data shaped as unordered sets of points"
   ],
   "how": "Dżet przedstawia się jako nieuporządkowany zbiór cząstek z cechami (pęd, kąt, ładunek, typ). Sieć grafowa z dynamicznymi sąsiedztwami (EdgeConv) lub transformer na cząstkach agreguje informacje symetrycznie, więc wynik nie zależy od kolejności; trenuje się ją na symulacjach i porównuje na wspólnych benchmarkach.",
   "how_en": "A jet is represented as an unordered set of particles with features (momentum, angle, charge, type). A graph network with dynamic neighbourhoods (EdgeConv) or a particle transformer aggregates information symmetrically, so the output ignores ordering; it is trained on simulations and compared on shared benchmarks.",
   "limits": "Trening na symulacjach grozi różnicami względem prawdziwego detektora, które trzeba kalibrować na danych. Najlepsze modele są ciężkie dla wyzwalaczy działających w mikrosekundach i trudne do zinterpretowania fizycznie.",
   "limits_en": "Training on simulations risks mismatch with the real detector, which must be calibrated on data. The best models are heavy for triggers operating in microseconds and hard to interpret physically.",
   "terms": [
    {
     "gloss": "Wąski strumień cząstek powstały z jednej cząstki po zderzeniu.",
     "term": "dżet"
    },
    {
     "gloss": "Opis dżetu jako zbioru punktów bez ustalonej kolejności.",
     "term": "chmura cząstek"
    },
    {
     "gloss": "Wynik nie zmienia się, gdy przestawimy kolejność elementów.",
     "term": "niezmienniczość permutacji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A narrow spray of particles from one particle after a collision.",
     "term": "jet"
    },
    {
     "gloss": "Describing a jet as a set of points with no fixed order.",
     "term": "particle cloud"
    },
    {
     "gloss": "The output stays the same when element order is shuffled.",
     "term": "permutation invariance"
    }
   ],
   "prereq": [
    "messagepassing",
    "pointclouds"
   ],
   "keywords": [
    "ParticleNet",
    "Particle Transformer",
    "EdgeConv",
    "Deep Sets",
    "JetClass",
    "LHC",
    "top tagging",
    "hls4ml"
   ],
   "source_ids": [
    "particlenet-2019"
   ],
   "url": "https://aiatlasgraph.com/t/jettagging",
   "markdown_url": "https://aiatlasgraph.com/t/jettagging.md",
   "updated": "2026-10-30"
  },
  "judgebias": {
   "id": "judgebias",
   "parent_id": "llmjudge",
   "label": "Uprzedzenia sędziów LLM: kolejność, długość, własny styl",
   "canonical_name": "LLM judge biases and mitigation",
   "aliases": [
    "position bias",
    "verbosity bias",
    "self-enhancement bias",
    "self-preference bias",
    "stronniczość sędziego LLM"
   ],
   "description": "Systematyczne błędy sędziów LLM (pozycja, rozwlekłość, autopreferencja) i techniki ich ograniczania.",
   "description_en": "Systematic errors of LLM judges (position, verbosity, self-preference) and techniques to reduce them.",
   "plain": "Oceniający model ma swoje skrzywienia: woli odpowiedź pokazaną jako pierwszą, dłuższą albo podobną do własnej.",
   "plain_en": "A grading model has its own skews: it may prefer the answer shown first, the longer one, or one that sounds like itself.",
   "solves": "Wyniki automatycznej oceny mogą nagradzać gadulstwo albo przypadek kolejności, a nie lepszą odpowiedź.",
   "solves_en": "Automatic grading can reward wordiness or the luck of ordering instead of the better answer.",
   "does": "Jak w konkursie, gdzie jurorzy słuchają wykonawców w losowej kolejności: zamienia się miejsca odpowiedzi i liczy tylko zgodne werdykty.",
   "does_en": "Like a contest where jurors hear performers in shuffled order: answers swap places and only consistent verdicts count.",
   "example": "Porównujesz dwie wersje asystenta; po zamianie kolejności odpowiedzi połowa „zwycięstw” znika, bo sędzia po prostu wolał pierwszą.",
   "example_en": "You compare two assistant versions; after swapping the answer order, half the 'wins' disappear because the judge simply preferred the first one.",
   "for_you": [
    "porównujesz odpowiedzi parami za pomocą modelu",
    "twoje wyniki rosną, gdy odpowiedzi się wydłużają",
    "ten sam model generuje i ocenia"
   ],
   "for_you_en": [
    "you compare answers pairwise with a model",
    "your scores rise as answers get longer",
    "the same model generates and grades"
   ],
   "how": "Stronniczość pozycji mierzy się, oceniając każdą parę w obu kolejnościach; wygrana liczy się tylko przy zgodnym werdykcie, inaczej remis. Przykłady w prompcie (few-shot) i odpowiedź wzorcowa mogą ograniczać część błędów sędziego. Kontrolą dla skrzywienia ku rozwlekłości są pary sztucznie wydłużone bez nowej treści.",
   "how_en": "Position bias is measured by grading each pair in both orders; a win counts only when verdicts agree, otherwise it is a tie. Few-shot examples and a reference answer can reduce some judge errors. Pairs padded with no new content act as a control for verbosity bias.",
   "limits": "Zamiana kolejności podwaja koszt i nie usuwa innych skrzywień. Część uprzedzeń, jak autopreferencja, jest trudna do wykazania. Ograniczanie jednego efektu nie dowodzi, że sędzia ocenia poprawnie merytorycznie.",
   "limits_en": "Swapping order doubles cost and does not remove other skews. Some biases, such as self-preference, are hard to demonstrate. Reducing one effect does not prove the judge is correct on substance.",
   "terms": [
    {
     "gloss": "Preferowanie odpowiedzi stojącej na określonym miejscu, zwykle pierwszym.",
     "term": "position bias"
    },
    {
     "gloss": "Preferowanie dłuższych odpowiedzi, nawet gdy nie wnoszą więcej.",
     "term": "verbosity bias"
    },
    {
     "gloss": "Skłonność modelu do wyżej oceniania odpowiedzi w swoim stylu.",
     "term": "self-enhancement bias"
    }
   ],
   "terms_en": [
    {
     "gloss": "Favouring the answer in a particular slot, usually the first.",
     "term": "position bias"
    },
    {
     "gloss": "Favouring longer answers even when they add nothing.",
     "term": "verbosity bias"
    },
    {
     "gloss": "A model's tendency to rate answers in its own style higher.",
     "term": "self-enhancement bias"
    }
   ],
   "prereq": [
    "evalstats",
    "arenas"
   ],
   "keywords": [
    "position bias",
    "verbosity bias",
    "self-enhancement bias",
    "position swapping",
    "length-controlled win rate",
    "judge ensemble",
    "few-shot judge"
   ],
   "source_ids": [
    "zheng-llmjudge-2023"
   ],
   "url": "https://aiatlasgraph.com/t/judgebias",
   "markdown_url": "https://aiatlasgraph.com/t/judgebias.md",
   "updated": "2026-10-30"
  },
  "judges": {
   "id": "judges",
   "parent_id": "evaluation",
   "label": "Ocena ludzi i modeli",
   "canonical_name": "Human evaluation and model judges",
   "description": "Ocena odpowiedzi z kontrolą jakości samych ocen.",
   "description_en": "Judging answers, with quality control on the judging itself.",
   "examples": "LLM-as-judge · zgodność sędziów",
   "examples_en": "LLM-as-judge · inter-rater agreement",
   "plain": "To ocenianie odpowiedzi przez ludzi lub inne modele według ustalonych kryteriów.",
   "plain_en": "This assesses answers through people or other models using defined criteria.",
   "solves": "Jakości, przydatności i zgodności odpowiedzi nie zawsze da się rozstrzygnąć prostą regułą programu.",
   "solves_en": "Answer quality, usefulness and relevance cannot always be determined through a simple software rule.",
   "does": "Daje oceniającym przykłady i kryteria, porównuje ich oceny oraz sprawdza pomyłki i rozbieżności samego procesu oceniania.",
   "does_en": "It provides examples and criteria to evaluators, compares their ratings and checks errors and disagreements in the evaluation itself.",
   "example": "Ludzie i model oceniają szkice odpowiedzi klientom, a sporne przypadki służą doprecyzowaniu zasad i sprawdzeniu oceniającego modelu.",
   "example_en": "People and a model assess customer reply drafts, with disputed cases used to clarify criteria and check the evaluator model.",
   "for_you": [
    "potrzebujesz ocenić cechy trudne do zapisania regułą",
    "chcesz kontrolować jakość samych ocen"
   ],
   "for_you_en": [
    "need to assess qualities hard to express as rules",
    "want to check the quality of the assessments themselves"
   ],
   "how": "Rubryka określa kryteria oceny, a ludzie lub modele punktują odpowiedzi albo porównują je parami. Powtórzenia, niezależne oceny i kontrolne przykłady ujawniają rozbieżności oraz błędy samych sędziów.",
   "how_en": "A rubric defines criteria, and humans or models score answers or compare pairs. Repeated assessments, independent judgements and control examples reveal disagreements and evaluator errors.",
   "limits": "Oceny są podatne na kolejność, długość i styl odpowiedzi. Zgodność sędziów nie dowodzi poprawności; modelowy ewaluator wymaga kalibracji względem sprawdzonych ocen.",
   "limits_en": "Judgements are sensitive to answer order, length and style. Agreement does not prove correctness; model evaluators need calibration against reviewed judgements.",
   "terms": [
    {
     "gloss": "Zapis kryteriów i zasad przyznawania ocen.",
     "term": "rubryka oceny"
    },
    {
     "gloss": "Wybór lepszej odpowiedzi z pary według wspólnych kryteriów.",
     "term": "ocena parami"
    }
   ],
   "terms_en": [
    {
     "gloss": "A specification of criteria and scoring rules.",
     "term": "evaluation rubric"
    },
    {
     "gloss": "Choosing the better of two answers under shared criteria.",
     "term": "pairwise evaluation"
    }
   ],
   "prereq": [
    "annotation",
    "evalsets"
   ],
   "keywords": [
    "LLM-as-a-judge",
    "evaluation rubrics",
    "pairwise comparison",
    "human agreement",
    "position bias",
    "reference-guided scoring"
   ],
   "source_ids": [
    "fsdl",
    "agents",
    "cs229",
    "machina-x-agents",
    "anthropic-prompt-evals"
   ],
   "url": "https://aiatlasgraph.com/t/judges",
   "markdown_url": "https://aiatlasgraph.com/t/judges.md",
   "updated": "2026-10-30"
  },
  "judgevalidation": {
   "id": "judgevalidation",
   "parent_id": "judges",
   "label": "Walidacja ewaluatorów",
   "canonical_name": "Evaluator validation against human labels",
   "description": "Sprawdzenie sędziego LLM lub klasyfikatora na etykietach człowieka, na zbiorze, który nie brał udziału w jego strojeniu.",
   "description_en": "Testing an LLM judge or classifier against human labels, on a set that played no part in tuning it.",
   "examples": "podział train/dev/test · TPR i TNR · jeden sędzia na jeden rodzaj błędu · pass/fail czy skala 1–5",
   "examples_en": "train/dev/test split · TPR and TNR · one judge per failure type · pass/fail or a 1–5 scale",
   "plain": "To sprawdzanie, czy automatyczny oceniający poprawnie rozpoznaje błędy według ocen przygotowanych przez ludzi.",
   "plain_en": "This checks whether an automated evaluator recognises errors according to assessments prepared by people.",
   "solves": "Model oceniający może przepuszczać złe odpowiedzi lub odrzucać dobre, nawet jeśli jego uzasadnienia brzmią przekonująco.",
   "solves_en": "An evaluator model may accept poor answers or reject good ones even when its explanations sound convincing.",
   "does": "Porównuje oceny na osobnym zbiorze ludzkich etykiet, licząc pominięte błędy i niesłuszne odrzucenia bez używania tego zbioru do strojenia.",
   "does_en": "It compares ratings against a separate human labelled set, counting missed errors and incorrect rejections without using that set for tuning.",
   "example": "Sprawdzasz oceniający model na wcześniej ocenionych notatkach, zwłaszcza tych z błędnymi datami i tych, które poprawnie opisują wyjątki.",
   "example_en": "You test an evaluator on previously assessed notes, especially those with wrong dates and those correctly describing exceptions.",
   "for_you": [
    "korzystasz z modelu do oceniania innych odpowiedzi",
    "masz niezależne oceny ludzi do sprawdzenia sędziego"
   ],
   "for_you_en": [
    "use a model to assess other answers",
    "have independent human ratings for checking the evaluator"
   ],
   "how": "Zamrożony ewaluator ocenia niezależną próbkę z etykietami zweryfikowanymi przez ludzi. Porównanie błędów, zgodności i wyników w podgrupach sprawdza, które kryteria sędzia rozpoznaje poprawnie.",
   "how_en": "A frozen evaluator assesses an independent sample with human-reviewed labels. Comparing errors, agreement and subgroup results tests which criteria the evaluator identifies correctly.",
   "limits": "Dostrajanie na zbiorze kontrolnym unieważnia jego niezależność. Mała lub niereprezentatywna próbka może ukryć systematyczne błędy; etykiety ludzi także wymagają kontroli.",
   "limits_en": "Tuning on the control set compromises its independence. Small or unrepresentative samples can hide systematic errors; human labels also require checks.",
   "terms": [
    {
     "gloss": "Niezależne przykłady ze sprawdzonymi ocenami do testowania ewaluatora.",
     "term": "zbiór walidacji sędziego"
    },
    {
     "gloss": "Tabela rozbieżności między kategoriami przewidywanymi i referencyjnymi.",
     "term": "macierz pomyłek"
    }
   ],
   "terms_en": [
    {
     "gloss": "Independent examples with reviewed judgements for testing an evaluator.",
     "term": "judge validation set"
    },
    {
     "gloss": "A table of discrepancies between predicted and reference categories.",
     "term": "confusion matrix"
    }
   ],
   "prereq": [
    "annotationguidelines",
    "classmetrics"
   ],
   "keywords": [
    "human-labeled validation sets",
    "true positive rate",
    "true negative rate",
    "confusion matrix",
    "inter-rater agreement",
    "held-out testing"
   ],
   "source_ids": [
    "hamel-evals-faq"
   ],
   "url": "https://aiatlasgraph.com/t/judgevalidation",
   "markdown_url": "https://aiatlasgraph.com/t/judgevalidation.md",
   "updated": "2026-10-30"
  },
  "judgmentprediction": {
   "id": "judgmentprediction",
   "parent_id": "legalreasoning",
   "label": "Przewidywanie wyroków",
   "canonical_name": "Legal judgment prediction",
   "aliases": [
    "legal judgment prediction",
    "LJP",
    "court decision prediction",
    "outcome forecasting",
    "judicial decision prediction",
    "predykcja wyroków",
    "przewidywanie orzeczeń"
   ],
   "description": "Klasyfikacja rozstrzygnięcia (np. naruszenie artykułu, wygrana strony) na podstawie tekstu sprawy; odróżnia się identyfikację wyniku od rzeczywistego prognozowania.",
   "description_en": "Classifying the outcome (e.g. violation of an article, which party wins) from case text; outcome identification is distinguished from genuine forecasting.",
   "plain": "Model czyta opis sprawy sądowej i zgaduje, jak zakończy się wyrok, np. czy sąd uzna, że doszło do naruszenia praw.",
   "plain_en": "A model reads the description of a court case and guesses how the judgment will end, e.g. whether the court will find a rights violation.",
   "solves": "Strony sporu i ich prawnicy chcą z góry wiedzieć, czy warto iść do sądu, a sądy mają zaległości i chcą wyłapać sprawy pilne lub ważne.",
   "solves_en": "Litigants and lawyers want to know in advance whether suing is worth it, and backlogged courts want to spot urgent or important cases.",
   "does": "Uczy się na tysiącach dawnych wyroków, które słowa i układy faktów zwykle szły w parze z wygraną, a które z przegraną.",
   "does_en": "It learns from thousands of past judgments which words and fact patterns usually went with a win and which with a loss.",
   "example": "Badacze pokazują, że program z samego opisu okoliczności sprawy trafnie typuje większość rozstrzygnięć międzynarodowego trybunału praw człowieka.",
   "example_en": "Researchers show that software, from the description of a case's circumstances alone, correctly guesses most decisions of an international human rights court.",
   "for_you": [
    "myślisz o tym, czy pozwać firmę lub urząd",
    "oceniasz narzędzia do analityki sądowej"
   ],
   "for_you_en": [
    "are thinking about suing a company or authority",
    "evaluate court analytics tools"
   ],
   "how": "Wczesne prace używały n-gramów i modeli tematów z liniowym SVM; późniejsze – hierarchicznych modeli neuronowych radzących sobie z długimi dokumentami. Zadania obejmują klasyfikację binarną naruszenia, wieloetykietową listę naruszonych artykułów i ważność sprawy. Bada się też, czy model wykorzystuje dane demograficzne.",
   "how_en": "Early work used n-grams and topic models with linear SVMs; later work used hierarchical neural models for long documents. Tasks include binary violation classification, multi-label prediction of violated articles, and case importance. Researchers also test whether models rely on demographic information.",
   "limits": "Wiele zbiorów używa opisów faktów sformułowanych przez sąd już w opublikowanym wyroku, więc zadanie różni się od prognozowania na podstawie materiału dostępnego przed rozstrzygnięciem. Dochodzą efekty selekcji spraw i ryzyko utrwalania uprzedzeń. Sama prognoza nie wyjaśnia podstaw rozstrzygnięcia.",
   "limits_en": "Many datasets use statements of facts written by the court in the published judgment, so the task differs from forecasting based only on material available before the decision. Case-selection effects and the risk of reproducing bias also remain. A prediction alone does not explain the legal grounds of the decision.",
   "terms": [
    {
     "gloss": "Sytuacja, gdy dane wejściowe zdradzają już rozstrzygnięcie.",
     "term": "wyciek wyniku"
    },
    {
     "gloss": "Statystyki o sądach i sędziach liczone z ich orzeczeń.",
     "term": "analityka sądowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "When input data already reveal the decision.",
     "term": "outcome leakage"
    },
    {
     "gloss": "Statistics about courts and judges computed from their rulings.",
     "term": "judicial analytics"
    }
   ],
   "prereq": [
    "textclassification",
    "fairness"
   ],
   "keywords": [
    "ECtHR dataset",
    "hierarchical BERT",
    "ECHR violation prediction",
    "outcome forecasting",
    "CAIL2018",
    "LexGLUE ECtHR",
    "judicial analytics"
   ],
   "source_ids": [
    "aletras-echr-2016",
    "chalkidis-ljp-2019",
    "medvedeva-rethinking-ljp-2023"
   ],
   "url": "https://aiatlasgraph.com/t/judgmentprediction",
   "markdown_url": "https://aiatlasgraph.com/t/judgmentprediction.md",
   "updated": "2026-10-30"
  },
  "kerneldsl": {
   "id": "kerneldsl",
   "parent_id": "compute",
   "label": "Języki i kompilatory kerneli",
   "canonical_name": "Kernel languages and compilers",
   "description": "Pisanie kerneli poziom wyżej niż czyste CUDA: kafelki, szablony, kompilatory.",
   "description_en": "Writing kernels one level above raw CUDA: tiles, templates, compilers.",
   "examples": "Triton · CUTLASS/CuTe · TileLang · TVM",
   "examples_en": "Triton · CUTLASS/CuTe · TileLang · TVM",
   "plain": "To języki i kompilatory ułatwiające pisanie małych, wydajnych programów obliczeniowych dla akceleratorów.",
   "plain_en": "These languages and compilers make it easier to write small, efficient computation programs for accelerators.",
   "solves": "Ręczne sterowanie każdym szczegółem karty jest trudne i zajmuje dużo czasu.",
   "solves_en": "Manually controlling every hardware detail is difficult and time-consuming.",
   "does": "Opisujesz obliczenia przez bloki danych lub szablony, a kompilator dobiera część instrukcji i szczegółów wykonania na sprzęcie.",
   "does_en": "You describe computations through data blocks or templates, and a compiler selects some instructions and execution details for the hardware.",
   "example": "Piszesz przekształcenie liczb całymi blokami, a kompilator przygotowuje program działający równolegle na karcie.",
   "example_en": "You write a numerical transformation in whole blocks, and the compiler produces a program running in parallel on the card.",
   "for_you": [
    "tworzysz własne operacje modelu",
    "szukasz prostszego sposobu programowania akceleratora"
   ],
   "for_you_en": [
    "create custom model operations",
    "seek an easier way to program accelerators"
   ],
   "how": "Program opisuje operacje na kafelkach lub tensorach, a kompilator obniża je do instrukcji i rozmieszczenia pamięci. Parametry wykonania oraz autotuning dobierają podział pracy do kształtów wejścia i możliwości sprzętu.",
   "how_en": "A program describes tile or tensor operations, and a compiler lowers them to instructions and memory placement. Execution parameters and autotuning adapt work partitioning to input shapes and hardware capabilities.",
   "limits": "Abstrakcja nie usuwa potrzeby rozumienia transferów i zasobów. Kompilacja oraz strojenie kosztują czas; wydajność i obsługa operatorów zależą od backendu oraz kształtów danych.",
   "limits_en": "Abstraction does not remove the need to understand transfers and resources. Compilation and tuning take time; performance and operator support depend on backends and data shapes.",
   "terms": [
    {
     "gloss": "Przekład operacji wysokiego poziomu na instrukcje bliższe sprzętowi.",
     "term": "lowering"
    },
    {
     "gloss": "Pomiar wariantów konfiguracji w celu wyboru szybszego wykonania.",
     "term": "autotuning"
    }
   ],
   "terms_en": [
    {
     "gloss": "Translating high-level operations into instructions closer to hardware.",
     "term": "lowering"
    },
    {
     "gloss": "Measuring configuration variants to select faster execution.",
     "term": "autotuning"
    }
   ],
   "prereq": [
    "gpuprog",
    "gemm"
   ],
   "keywords": [
    "Triton",
    "CUTLASS",
    "CuTe",
    "TileLang",
    "TVM",
    "compiler lowering",
    "autotuning"
   ],
   "source_ids": [
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/kerneldsl",
   "markdown_url": "https://aiatlasgraph.com/t/kerneldsl.md",
   "updated": "2026-10-30"
  },
  "kgraphs": {
   "id": "kgraphs",
   "parent_id": "logic",
   "label": "Grafy wiedzy",
   "canonical_name": "Knowledge graphs",
   "description": "Zapis pojęć i relacji jako grafu, także do wyszukiwania.",
   "description_en": "Concepts and relations written as a graph, retrieval included.",
   "examples": "Neo4j · odkrywanie API",
   "examples_en": "Neo4j · API discovery",
   "plain": "To sieć zapisanych rzeczy, pojęć i powiązań między nimi.",
   "plain_en": "This is a network of recorded things, concepts and relationships between them.",
   "solves": "Same oddzielne wpisy nie pokazują, jak osoby, dokumenty i przedmioty są ze sobą związane.",
   "solves_en": "Separate records do not reveal how people, documents and objects are connected.",
   "does": "Zapisuje relacje jako połączenia, po których można przechodzić, żeby znaleźć odpowiedź wymagającą kilku powiązanych faktów.",
   "does_en": "It records relationships as links you can follow to answer questions requiring several connected facts.",
   "example": "Pytasz, które instrukcje dotyczą urządzeń w twoim biurze, a system przechodzi od pomieszczeń przez urządzenia do dokumentów.",
   "example_en": "You ask which manuals cover devices in your office, and the system follows links from rooms to devices to documents.",
   "for_you": [
    "masz informacje powiązane między wieloma zbiorami",
    "chcesz wyszukiwać przez relacje między rzeczami"
   ],
   "for_you_en": [
    "have information connected across several collections",
    "want to search through relationships between things"
   ],
   "how": "Identyfikowane encje łączy się typowanymi relacjami i opcjonalnymi atrybutami. Zapytania przechodzą po tych powiązaniach, a reguły lub ontologia mogą wyprowadzać dodatkowe relacje zgodnie z przyjętą semantyką.",
   "how_en": "Identified entities are connected by typed relations and optional attributes. Queries traverse these links, while rules or ontologies can derive additional relations under chosen semantics.",
   "limits": "Graf wymaga rozstrzygania tożsamości encji i utrzymywania spójności źródeł. Niepełne lub przestarzałe relacje ograniczają wyniki; istnienie krawędzi nie dowodzi prawdziwości jej treści.",
   "limits_en": "Graphs require entity identity resolution and consistent sources. Missing or outdated relations limit results; an edge's existence does not prove its content true.",
   "terms": [
    {
     "gloss": "Identyfikowany obiekt, pojęcie lub zdarzenie reprezentowane w grafie.",
     "term": "encja"
    },
    {
     "gloss": "Zapis relacji jako podmiot, predykat i obiekt.",
     "term": "trójka"
    }
   ],
   "terms_en": [
    {
     "gloss": "An identified object, concept or event represented in a graph.",
     "term": "entity"
    },
    {
     "gloss": "A relationship recorded as subject, predicate and object.",
     "term": "triple"
    }
   ],
   "prereq": [
    "fol"
   ],
   "keywords": [
    "RDF triples",
    "entity linking",
    "graph traversal",
    "Neo4j",
    "Cypher",
    "SPARQL"
   ],
   "courses": [
    {
     "title": "Agentic Knowledge Graph Construction",
     "url": "https://www.deeplearning.ai/courses/agentic-knowledge-graph-construction"
    },
    {
     "title": "Knowledge Graphs for AI Agent API Discovery",
     "url": "https://www.deeplearning.ai/courses/knowledge-graphs-for-ai-agent-api-discovery"
    }
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/kgraphs",
   "markdown_url": "https://aiatlasgraph.com/t/kgraphs.md",
   "updated": "2026-10-30"
  },
  "kie": {
   "id": "kie",
   "parent_id": "docai",
   "label": "Wyciąganie pól z formularzy i faktur",
   "canonical_name": "Key information extraction from forms and receipts",
   "aliases": [
    "key information extraction",
    "KIE",
    "form understanding",
    "invoice extraction",
    "receipt understanding",
    "intelligent document processing",
    "IDP",
    "ekstrakcja danych z faktur"
   ],
   "description": "Przypisanie fragmentów dokumentu do nazwanych pól (np. NIP, kwota brutto, data) z użyciem tekstu, jego położenia i wyglądu strony.",
   "description_en": "Mapping document fragments to named fields (e.g. tax ID, gross amount, date) using text, its position and the page's appearance.",
   "plain": "Program czyta fakturę, paragon lub wniosek i sam wpisuje z nich potrzebne wartości do odpowiednich rubryk w systemie.",
   "plain_en": "A program reads an invoice, receipt or application form and fills the needed values into the right fields of a system.",
   "solves": "W biurach ludzie godzinami przepisują dane z faktur i wniosków do systemów, a każda literówka w kwocie oznacza kłopot.",
   "solves_en": "In offices people spend hours retyping data from invoices and forms into systems, and every typo in an amount causes trouble.",
   "does": "Patrzy nie tylko na słowa, ale i na to, gdzie stoją: liczba obok słowa „razem” na dole strony to najpewniej kwota do zapłaty.",
   "does_en": "It looks not only at words but at where they sit: a number next to “total” at the bottom is most likely the amount due.",
   "example": "Robisz zdjęcie paragonu za lunch służbowy, a aplikacja sama wpisuje sprzedawcę, datę i kwotę do rozliczenia wydatków.",
   "example_en": "You photograph a business lunch receipt, and an app fills in the seller, date and amount on your expense claim.",
   "for_you": [
    "rozliczasz wydatki na podstawie paragonów",
    "wprowadzasz dane z faktur lub wniosków do systemu"
   ],
   "for_you_en": [
    "claim expenses from receipts",
    "enter data from invoices or forms into a system"
   ],
   "how": "Modele multimodalne łączą tokeny tekstu z OCR, ich współrzędne na stronie i fragmenty obrazu, a następnie oznaczają tokeny etykietami pól lub generują pary klucz–wartość. Coraz częściej model wizyjno-językowy zwraca wynik bezpośrednio w zadanym schemacie, który walidacja sprawdza przed zapisem.",
   "how_en": "Multimodal models combine OCR text tokens, their page coordinates and image patches, then tag tokens with field labels or generate key–value pairs. Increasingly a vision-language model returns results directly in a given schema, which validation checks before saving.",
   "limits": "Nowe wzory dokumentów i różne języki obniżają trafność, a błędnie odczytana cyfra wygląda tak samo wiarygodnie jak poprawna. Potrzebne są reguły sprawdzające (sumy, formaty, sumy kontrolne) i ludzka weryfikacja przypadków o niskiej pewności.",
   "limits_en": "New document templates and other languages reduce accuracy, and a misread digit looks as plausible as a correct one. Checking rules (totals, formats, checksums) and human review of low-confidence cases are needed.",
   "terms": [
    {
     "gloss": "Nazwa pola i odczytana z dokumentu wartość, np. data: 3.10.",
     "term": "para klucz–wartość"
    },
    {
     "gloss": "Położenie słowa na stronie używane przez model obok tekstu.",
     "term": "cechy układu"
    },
    {
     "gloss": "Poziom, poniżej którego wynik idzie do sprawdzenia przez człowieka.",
     "term": "próg pewności"
    }
   ],
   "terms_en": [
    {
     "gloss": "A field name and the value read from the document, e.g. date: 3 Oct.",
     "term": "key–value pair"
    },
    {
     "gloss": "A word's position on the page, used by the model alongside text.",
     "term": "layout features"
    },
    {
     "gloss": "The level below which a result goes to human review.",
     "term": "confidence threshold"
    }
   ],
   "prereq": [
    "infoextraction",
    "structured"
   ],
   "keywords": [
    "LayoutLMv3",
    "Donut",
    "FUNSD",
    "CORD",
    "SROIE",
    "intelligent document processing",
    "key-value extraction",
    "schema-guided extraction"
   ],
   "source_ids": [
    "layoutlmv3-2022"
   ],
   "url": "https://aiatlasgraph.com/t/kie",
   "markdown_url": "https://aiatlasgraph.com/t/kie.md",
   "updated": "2026-10-30"
  },
  "kinematics": {
   "id": "kinematics",
   "parent_id": "robotcontrol",
   "label": "Kinematyka prosta i odwrotna",
   "canonical_name": "Forward and inverse kinematics",
   "aliases": [
    "forward kinematics",
    "inverse kinematics",
    "IK",
    "kinematyka odwrotna",
    "kinematyka prosta"
   ],
   "description": "Odwzorowanie między przestrzenią stawów a pozycją i orientacją efektora: proste w jedną stronę, wieloznaczne i często iteracyjne w drugą.",
   "description_en": "The mapping between joint space and end-effector pose: direct one way, ambiguous and often iterative the other.",
   "plain": "Liczenie, gdzie znajdzie się dłoń robota przy danych kątach stawów – i odwrotnie: jakie kąty ustawić, by dosięgnąć celu.",
   "plain_en": "Calculating where a robot's hand ends up for given joint angles, and the reverse: which angles reach a target.",
   "solves": "Wiesz, gdzie leży przedmiot, ale robot jest sterowany kątami kilku stawów i nie wiadomo, jak je ustawić.",
   "solves_en": "You know where the object is, but the robot is driven by several joint angles and it's unclear how to set them.",
   "does": "Przypomina sięganie po kubek z zamkniętymi oczami: znając długość ręki, wyliczasz zgięcie łokcia i barku potrzebne do celu.",
   "does_en": "Like reaching for a mug with your eyes shut: knowing your arm's length, you work out the elbow and shoulder bend needed.",
   "example": "Ramię spawalnicze prowadzi palnik wzdłuż szwu karoserii, a program co chwilę przelicza ustawienia sześciu stawów.",
   "example_en": "A welding arm guides its torch along a car-body seam while software keeps recomputing the settings of six joints.",
   "for_you": [
    "programujesz ramię robota, które ma sięgać w konkretne miejsca",
    "animujesz postać, której ręka ma trafić w cel",
    "chcesz wiedzieć, skąd robot wie, gdzie jest jego chwytak"
   ],
   "for_you_en": [
    "program a robot arm to reach specific places",
    "animate a character whose hand must hit a target",
    "want to know how a robot knows where its gripper is"
   ],
   "how": "Kinematyka prosta składa transformacje sztywne kolejnych ogniw (parametry Denavita–Hartenberga lub wzór iloczynu wykładniczego). Odwrotna szuka kątów dla zadanej pozy: analitycznie dla prostych ramion albo numerycznie, iterując z jakobianem (np. metoda Newtona–Raphsona, tłumione najmniejsze kwadraty).",
   "how_en": "Forward kinematics chains the rigid transforms of successive links (Denavit–Hartenberg parameters or the product-of-exponentials formula). Inverse kinematics finds angles for a target pose: analytically for simple arms or numerically by iterating with the Jacobian (e.g. Newton–Raphson, damped least squares).",
   "limits": "Zadanie odwrotne może mieć wiele rozwiązań albo żadnego; w osobliwościach jakobian traci rząd i ruch staje się niestabilny. Metody numeryczne zależą od punktu startu i same nie uwzględniają kolizji.",
   "limits_en": "The inverse problem may have many solutions or none; at singularities the Jacobian loses rank and motion becomes unstable. Numerical methods depend on the starting guess and ignore collisions on their own.",
   "terms": [
    {
     "gloss": "Macierz mówiąca, jak mały ruch stawów przesuwa końcówkę ramienia.",
     "term": "jakobian"
    },
    {
     "gloss": "Ułożenie ramienia, w którym traci ono zdolność ruchu w którymś kierunku.",
     "term": "osobliwość"
    },
    {
     "gloss": "Położenie i orientacja obiektu w przestrzeni naraz.",
     "term": "poza (pose)"
    }
   ],
   "terms_en": [
    {
     "gloss": "A matrix showing how small joint motions move the arm's tip.",
     "term": "Jacobian"
    },
    {
     "gloss": "An arm configuration where it loses the ability to move in some direction.",
     "term": "singularity"
    },
    {
     "gloss": "An object's position and orientation together.",
     "term": "pose"
    }
   ],
   "prereq": [
    "linearalgebra",
    "calculus"
   ],
   "keywords": [
    "Denavit-Hartenberg",
    "product of exponentials",
    "Jacobian",
    "damped least squares",
    "IKFast",
    "Pinocchio",
    "URDF"
   ],
   "source_ids": [
    "modern-robotics-2017"
   ],
   "url": "https://aiatlasgraph.com/t/kinematics",
   "markdown_url": "https://aiatlasgraph.com/t/kinematics.md",
   "updated": "2026-10-30"
  },
  "kmeans": {
   "id": "kmeans",
   "parent_id": "clustering",
   "label": "Metoda k-średnich (k-means)",
   "canonical_name": "k-means clustering",
   "description": "Dzieli dane na z góry zadaną liczbę k grup wokół środków, przesuwając je iteracyjnie. Dobra dla zwartych grup podobnej wielkości.",
   "description_en": "Splits data into a preset number k of groups around centroids that are moved iteratively. Works well for compact groups of similar size.",
   "examples": "wybór k (metoda łokcia) · k-means++",
   "examples_en": "choosing k (elbow method) · k-means++",
   "plain": "To dzielenie danych na wybraną wcześniej liczbę grup skupionych wokół swoich środków.",
   "plain_en": "This divides data into a preset number of groups around their centres.",
   "solves": "Chcesz podzielić wiele przykładów na określoną liczbę grup, ale nie znasz jeszcze ich członków.",
   "solves_en": "You want to divide many examples into a set number of groups but do not yet know their members.",
   "does": "Przypisuje przykłady do najbliższych środków, przelicza środki z członków grup i powtarza te kroki, poprawiając podział.",
   "does_en": "It assigns examples to their nearest centres, recalculates centres from group members and repeats these steps to refine the partition.",
   "example": "Dzielisz klientów na ustaloną liczbę grup według częstotliwości zakupów i wydatków, a potem sprawdzasz, czym grupy się różnią.",
   "example_en": "You divide customers into a preset number of groups using purchase frequency and spending, then examine how the groups differ.",
   "for_you": [
    "znasz liczbę grup, które chcesz otrzymać",
    "twoje dane tworzą dość zwarte skupiska podobnych przypadków"
   ],
   "for_you_en": [
    "know how many groups you want",
    "have data forming fairly compact groups of similar cases"
   ],
   "how": "Próbki przypisuje się do najbliższych centroidów, a następnie centroidy aktualizuje jako średnie swoich grup. Naprzemienne kroki zmniejszają sumę kwadratowych odległości przy ustalonej liczbie klastrów.",
   "how_en": "Samples are assigned to nearest centroids, which are updated to their groups' means. Alternating steps reduce squared-distance totals for a fixed cluster count.",
   "limits": "Wynik zależy od inicjalizacji i skali cech. Metoda faworyzuje zwarte grupy, jest wrażliwa na odstające punkty i nie gwarantuje minimum globalnego.",
   "limits_en": "Results depend on initialisation and feature scales. The method favours compact groups, is sensitive to outliers and does not guarantee a global minimum.",
   "terms": [
    {
     "gloss": "Średnia współrzędnych punktów przypisanych do klastra.",
     "term": "centroid"
    },
    {
     "gloss": "Suma kwadratowych odległości próbek od przypisanych centroidów.",
     "term": "inercja"
    }
   ],
   "terms_en": [
    {
     "gloss": "The mean coordinates of points assigned to a cluster.",
     "term": "centroid"
    },
    {
     "gloss": "The sum of squared distances from samples to assigned centroids.",
     "term": "inertia"
    }
   ],
   "prereq": [
    "linearalgebra",
    "mathoptimization"
   ],
   "keywords": [
    "k-means++",
    "centroid updates",
    "inertia",
    "elbow method",
    "MiniBatchKMeans"
   ],
   "source_ids": [
    "sklearn-clustering"
   ],
   "url": "https://aiatlasgraph.com/t/kmeans",
   "markdown_url": "https://aiatlasgraph.com/t/kmeans.md",
   "updated": "2026-10-30"
  },
  "knn": {
   "id": "knn",
   "parent_id": "supervised",
   "label": "Metoda k najbliższych sąsiadów (k-NN)",
   "canonical_name": "k-nearest neighbours",
   "description": "Model bez treningu parametrów: odpowiedź dla nowego przykładu wynika z k najbardziej podobnych przykładów w danych. Ta sama idea stoi za wyszukiwaniem wektorowym.",
   "description_en": "A model with no parameter training: the answer for a new example comes from the k most similar examples in the data. The same idea underlies vector search.",
   "examples": "miara odległości · wybór k · głosowanie sąsiadów",
   "examples_en": "distance metric · choosing k · neighbour voting",
   "plain": "To przewidywanie odpowiedzi przez porównanie nowego przypadku z najbardziej podobnymi znanymi przykładami.",
   "plain_en": "This predicts an answer by comparing a new case with the most similar known examples.",
   "solves": "Masz opisane przykłady, ale potrzebujesz odpowiedzi dla nowego przypadku bez budowania skomplikowanych reguł.",
   "solves_en": "You have labelled examples but need an answer for a new case without building complicated rules.",
   "does": "Wybiera podobne przykłady według ustalonej miary i korzysta z ich głosów lub średniej, zamiast uczyć wewnętrzne ustawienia modelu.",
   "does_en": "It selects similar examples using a chosen measure and uses their votes or average instead of learning internal model parameters.",
   "example": "Szacujesz czas naprawy sprzętu z opisanych wcześniejszych napraw urządzeń o najbardziej podobnych cechach i usterkach.",
   "example_en": "You estimate equipment repair time using recorded repairs of devices with the most similar features and faults.",
   "for_you": [
    "masz opisane przypadki podobne do nowych zadań",
    "chcesz przewidywać przez porównanie zamiast wyuczone reguły"
   ],
   "for_you_en": [
    "have labelled cases similar to new tasks",
    "want predictions based on comparisons rather than learned rules"
   ],
   "how": "Miara odległości wybiera najbliższe przykłady zapisane w zbiorze treningowym. Głosowanie ich etykiet daje klasyfikację, a uśrednienie wartości daje regresję, opcjonalnie z wagami zależnymi od odległości.",
   "how_en": "A distance measure selects the closest stored training examples. Voting over labels gives classification, while averaging values gives regression, optionally weighting by distance.",
   "limits": "Wynik zależy od skali cech, metryki i liczby sąsiadów. Wysoki wymiar osłabia informację odległości, a duży zbiór zwiększa koszt przechowywania i zapytań.",
   "limits_en": "Results depend on feature scales, metrics and neighbour counts. High dimensions weaken distance information, while large datasets increase storage and query costs.",
   "terms": [
    {
     "gloss": "Reguła mierząca różnicę między reprezentacjami przykładów.",
     "term": "metryka odległości"
    },
    {
     "gloss": "Zmiana wpływu przykładów w zależności od ich odległości od zapytania.",
     "term": "ważenie sąsiadów"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule measuring differences between example representations.",
     "term": "distance metric"
    },
    {
     "gloss": "Adjusting examples' influence according to their distance from a query.",
     "term": "neighbour weighting"
    }
   ],
   "prereq": [
    "linearalgebra"
   ],
   "keywords": [
    "distance metrics",
    "neighbor voting",
    "distance weighting",
    "KD-tree",
    "BallTree"
   ],
   "source_ids": [
    "sklearn-user-guide"
   ],
   "url": "https://aiatlasgraph.com/t/knn",
   "markdown_url": "https://aiatlasgraph.com/t/knn.md",
   "updated": "2026-10-30"
  },
  "knowledgebench": {
   "id": "knowledgebench",
   "parent_id": "llmbenchmarks",
   "label": "Benchmarki wiedzy i rozumowania",
   "canonical_name": "Knowledge and reasoning benchmarks",
   "aliases": [
    "MMLU",
    "Humanity's Last Exam",
    "HLE",
    "reasoning benchmarks"
   ],
   "description": "Pytania zamknięte z wielu dziedzin, od szkolnych po eksperckie, sprawdzane automatycznie. Starsze zestawy szybko się nasycają, więc powstają coraz trudniejsze.",
   "description_en": "Closed-ended questions across many fields, from school level to expert level, graded automatically. Older sets saturate quickly, so ever harder ones are created.",
   "examples": "MMLU · Humanity's Last Exam · pytania z wielu dziedzin · zadania sprawdzane automatycznie",
   "examples_en": "MMLU · Humanity's Last Exam · questions across many fields · automatically graded tasks",
   "plain": "To zestawy pytań z różnych dziedzin sprawdzające wiedzę i rozumowanie modelu według ustalonych odpowiedzi.",
   "plain_en": "These question sets test model knowledge and reasoning across fields using predefined answers.",
   "solves": "Model może dobrze odpowiadać w znanym temacie, ale mieć luki w innych dziedzinach lub przy trudniejszym rozumowaniu.",
   "solves_en": "A model may answer familiar topics well while having gaps in other fields or harder reasoning tasks.",
   "does": "Zadaje wspólny zestaw pytań i porównuje odpowiedzi z kluczem, pokazując trafność dla wybranego zakresu i poziomu trudności.",
   "does_en": "It asks a shared question set and compares answers with a key, showing accuracy for a selected scope and difficulty.",
   "example": "Porównujesz modele na pytaniach o naukę i codzienne rozumowanie, sprawdzając osobno tematy, które będą potrzebne w twoim zadaniu.",
   "example_en": "You compare models on science and everyday reasoning questions, separately checking topics needed for your task.",
   "for_you": [
    "chcesz porównać wiedzę i rozumowanie modeli",
    "potrzebujesz sprawdzić zakres tematów i trudność pytań"
   ],
   "for_you_en": [
    "want to compare model knowledge and reasoning",
    "need to examine question scope and difficulty"
   ],
   "how": "Pytania wiedzy i rozumowania otrzymują zdefiniowane odpowiedzi lub kryteria weryfikacji. Model odpowiada przy ustalonym dostępie do kontekstu i narzędzi, a wynik agreguje się według dziedzin oraz trudności.",
   "how_en": "Knowledge and reasoning questions have specified answers or verification criteria. Models respond under fixed context and tool access, with scores aggregated by domain and difficulty.",
   "limits": "Wynik może mierzyć zapamiętanie, format odpowiedzi i znajomość testu obok rozumowania. Niejednoznaczne pytania i trudny dobór reprezentatywnych zadań ograniczają interpretację.",
   "limits_en": "Scores can reflect memorisation, answer formatting and test familiarity alongside reasoning. Ambiguous questions and difficult representative-task selection limit interpretation.",
   "terms": [
    {
     "gloss": "Punktacja wymagająca zgodności odpowiedzi z wzorcem według reguł normalizacji.",
     "term": "exact match"
    },
    {
     "gloss": "Pytanie z określonym zestawem odpowiedzi lub sprawdzalnym wynikiem.",
     "term": "zadanie zamknięte"
    }
   ],
   "terms_en": [
    {
     "gloss": "Scoring requiring an answer to match a reference under normalisation rules.",
     "term": "exact match"
    },
    {
     "gloss": "A question with specified answer choices or a verifiable result.",
     "term": "closed-ended task"
    }
   ],
   "prereq": [
    "codeevals",
    "evalstats"
   ],
   "keywords": [
    "MMLU",
    "MMLU-Pro",
    "Humanity's Last Exam",
    "GSM8K",
    "MATH",
    "GPQA",
    "exact match"
   ],
   "source_ids": [
    "ferrag-llm-agents-review-2025",
    "hle-2025"
   ],
   "url": "https://aiatlasgraph.com/t/knowledgebench",
   "markdown_url": "https://aiatlasgraph.com/t/knowledgebench.md",
   "updated": "2026-10-30"
  },
  "knowledgeediting": {
   "id": "knowledgeediting",
   "parent_id": "continual",
   "label": "Edycja wiedzy w modelu (ROME, MEMIT)",
   "canonical_name": "Knowledge editing in language models",
   "aliases": [
    "knowledge editing",
    "model editing",
    "ROME",
    "MEMIT"
   ],
   "description": "Ukierunkowana zmiana faktów lub zachowań zapisanych w modelu bez pełnego ponownego treningu — przez edycję wag albo użycie pamięci zewnętrznej. Celem jest ograniczenie skutków ubocznych poza zakresem edycji, ale nie jest to gwarantowane.",
   "description_en": "A targeted change to facts or behaviours stored in a model without full retraining — by editing weights or using external memory. The goal is to limit side effects outside the edit's scope, but this is not guaranteed.",
   "examples": "lokalizacja faktów w wagach · ROME · MEMIT · edycja z pamięcią zewnętrzną",
   "examples_en": "locating facts in weights · ROME · MEMIT · editing with external memory",
   "plain": "To ukierunkowane poprawianie wybranej informacji lub zachowania modelu bez pełnego ponownego treningu.",
   "plain_en": "This targets a particular model fact or behaviour for correction without full retraining.",
   "solves": "Model powtarza nieaktualną informację, a zmiana całej sieci byłaby kosztowna i mogłaby naruszyć inne odpowiedzi.",
   "solves_en": "A model repeats outdated information, while changing the whole network would be costly and could affect other answers.",
   "does": "Metoda zmienia wybrane ustawienia lub dołącza pamięć poprawek, próbując zachować pozostałe odpowiedzi; skutki uboczne i skuteczność wymagają sprawdzenia.",
   "does_en": "A method updates selected parameters or adds correction memory while trying to preserve other responses; effectiveness and side effects need checking.",
   "example": "Korygujesz zapamiętaną nazwę działu w modelu i testujesz zarówno pytania o ten dział, jak i niezwiązane tematy.",
   "example_en": "You correct a remembered department name and test both questions about that department and unrelated topics.",
   "for_you": [
    "potrzebujesz zmienić wybraną informację w modelu",
    "chcesz ograniczyć wpływ poprawki na inne zadania"
   ],
   "for_you_en": [
    "need to change a particular model fact",
    "want to limit a correction's effect on other tasks"
   ],
   "how": "Metody lokalizują obliczenia związane z wybraną relacją i modyfikują wagi lub dodają mechanizm korekty. Testy sprawdzają nową odpowiedź, jej parafrazy oraz niezwiązane fakty, odróżniając skuteczność edycji od ubocznej zmiany zachowania.",
   "how_en": "Methods locate computations associated with a selected relation and modify weights or add a correction mechanism. Tests assess new answers, paraphrases and unrelated facts, distinguishing edit effectiveness from collateral behavioural changes.",
   "limits": "Zmiana jednej odpowiedzi nie gwarantuje spójności powiązanych faktów. Kolejne edycje mogą interferować i pogarszać model; zakres stosowalności zależy od architektury, relacji oraz testowanej lokalności.",
   "limits_en": "Changing one answer cannot guarantee consistency across related facts. Successive edits can interfere and degrade models; applicability depends on architecture, relations and tested locality.",
   "terms": [
    {
     "gloss": "Zachowanie odpowiedzi niezwiązanych z korygowanym faktem.",
     "term": "lokalność edycji"
    },
    {
     "gloss": "Przenoszenie korekty na parafrazy i powiązane pytania.",
     "term": "generalizacja edycji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Preservation of answers unrelated to the corrected fact.",
     "term": "edit locality"
    },
    {
     "gloss": "Transfer of a correction to paraphrases and related questions.",
     "term": "edit generalisation"
    }
   ],
   "prereq": [
    "mechinterp",
    "evalsets"
   ],
   "keywords": [
    "ROME",
    "MEMIT",
    "MEND",
    "AlphaEdit",
    "EasyEdit",
    "locate-then-edit"
   ],
   "source_ids": [
    "continual-llm-survey-2024",
    "rome-2022",
    "knowledge-editing-study-2024",
    "memit-2022"
   ],
   "url": "https://aiatlasgraph.com/t/knowledgeediting",
   "markdown_url": "https://aiatlasgraph.com/t/knowledgeediting.md",
   "updated": "2026-10-30"
  },
  "knowledgetracing": {
   "id": "knowledgetracing",
   "parent_id": "learnermodeling",
   "label": "Śledzenie wiedzy ucznia (knowledge tracing)",
   "canonical_name": "Knowledge tracing",
   "aliases": [
    "knowledge tracing",
    "student knowledge modeling",
    "śledzenie wiedzy",
    "KT"
   ],
   "description": "Modelowanie zmieniającego się w czasie opanowania umiejętności na podstawie sekwencji poprawnych i błędnych odpowiedzi; od BKT po modele głębokie.",
   "description_en": "Modelling skill mastery as it changes over time from sequences of correct and incorrect answers; from BKT to deep models.",
   "plain": "Metoda, która po każdej odpowiedzi ucznia aktualizuje szacunek, jakie umiejętności już opanował, a nad którymi musi jeszcze popracować.",
   "plain_en": "A method that, after every answer, updates an estimate of which skills a learner has mastered and which still need work.",
   "solves": "Pojedyncza zła odpowiedź może być pomyłką, a dobra zgadnięciem, więc trudno ocenić, czy uczeń naprawdę coś umie.",
   "solves_en": "One wrong answer may be a slip and a right one a lucky guess, so it is hard to tell whether a learner really knows something.",
   "does": "Jak trener, który nie ocenia po jednym strzale, tylko po serii: każda próba trochę zmienia jego zdanie o formie zawodnika.",
   "does_en": "Like a coach who judges not by one shot but by a series: each attempt shifts their view of the player's form a little.",
   "example": "Aplikacja do matematyki przestaje dawać zadania z procentów po kilku poprawnych rozwiązaniach z rzędu i przechodzi do następnego działu.",
   "example_en": "A maths app stops giving percentage problems after several correct solutions in a row and moves on to the next section.",
   "for_you": [
    "budujesz aplikację do nauki z ćwiczeniami",
    "chcesz wiedzieć, kiedy uczeń jest gotów iść dalej"
   ],
   "for_you_en": [
    "build a learning app with exercises",
    "want to know when a learner is ready to move on"
   ],
   "how": "Klasyczny BKT traktuje opanowanie umiejętności jako ukryty stan binarny ukrytego modelu Markowa z czterema parametrami: wiedza początkowa, nauczenie, zgadnięcie i pomyłka. Deep Knowledge Tracing zastępuje go siecią rekurencyjną, która z całej historii odpowiedzi przewiduje szansę poprawnej odpowiedzi na kolejne pytanie.",
   "how_en": "Classic BKT treats skill mastery as a hidden binary state in a hidden Markov model with four parameters: prior knowledge, learning, guess and slip. Deep Knowledge Tracing replaces it with a recurrent network that predicts the chance of answering the next question correctly from the whole answer history.",
   "limits": "Wymaga przypisania zadań do umiejętności, co robią ręcznie eksperci. Modele głębokie są mniej interpretowalne, a porównania łatwo zawyżyć przez wyciek etykiet; wiele nowszych modeli niewiele przewyższa pierwszy model głęboki. Odpowiedzi binarne gubią informację o rodzaju błędu.",
   "limits_en": "It requires mapping tasks to skills, which experts do by hand. Deep models are less interpretable, and comparisons are easily inflated by label leakage; many newer models barely beat the first deep model. Binary answers lose information about the type of mistake.",
   "terms": [
    {
     "gloss": "Model z czterema parametrami na umiejętność, liczony jak ukryty model Markowa.",
     "term": "BKT"
    },
    {
     "gloss": "Pomyłka mimo wiedzy i trafienie bez wiedzy.",
     "term": "slip / guess"
    },
    {
     "gloss": "Tabela, która przypisuje każde zadanie do potrzebnych umiejętności.",
     "term": "Q-matrix"
    }
   ],
   "terms_en": [
    {
     "gloss": "A four-parameter-per-skill model computed like a hidden Markov model.",
     "term": "BKT"
    },
    {
     "gloss": "A mistake despite knowing, and a hit without knowing.",
     "term": "slip / guess"
    },
    {
     "gloss": "A table mapping each task to the skills it requires.",
     "term": "Q-matrix"
    }
   ],
   "prereq": [
    "hmm",
    "rnn"
   ],
   "keywords": [
    "Bayesian Knowledge Tracing",
    "Deep Knowledge Tracing",
    "pyKT",
    "SAKT",
    "AKT",
    "ASSISTments dataset",
    "EdNet",
    "item response theory",
    "performance factors analysis"
   ],
   "source_ids": [
    "piech-dkt-2015",
    "wiki-bkt",
    "pykt-2022"
   ],
   "url": "https://aiatlasgraph.com/t/knowledgetracing",
   "markdown_url": "https://aiatlasgraph.com/t/knowledgetracing.md",
   "updated": "2026-10-30"
  },
  "kto": {
   "id": "kto",
   "parent_id": "preferences",
   "label": "Optymalizacja preferencji z ocen binarnych",
   "canonical_name": "Preference optimization from binary desirability feedback",
   "aliases": [
    "KTO",
    "Kahneman–Tversky optimization",
    "binary-feedback preference optimization"
   ],
   "description": "Dopasowanie modelu na pojedynczych odpowiedziach oznaczonych jako pożądane lub niepożądane, z funkcją użyteczności z teorii perspektywy.",
   "description_en": "Aligning a model on single responses labelled desirable or undesirable, using a utility function from prospect theory.",
   "plain": "Uczenie modelu na prostych ocenach pojedynczych odpowiedzi, jak łapka w górę lub w dół, bez zestawiania ich w pary.",
   "plain_en": "Training a model on simple ratings of single answers, like a thumbs up or down, without arranging them into pairs.",
   "solves": "Zebranie porównań dwóch odpowiedzi na to samo pytanie jest drogie, a proste oceny od użytkowników leżą niewykorzystane.",
   "solves_en": "Collecting comparisons of two answers to the same question is expensive, while simple user ratings go unused.",
   "does": "Jak kucharz, który poprawia przepisy na podstawie tego, które talerze wróciły puste, a które pełne, bez degustacji porównawczej.",
   "does_en": "Like a cook who improves recipes based on which plates come back empty and which come back full, with no side-by-side tasting.",
   "example": "Aplikacja zbiera kliknięcia „pomocne” i „niepomocne” pod odpowiedziami czatu, a potem na ich podstawie dostraja model.",
   "example_en": "An app collects 'helpful' and 'not helpful' clicks under chat answers, then uses them to fine-tune the model.",
   "for_you": [
    "zbierasz od użytkowników oceny pojedynczych odpowiedzi",
    "nie masz par odpowiedzi do porównania"
   ],
   "for_you_en": [
    "collect user ratings of single answers",
    "have no answer pairs to compare"
   ],
   "how": "Każdą odpowiedź oznacza się binarnie. Strata inspirowana teorią perspektywy ocenia niejawną nagrodę (log-iloraz polityki i modelu referencyjnego) względem punktu odniesienia szacowanego z dywergencji KL i inaczej waży zyski oraz straty. Osobne wagi równoważą nierówne proporcje przykładów pozytywnych i negatywnych.",
   "how_en": "Each response gets a binary label. A prospect-theory-inspired loss scores the implicit reward (policy-to-reference log ratio) against a reference point estimated from KL divergence, weighting gains and losses differently. Separate weights balance uneven shares of positive and negative examples.",
   "limits": "Sygnał binarny niesie mniej informacji niż porównanie, a oceny użytkowników bywają szumne i stronnicze. Wymaga modelu referencyjnego; sami autorzy zaznaczają, że żadna strata tego typu nie jest najlepsza we wszystkich zastosowaniach.",
   "limits_en": "A binary signal carries less information than a comparison, and user ratings can be noisy and biased. A reference model is still needed; the authors note that no loss of this family is best in every setting.",
   "terms": [
    {
     "gloss": "Model z ekonomii behawioralnej: straty odczuwamy silniej niż równe im zyski.",
     "term": "teoria perspektywy"
    },
    {
     "gloss": "Skłonność do mocniejszego unikania strat niż szukania zysków.",
     "term": "awersja do strat"
    },
    {
     "gloss": "Rodzina strat dopasowania odwzorowujących ludzkie skrzywienia poznawcze.",
     "term": "HALO"
    }
   ],
   "terms_en": [
    {
     "gloss": "A behavioural-economics model: losses feel stronger than equal gains.",
     "term": "prospect theory"
    },
    {
     "gloss": "The tendency to avoid losses more strongly than to seek gains.",
     "term": "loss aversion"
    },
    {
     "gloss": "A family of alignment losses mirroring human cognitive biases.",
     "term": "HALO"
    }
   ],
   "prereq": [
    "preferencedatacollection"
   ],
   "keywords": [
    "KTO",
    "prospect theory",
    "HALO",
    "human-aware losses",
    "binary feedback",
    "thumbs up/down",
    "TRL KTOTrainer",
    "loss aversion"
   ],
   "source_ids": [
    "ethayarajh-2024-kto"
   ],
   "url": "https://aiatlasgraph.com/t/kto",
   "markdown_url": "https://aiatlasgraph.com/t/kto.md",
   "updated": "2026-10-30"
  },
  "kvcache": {
   "id": "kvcache",
   "parent_id": "serving",
   "label": "Zarządzanie KV cache",
   "canonical_name": "KV cache management",
   "description": "Pamięć podręczna atencji przy generowaniu: stronicowanie, współdzielenie, kompresja.",
   "description_en": "The attention cache during generation: paging, sharing, compression.",
   "examples": "PagedAttention · GQA · MLA",
   "examples_en": "PagedAttention · GQA · MLA",
   "plain": "To przechowywanie części wcześniejszych obliczeń uwagi, żeby model nie powtarzał ich przy każdym nowym fragmencie odpowiedzi.",
   "plain_en": "This stores earlier attention computations so a model need not repeat them for every new response element.",
   "solves": "Długa rozmowa wymaga coraz więcej pamięci, a jej ponowne przeliczanie przy każdym słowie byłoby kosztowne.",
   "solves_en": "A long conversation needs growing memory, while recomputing it for every word would be costly.",
   "does": "Zapisy można dzielić na bloki, współdzielić dla zgodnych początków lub kompresować, kontrolując zajęte miejsce i wpływ zmian na wynik.",
   "does_en": "Cached representations can be blocked, shared for matching prefixes or compressed, while monitoring memory use and effects on results.",
   "example": "Serwer zachowuje obliczenia wcześniejszego tekstu i przy dalszej odpowiedzi wykorzystuje je zamiast liczyć wszystko od początku.",
   "example_en": "A server keeps earlier text computations and reuses them for later response elements instead of recalculating everything.",
   "for_you": [
    "prowadzisz długie rozmowy z modelem",
    "pamięć ogranicza liczbę obsługiwanych zapytań"
   ],
   "for_you_en": [
    "hold long conversations with a model",
    "find memory limits how many requests can be served"
   ],
   "how": "Klucze i wartości wcześniejszych tokenów zachowuje się, aby nie przeliczać ich przy każdym kroku dekodera. Stronicowanie mapuje logiczne pozycje na bloki pamięci, a zgodne prefiksy mogą współdzielić stan z kontrolą własności i wersji.",
   "how_en": "Earlier-token keys and values are retained to avoid recomputation at every decoder step. Paging maps logical positions onto memory blocks, while matching prefixes can share state with ownership and version controls.",
   "limits": "Rozmiar zależy od kontekstu, warstw, głów i współbieżnych sekwencji. Współdzielenie wymaga zgodności modelu oraz prefiksu; kompresja zmienia dokładność, a przenoszenie stanu zwiększa koszt transferu.",
   "limits_en": "Size depends on context, layers, heads and concurrent sequences. Sharing needs matching models and prefixes; compression changes accuracy, while moving state adds transfer costs.",
   "terms": [
    {
     "gloss": "Blok pamięci przechowujący fragment kluczy i wartości sekwencji.",
     "term": "strona KV"
    },
    {
     "gloss": "Niewykorzystana pamięć wynikająca z niedopasowania przydziału do potrzeb.",
     "term": "fragmentacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A memory block storing part of a sequence's keys and values.",
     "term": "KV page"
    },
    {
     "gloss": "Unused memory caused by allocation mismatching requirements.",
     "term": "fragmentation"
    }
   ],
   "prereq": [
    "selfattention",
    "tokenization"
   ],
   "keywords": [
    "PagedAttention",
    "RadixAttention",
    "grouped-query attention",
    "multi-head latent attention",
    "prefix sharing",
    "memory fragmentation",
    "KV pages"
   ],
   "source_ids": [
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/kvcache",
   "markdown_url": "https://aiatlasgraph.com/t/kvcache.md",
   "updated": "2026-10-30"
  },
  "labelerrors": {
   "id": "labelerrors",
   "parent_id": "cleaning",
   "label": "Wykrywanie błędnych etykiet",
   "canonical_name": "Label error detection",
   "aliases": [
    "confident learning",
    "noisy labels",
    "cleanlab"
   ],
   "description": "Automatyczne znajdowanie przykładów, które mają prawdopodobnie złą etykietę, na podstawie przewidywań modelu — zamiast ręcznego przeglądania całego zbioru.",
   "description_en": "Automatically finding examples that probably carry a wrong label, using model predictions, instead of reviewing the whole dataset by hand.",
   "examples": "Confident learning · cleanlab · ranking podejrzanych przykładów do ponownej oceny",
   "examples_en": "Confident learning · cleanlab · ranking suspicious examples for relabelling",
   "plain": "To wyszukiwanie przykładów, których zapisane oznaczenia mogą być błędne.",
   "plain_en": "This finds examples whose recorded labels may be wrong.",
   "solves": "Model uczy się mylących odpowiedzi, bo część przykładów została źle opisana.",
   "solves_en": "A model learns misleading answers because some examples were labelled incorrectly.",
   "does": "Porównuje zapisane odpowiedzi z przewidywaniami modelu i tworzy listę rozbieżności do sprawdzenia przez człowieka.",
   "does_en": "It compares recorded answers with model predictions and creates a list of disagreements for a person to review.",
   "example": "W archiwum opinii program wskazuje pochwałę oznaczoną jako skarga, a ty sprawdzasz, czy zapis wymaga poprawy.",
   "example_en": "In a review archive, software flags praise labelled as a complaint, and you check whether the record needs correcting.",
   "for_you": [
    "masz duży zbiór już oznaczonych przykładów",
    "chcesz wybierać podejrzane oznaczenia do ponownej oceny"
   ],
   "for_you_en": [
    "have a large collection of already labelled examples",
    "want to prioritise suspicious labels for another review"
   ],
   "how": "Predykcje uzyskane poza próbką treningową porównuje się z przypisanymi etykietami. Progi ufności i szacowany rozkład błędów etykiet wyznaczają kolejkę podejrzanych przykładów do sprawdzenia.",
   "how_en": "Out-of-sample predictions are compared with assigned labels. Confidence thresholds and an estimated label-error distribution identify suspicious examples for review.",
   "limits": "Niepoprawna predykcja nie dowodzi błędu etykiety. Słaby model, nakładające się klasy i nietypowe przykłady wymagają ręcznego sprawdzenia oraz ostrożności przy automatycznym usuwaniu.",
   "limits_en": "An incorrect prediction does not prove a label is wrong. Weak models, overlapping classes and unusual examples require manual review and caution with automatic removal.",
   "terms": [
    {
     "gloss": "Ocena przykładu przez model, który nie trenował na tym przykładzie.",
     "term": "predykcja poza próbką"
    },
    {
     "gloss": "Rozbieżność między zapisanymi etykietami a właściwymi odpowiedziami.",
     "term": "szum etykiet"
    }
   ],
   "terms_en": [
    {
     "gloss": "A prediction from a model not trained on the example.",
     "term": "out-of-sample prediction"
    },
    {
     "gloss": "Disagreement between recorded labels and correct answers.",
     "term": "label noise"
    }
   ],
   "prereq": [
    "supervised",
    "classmetrics"
   ],
   "keywords": [
    "confident learning",
    "cleanlab",
    "out-of-fold predictions",
    "label noise",
    "label error ranking"
   ],
   "source_ids": [
    "dcai-mit",
    "confident-learning-2019"
   ],
   "url": "https://aiatlasgraph.com/t/labelerrors",
   "markdown_url": "https://aiatlasgraph.com/t/labelerrors.md",
   "updated": "2026-10-30"
  },
  "landcover": {
   "id": "landcover",
   "parent_id": "eoanalysis",
   "label": "Mapowanie pokrycia i użytkowania terenu",
   "canonical_name": "Land use and land cover classification",
   "aliases": [
    "LULC",
    "land cover mapping",
    "land use classification",
    "klasyfikacja pokrycia terenu",
    "mapy pokrycia terenu"
   ],
   "description": "Przypisywanie każdemu pikselowi lub kafelkowi zdjęcia satelitarnego klasy pokrycia terenu (las, woda, zabudowa, uprawy) przez klasyfikację scen lub segmentację semantyczną.",
   "description_en": "Assigning each pixel or tile of a satellite image a land-cover class (forest, water, built-up, cropland) through scene classification or semantic segmentation.",
   "plain": "Kolorowanie mapy według tego, co jest na ziemi: las, pole, woda, zabudowa czy łąka, na podstawie zdjęć z satelity.",
   "plain_en": "Colouring a map by what is on the ground — forest, field, water, buildings or meadow — based on satellite images.",
   "solves": "Mapy terenu robione ręcznie szybko się starzeją, a miasta, lasy i pola zmieniają się z roku na rok.",
   "solves_en": "Hand-made land maps go stale quickly, while towns, forests and fields change from year to year.",
   "does": "Jak malowanie według numerów, tyle że model sam rozpoznaje, jaki numer należy się każdemu kawałkowi terenu.",
   "does_en": "Like painting by numbers, except the model works out by itself which number each patch of ground should get.",
   "example": "Planista sprawdza na mapie, ile zabudowy przybyło wokół jego miasta w ciągu dekady kosztem pól.",
   "example_en": "A planner checks on a map how much building has spread over farmland around their town in a decade.",
   "for_you": [
    "planujesz, budujesz lub chronisz przyrodę w swojej okolicy",
    "ciekawi cię, jak szybko rozrastają się miasta"
   ],
   "for_you_en": [
    "plan, build or protect nature in your area",
    "wonder how fast towns are spreading"
   ],
   "how": "Klasyczne podejście to klasyfikacja pikseli lasem losowym na kanałach spektralnych i wskaźnikach. Dziś dominuje segmentacja semantyczna sieciami typu U-Net lub transformerami na wielokanałowych kafelkach, często z kilku dat, by uchwycić sezonowość. Wyniki porządkuje się według ustalonej legendy klas.",
   "how_en": "The classic approach classifies pixels with a random forest on spectral bands and indices. Today semantic segmentation with U-Net-style networks or transformers on multi-band tiles dominates, often using several dates to capture seasonality. Results follow a fixed class legend.",
   "limits": "Granice klas są umowne (kiedy zarośla stają się lasem?), a różne legendy utrudniają porównania. Etykiety bywają nieaktualne lub z innej daty niż zdjęcie. Rzadkie klasy giną w ogólnej dokładności.",
   "limits_en": "Class boundaries are conventions (when does scrub become forest?), and differing legends make comparisons hard. Labels may be outdated or from a different date than the image. Rare classes vanish in overall accuracy.",
   "terms": [
    {
     "gloss": "Ustalona lista kategorii terenu, do których model przypisuje piksele.",
     "term": "legenda klas"
    },
    {
     "gloss": "Odsetek poprawnie oznaczonych pikseli; myląca przy rzadkich klasach.",
     "term": "dokładność ogólna"
    },
    {
     "gloss": "Etykieta dla każdego piksela obrazu, a nie dla całego zdjęcia.",
     "term": "segmentacja semantyczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A fixed list of land categories the model assigns pixels to.",
     "term": "class legend"
    },
    {
     "gloss": "Share of correctly labelled pixels; misleading for rare classes.",
     "term": "overall accuracy"
    },
    {
     "gloss": "A label for every pixel rather than for the whole image.",
     "term": "semantic segmentation"
    }
   ],
   "prereq": [
    "semanticseg",
    "randomforest"
   ],
   "keywords": [
    "LULC",
    "Dynamic World",
    "ESA WorldCover",
    "CORINE Land Cover",
    "EuroSAT",
    "BigEarthNet",
    "LandCover.ai",
    "U-Net",
    "random forest"
   ],
   "source_ids": [
    "zhu-dl-remote-sensing-2017"
   ],
   "url": "https://aiatlasgraph.com/t/landcover",
   "markdown_url": "https://aiatlasgraph.com/t/landcover.md",
   "updated": "2026-10-30"
  },
  "largescaleprocessing": {
   "id": "largescaleprocessing",
   "parent_id": "pipelines",
   "label": "Przetwarzanie danych na dużą skalę",
   "canonical_name": "Large-scale data processing",
   "aliases": [
    "datatrove",
    "data processing pipeline"
   ],
   "description": "Budowa powtarzalnych potoków, które czytają, filtrują, deduplikują i tokenizują biliony tokenów równolegle na wielu maszynach.",
   "description_en": "Building repeatable pipelines that read, filter, deduplicate and tokenise trillions of tokens in parallel across many machines.",
   "examples": "datatrove · Slurm i Ray · dzielenie na shardy · wznawianie po awarii",
   "examples_en": "datatrove · Slurm and Ray · sharding · resuming after failures",
   "plain": "To przygotowywanie ogromnych zbiorów danych przez dzielenie pracy między wiele komputerów.",
   "plain_en": "This prepares very large data collections by sharing the work across several computers.",
   "solves": "Całe archiwum nie mieści się na jednym komputerze lub jego przetwarzanie trwa zbyt długo.",
   "solves_en": "The archive does not fit on one computer, or processing it there takes too long.",
   "does": "Dzieli zbiór na części, przetwarza je równolegle i zapisuje postępy, żeby po awarii wznowić niedokończone zadania.",
   "does_en": "It divides the collection into parts, processes them in parallel and saves progress so unfinished tasks can resume after a failure.",
   "example": "Przygotowujesz archiwum stron do nauki modelu; różne komputery czyszczą osobne części, a przerwane fragmenty można przetworzyć ponownie.",
   "example_en": "You prepare a page archive for model training; different computers clean separate parts, and interrupted sections can be processed again.",
   "for_you": [
    "zebrane materiały przerastają możliwości jednego komputera",
    "chcesz wznawiać przygotowanie danych po awarii"
   ],
   "for_you_en": [
    "have more material than one computer can handle",
    "want data preparation to resume after a failure"
   ],
   "how": "Dane dzieli się na shardy przetwarzane równolegle przez niezależne zadania. Checkpointy, deterministyczne transformacje i kontrola zapisów umożliwiają wznawianie po awarii oraz łączenie wyników bez zbędnych duplikatów.",
   "how_en": "Data is partitioned into shards processed in parallel by independent jobs. Checkpoints, deterministic transformations and controlled writes allow recovery after failures and merging results without unnecessary duplicates.",
   "limits": "Wąskim gardłem bywają odczyt, transfer i nierówna wielkość shardów. Globalna deduplikacja wymaga wymiany informacji; większa liczba maszyn nie usuwa kosztu koordynacji.",
   "limits_en": "Reading, transfer and uneven shard sizes can bottleneck processing. Global deduplication requires information exchange; adding machines does not remove coordination costs.",
   "terms": [
    {
     "gloss": "Fragment zbioru przeznaczony do oddzielnego przechowywania lub przetwarzania.",
     "term": "shard"
    },
    {
     "gloss": "Zapis stanu pozwalający wznowić pracę po przerwaniu.",
     "term": "checkpoint"
    }
   ],
   "terms_en": [
    {
     "gloss": "A dataset partition stored or processed separately.",
     "term": "shard"
    },
    {
     "gloss": "A saved state allowing work to resume after interruption.",
     "term": "checkpoint"
    }
   ],
   "prereq": [
    "dataversioning",
    "datavalidation"
   ],
   "keywords": [
    "datatrove",
    "Ray",
    "Slurm",
    "dataset sharding",
    "distributed processing",
    "checkpoint recovery"
   ],
   "source_ids": [
    "dolma-2024",
    "datatrove-github"
   ],
   "url": "https://aiatlasgraph.com/t/largescaleprocessing",
   "markdown_url": "https://aiatlasgraph.com/t/largescaleprocessing.md",
   "updated": "2026-10-30"
  },
  "latentdiffusion": {
   "id": "latentdiffusion",
   "parent_id": "diffusion",
   "label": "Dyfuzja w przestrzeni ukrytej (Stable Diffusion)",
   "canonical_name": "Latent diffusion (Stable Diffusion)",
   "aliases": [
    "latent diffusion",
    "LDM",
    "Stable Diffusion",
    "dyfuzja latentna"
   ],
   "description": "Dyfuzja prowadzona w skompresowanej przestrzeni autoenkodera zamiast bezpośrednio na pikselach, co zmniejsza koszt obliczeń; warunkowanie tekstem może być realizowane przez cross-attention. Tę konstrukcję wykorzystują modele z rodziny Latent Diffusion, w tym Stable Diffusion.",
   "description_en": "Diffusion performed in an autoencoder's compressed latent space rather than directly in pixel space, reducing computation; text conditioning can be implemented through cross-attention. This design is used by Latent Diffusion models, including Stable Diffusion.",
   "examples": "autoenkoder obrazu (VAE) · warunkowanie tekstem przez cross-attention · Stable Diffusion",
   "examples_en": "image autoencoder (VAE) · text conditioning via cross-attention · Stable Diffusion",
   "plain": "To tworzenie obrazu przez odszumianie jego mniejszego, ukrytego zapisu zamiast pełnego zestawu punktów zdjęcia.",
   "plain_en": "This generates images by denoising a smaller latent representation rather than every image pixel.",
   "solves": "Praca bezpośrednio na dużych obrazach wymaga wielu obliczeń i dużej ilości pamięci.",
   "solves_en": "Working directly on large images requires substantial computation and memory.",
   "does": "Kompresor skraca zapis obrazu, generator pracuje na tym skrócie, a dekoder zamienia wynik z powrotem w widoczne zdjęcie.",
   "does_en": "An encoder compresses an image, the generator works on that compact representation, and a decoder turns the result back into visible pixels.",
   "example": "Generator plakatu wykonuje większość kroków na skompresowanym zapisie i dopiero na końcu odtwarza pełny obraz.",
   "example_en": "A poster generator performs most steps on a compressed representation and reconstructs the full image only at the end.",
   "for_you": [
    "chcesz obniżyć koszt generowania obrazów",
    "poznajesz ukryty zapis używany przez generator"
   ],
   "for_you_en": [
    "want to reduce image-generation costs",
    "study the latent representation used by a generator"
   ],
   "how": "Autoenkoder kompresuje dane do latentu, w którym model uczy i wykonuje odszumianie. Warunek tekstowy może wchodzić przez cross-attention, a dekoder odtwarza piksele po zakończeniu procesu generowania.",
   "how_en": "An autoencoder compresses data into a latent where the model learns and performs denoising. Text conditions can enter through cross-attention, and a decoder reconstructs pixels after generation finishes.",
   "limits": "Kompresja wyznacza granicę zachowanych szczegółów. Błędy autoenkodera przechodzą do wyniku, a generowanie nadal wymaga kolejnych kroków; edycje zależą od zgodności warunku i latentu.",
   "limits_en": "Compression limits retained detail. Autoencoder errors propagate to outputs, and generation still needs successive steps; editing depends on compatibility between conditions and latents.",
   "terms": [
    {
     "gloss": "Skompresowana reprezentacja obrazu używana zamiast bezpośrednich pikseli.",
     "term": "latent obrazu"
    },
    {
     "gloss": "Moduł odtwarzający przestrzeń pikseli z reprezentacji ukrytej.",
     "term": "dekoder obrazu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A compressed image representation used instead of direct pixels.",
     "term": "image latent"
    },
    {
     "gloss": "A module reconstructing pixel space from a latent representation.",
     "term": "image decoder"
    }
   ],
   "prereq": [
    "vae",
    "selfattention"
   ],
   "keywords": [
    "Stable Diffusion",
    "VAE latents",
    "cross-attention conditioning",
    "image autoencoders",
    "latent-space denoising",
    "pixel-space diffusion",
    "reconstruction bottleneck"
   ],
   "source_ids": [
    "lilianweng-diffusion-2021",
    "latent-diffusion-2021",
    "hf-diffusion-course"
   ],
   "url": "https://aiatlasgraph.com/t/latentdiffusion",
   "markdown_url": "https://aiatlasgraph.com/t/latentdiffusion.md",
   "updated": "2026-10-30"
  },
  "latentloops": {
   "id": "latentloops",
   "parent_id": "reasoningmodels",
   "label": "Pętle głębokości i myśli ukryte",
   "canonical_name": "Recurrent depth and latent thoughts",
   "aliases": [
    "latent reasoning",
    "looped depth",
    "myślenie w przestrzeni ukrytej"
   ],
   "description": "Skalowanie obliczeń przy odpowiedzi przez powtórzenie bloku albo ciągły stan, nie przez dodatkowe tokeny.",
   "description_en": "Scaling answer-time compute by repeating a block or a continuous state, not by extra tokens.",
   "plain": "Model powtarza ten sam blok albo myśli liczbami, zamiast dopisywać kolejne słowa.",
   "plain_en": "A model repeats the same block or thinks in numbers, instead of appending more words.",
   "solves": "Dłuższy zapis kroków słowami jest drogi, a część rozumowania źle mieści się w tekście.",
   "solves_en": "A longer written trace is costly, and some reasoning fits poorly in text.",
   "does": "Ten sam fragment sieci liczy się wielokrotnie albo ukryty stan wraca jako następne wejście, bez nowego słowa.",
   "does_en": "The same network block runs many times, or a hidden state returns as the next input, without a new word.",
   "example": "Przy układance logicznej model kilka razy przelicza ten sam blok, zanim wypisze krótką odpowiedź.",
   "example_en": "On a logic puzzle the model reruns the same block several times before writing a short answer.",
   "for_you": [
    "odpowiedź wymaga kilku kroków",
    "nie chcesz płacić za długi zapis myślenia",
    "słowa pośrednie nic nie wnoszą"
   ],
   "for_you_en": [
    "an answer needs several steps",
    "do not want to pay for a long thinking trace",
    "intermediate words add nothing"
   ],
   "how": "Wagi bloku są współdzielone między przejściami. Liczba powtórzeń może być stała albo zatrzymywana adaptacyjnie. W wariancie ciągłym ostatni stan ukryty wraca jako embedding bez dekodowania na słowo. Niektóre metody nie wymagają zapisanych śladów słownych, inne potrzebują specjalnego treningu trybu ukrytego.",
   "how_en": "Block weights are shared across passes. The repeat count can be fixed or halted adaptively. In the continuous variant, the last hidden state returns as an embedding without decoding to a word. Some methods need no written reasoning traces, while others require special training for the latent mode.",
   "limits": "Więcej pętli nie gwarantuje lepszej odpowiedzi i utrudnia podgląd powodu. Trzeba ustalić zatrzymanie. Część metod wymaga osobnego treningu, część tylko pętli w architekturze.",
   "limits_en": "More loops do not guarantee a better answer and hide the reason. Halting must be set. Some methods need special training, others only a loop in the architecture.",
   "terms": [
    {
     "gloss": "Te same wagi liczone wielokrotnie zamiast nowej warstwy na krok.",
     "term": "współdzielony blok"
    },
    {
     "gloss": "Stan liczbowy podany dalej bez zamiany na słowo.",
     "term": "myśl ciągła"
    }
   ],
   "terms_en": [
    {
     "gloss": "The same weights run many times instead of a new layer per step.",
     "term": "shared block"
    },
    {
     "gloss": "A numeric state passed onward without conversion to a word.",
     "term": "continuous thought"
    }
   ],
   "prereq": [
    "cot",
    "testtime"
   ],
   "keywords": [
    "recurrent depth",
    "looped transformer",
    "latent reasoning",
    "continuous thought",
    "adaptive halting",
    "test-time depth",
    "parameter sharing",
    "Huginn"
   ],
   "source_ids": [
    "geiping-recurrent-2025"
   ],
   "url": "https://aiatlasgraph.com/t/latentloops",
   "markdown_url": "https://aiatlasgraph.com/t/latentloops.md",
   "updated": "2026-10-30"
  },
  "latentworldmodels": {
   "id": "latentworldmodels",
   "parent_id": "modelbased",
   "label": "Uczenie w wyobraźni modelu świata (Dreamer)",
   "canonical_name": "Learning in imagination with latent world models",
   "description": "Agent uczy się kompaktowego modelu środowiska i trenuje politykę na wyobrażonych przebiegach zamiast na kosztownych prawdziwych próbach.",
   "description_en": "The agent learns a compact model of the environment and trains its policy on imagined rollouts instead of costly real trials.",
   "examples": "DreamerV3 · model świata w przestrzeni ukrytej · rollouty w wyobraźni",
   "examples_en": "DreamerV3 · latent world model · imagined rollouts",
   "plain": "To uczenie wyborów na przewidywanych przebiegach otoczenia zamiast wykonywania każdej próby naprawdę.",
   "plain_en": "This learns choices from predicted environment sequences instead of performing every trial in reality.",
   "solves": "Duża liczba prawdziwych prób wymaga czasu, sprzętu lub ryzyka uszkodzenia rzeczy.",
   "solves_en": "Many real trials require time, equipment or a risk of damaging things.",
   "does": "Uczy zwięzły model zmian otoczenia, rozgrywa w nim przewidywane sekwencje i wykorzystuje ich oceny do poprawiania wyborów.",
   "does_en": "It learns a compact model of environmental changes, runs predicted sequences inside it and uses their scores to improve choices.",
   "example": "Program uczy się sterowania postacią, ćwicząc przewidywane ruchy w wyuczonym opisie gry przed kolejną prawdziwą rozgrywką.",
   "example_en": "Software learns character control by practising predicted moves in a learned game representation before the next actual game.",
   "for_you": [
    "prawdziwe doświadczenia trudno lub drogo zbierać",
    "możesz uczyć model przewidywania skutków działań"
   ],
   "for_you_en": [
    "find real experience difficult or costly to collect",
    "can teach a model to predict action consequences"
   ],
   "how": "Enkoder i model dynamiki uczą ukrytą reprezentację z obserwacji, działań i nagród. Aktor oraz krytyk trenują na wyobrażonych trajektoriach w tej reprezentacji, okresowo aktualizowanej rzeczywistymi doświadczeniami.",
   "how_en": "An encoder and dynamics model learn a latent representation from observations, actions and rewards. Actor and critic train on imagined trajectories in that representation, periodically updated with real experience.",
   "limits": "Polityka może wykorzystać błędy wyobrażonej dynamiki. Dłuższe rozwinięcia kumulują niepewność, a reprezentacja musi zachować informacje potrzebne do celu i sterowania.",
   "limits_en": "Policies may exploit errors in imagined dynamics. Longer rollouts accumulate uncertainty, and representations must retain information needed for objectives and control.",
   "terms": [
    {
     "gloss": "Ukryta reprezentacja sytuacji wyuczona z obserwacji i historii.",
     "term": "stan latentny"
    },
    {
     "gloss": "Symulowana trajektoria generowana w wyuczonym modelu dynamiki.",
     "term": "imagination rollout"
    }
   ],
   "terms_en": [
    {
     "gloss": "A hidden situation representation learned from observations and history.",
     "term": "latent state"
    },
    {
     "gloss": "A simulated trajectory generated within a learned dynamics model.",
     "term": "imagination rollout"
    }
   ],
   "prereq": [
    "vae",
    "actorcritic"
   ],
   "keywords": [
    "DreamerV3",
    "recurrent state-space model",
    "latent dynamics",
    "imagination rollouts",
    "symlog predictions"
   ],
   "source_ids": [
    "rl",
    "spinningup-rl-taxonomy",
    "dreamerv3-2023"
   ],
   "url": "https://aiatlasgraph.com/t/latentworldmodels",
   "markdown_url": "https://aiatlasgraph.com/t/latentworldmodels.md",
   "updated": "2026-10-30"
  },
  "layoutanalysis": {
   "id": "layoutanalysis",
   "parent_id": "docai",
   "label": "Analiza układu i parsowanie dokumentów",
   "canonical_name": "Document layout analysis and parsing",
   "aliases": [
    "document layout analysis",
    "DLA",
    "document parsing",
    "PDF to markdown",
    "reading order detection",
    "analiza układu strony",
    "parsowanie PDF"
   ],
   "description": "Wykrywanie na stronie bloków (nagłówki, akapity, tabele, rysunki, przypisy), ustalanie kolejności czytania i zapis jako ustrukturyzowany tekst.",
   "description_en": "Detecting page blocks (headings, paragraphs, tables, figures, footnotes), determining reading order and exporting structured text.",
   "plain": "Program rozpoznaje, co na stronie jest tytułem, akapitem, tabelą czy obrazkiem, i w jakiej kolejności to czytać.",
   "plain_en": "A program recognises what on a page is a title, a paragraph, a table or a picture, and in what order to read it.",
   "solves": "Po skopiowaniu tekstu z dokumentu wieloszpaltowego kolumny się mieszają, nagłówki giną, a przypisy lądują w środku zdań.",
   "solves_en": "Copying text from a multi-column document mixes up the columns, loses headings and drops footnotes into the middle of sentences.",
   "does": "Jak składacz gazety czytający ją od końca: zaznacza ramki wokół każdego elementu i numeruje je w kolejności czytania.",
   "does_en": "Like a newspaper typesetter working backwards: drawing a box around every element and numbering them in reading order.",
   "example": "Wrzucasz do asystenta raport roczny w dwu kolumnach, a on poprawnie cytuje akapit, bo wcześniej uporządkowano tekst według układu strony.",
   "example_en": "You give an assistant a two-column annual report, and it quotes a paragraph correctly because the text was first ordered by page layout.",
   "for_you": [
    "zadajesz asystentowi pytania o długie pliki PDF",
    "zamieniasz dokumenty w tekst do dalszej obróbki"
   ],
   "for_you_en": [
    "ask an assistant questions about long PDF files",
    "turn documents into text for further processing"
   ],
   "how": "Model detekcji obiektów, trenowany na ręcznie oznaczonych stronach, zaznacza ramki i klasy elementów, a osobne moduły ustalają kolejność czytania, rozpoznają tabele i wzory. Wynik eksportuje się do markdownu lub JSON; coraz częściej całą stronę parsuje jeden model wizyjno-językowy.",
   "how_en": "An object-detection model trained on manually annotated pages draws boxes and classes for elements, while separate modules determine reading order and recognise tables and formulas. Output is exported to markdown or JSON; increasingly a single vision-language model parses the whole page.",
   "limits": "Nietypowe układy, skany niskiej jakości i pismo ręczne obniżają trafność; w benchmarku DocLayNet badane detektory pozostawały około 10% poniżej zgodności anotatorów. Modele generujące tekst mogą też pominąć albo dopisać treść, dlatego wynik trzeba porównywać z dokumentem.",
   "limits_en": "Unusual layouts, low-quality scans, and handwriting reduce accuracy; in the DocLayNet benchmark, the evaluated detectors remained about 10% below inter-annotator agreement. Text-generating models may also omit or invent content, so outputs should be checked against the document.",
   "terms": [
    {
     "gloss": "Porządek, w jakim człowiek czyta bloki na stronie.",
     "term": "kolejność czytania"
    },
    {
     "gloss": "Prostokąt wskazujący położenie elementu na stronie.",
     "term": "ramka ograniczająca"
    },
    {
     "gloss": "Rola bloku, np. nagłówek, tabela, podpis rysunku.",
     "term": "klasa układu"
    }
   ],
   "terms_en": [
    {
     "gloss": "The order in which a person reads blocks on a page.",
     "term": "reading order"
    },
    {
     "gloss": "A rectangle marking an element's position on the page.",
     "term": "bounding box"
    },
    {
     "gloss": "A block's role, e.g. heading, table, figure caption.",
     "term": "layout class"
    }
   ],
   "prereq": [
    "objectdetection",
    "textextraction"
   ],
   "keywords": [
    "DocLayNet",
    "PubLayNet",
    "Docling",
    "Marker",
    "MinerU",
    "olmOCR",
    "reading order",
    "PDF parsing"
   ],
   "source_ids": [
    "doclaynet-2022",
    "docling-2024"
   ],
   "url": "https://aiatlasgraph.com/t/layoutanalysis",
   "markdown_url": "https://aiatlasgraph.com/t/layoutanalysis.md",
   "updated": "2026-10-30"
  },
  "lcs": {
   "id": "lcs",
   "parent_id": "evoclassic",
   "label": "Uczące się systemy klasyfikatorów (ewolucja reguł „jeśli–to”)",
   "canonical_name": "Learning classifier systems (LCS)",
   "aliases": [
    "learning classifier systems",
    "LCS",
    "uczące się systemy klasyfikatorów",
    "systemy klasyfikatorów"
   ],
   "description": "Regułowe systemy uczenia łączące populację klasyfikatorów warunek–akcja, przypisywanie zasług z nagród i algorytm genetyczny odkrywający nowe reguły.",
   "description_en": "Rule-based learning systems combining a population of condition–action classifiers, reward-based credit assignment and a genetic algorithm discovering new rules.",
   "plain": "Metoda uczenia maszynowego, która ewolucyjnie hoduje zbiór prostych reguł „jeśli tak, to zrób tak” i nagradza te, które się sprawdzają.",
   "plain_en": "A machine learning method that evolves a set of simple “if this, do that” rules and rewards the ones that work.",
   "solves": "Wiele modeli daje trafne odpowiedzi, ale nie da się z nich wyczytać czytelnych reguł, które człowiek mógłby sprawdzić.",
   "solves_en": "Many models give accurate answers but yield no readable rules a person could check.",
   "does": "Jak zespół doradców z własnymi zasadami: tym, którzy często mają rację, dajesz więcej głosu, a z ich zasad tworzysz nowe.",
   "does_en": "Like a panel of advisers with their own rules: those often right get more say, and new rules are bred from theirs.",
   "example": "Badanie danych pacjentów: system znajduje reguły w rodzaju „wiek powyżej sześćdziesięciu i palenie, to wyższe ryzyko”, które lekarz może ocenić.",
   "example_en": "Studying patient data: the system finds rules like “age over sixty and smoking means higher risk” that a doctor can assess.",
   "for_you": [
    "potrzebujesz modelu w formie czytelnych reguł",
    "dane mają różne podgrupy z różnymi zależnościami",
    "uczysz agenta prostych decyzji z nagród"
   ],
   "for_you_en": [
    "need a model in the form of readable rules",
    "your data has subgroups with different patterns",
    "you teach an agent simple decisions from rewards"
   ],
   "how": "Każda reguła ma warunek, np. ciąg z symbolami 0, 1 i #, akcję oraz parametry jakości. Reguły pasujące do wejścia głosują nad akcją, a algorytm genetyczny tworzy nowe reguły. W wariancie XCS parametry reguł są aktualizowane w stylu Q-learningu. W stylu Michigan populacja jest jednym modelem, natomiast w Pittsburgh każdy osobnik stanowi cały zbiór reguł.",
   "how_en": "Each rule has a condition, such as a string containing 0, 1 and #, an action and quality parameters. Rules matching an input vote on the action, while a genetic algorithm creates new rules. In the XCS variant, rule parameters are updated in a Q-learning-like manner. In Michigan-style systems the population is one model, whereas in Pittsburgh-style systems each individual is a complete rule set.",
   "limits": "Wiele parametrów i komponentów utrudnia wdrożenie, a dokumentacja jest rozproszona. Uczenie bywa wolne na dużych danych, a rozrośnięty zbiór reguł wymaga kompakcji, by pozostał czytelny.",
   "limits_en": "Many parameters and components make it hard to implement, and guidance is fragmented. Learning can be slow on large data, and an overgrown rule set needs compaction to stay readable.",
   "terms": [
    {
     "gloss": "Tu: pojedyncza reguła warunek–akcja z oceną jakości.",
     "term": "klasyfikator"
    },
    {
     "gloss": "Popularny system, w którym reguła jest oceniana za trafność przewidywań.",
     "term": "XCS"
    },
    {
     "gloss": "Tworzenie nowej reguły, gdy żadna nie pasuje do wejścia.",
     "term": "covering"
    }
   ],
   "terms_en": [
    {
     "gloss": "Here: a single condition–action rule with a quality score.",
     "term": "classifier"
    },
    {
     "gloss": "A popular system that rates a rule by prediction accuracy.",
     "term": "XCS"
    },
    {
     "gloss": "Creating a new rule when none matches the input.",
     "term": "covering"
    }
   ],
   "prereq": [
    "geneticalgorithms"
   ],
   "keywords": [
    "XCS",
    "UCS",
    "ExSTraCS",
    "Michigan-style",
    "Pittsburgh-style",
    "GAssist",
    "rule compaction",
    "bucket brigade",
    "scikit-ExSTraCS"
   ],
   "source_ids": [
    "urbanowicz-lcs-2009"
   ],
   "url": "https://aiatlasgraph.com/t/lcs",
   "markdown_url": "https://aiatlasgraph.com/t/lcs.md",
   "updated": "2026-10-30"
  },
  "leakagetypes": {
   "id": "leakagetypes",
   "parent_id": "splits",
   "label": "Rodzaje wycieku danych i ich wykrywanie",
   "canonical_name": "Types of data leakage and their detection",
   "aliases": [
    "data leakage",
    "target leakage"
   ],
   "description": "Rozpoznawanie typowych błędów, przez które model „podgląda” odpowiedzi: wspólne przetwarzanie treningu i testu, duplikaty, cechy niedostępne w praktyce, przeciek z przyszłości.",
   "description_en": "Recognising common mistakes that let a model peek at the answers: preprocessing train and test together, duplicates, features unavailable in practice, leakage from the future.",
   "examples": "Przetwarzanie przed podziałem · duplikaty między zbiorami · wyciek celu · wyciek czasowy",
   "examples_en": "Preprocessing before the split · cross-set duplicates · target leakage · temporal leakage",
   "plain": "To błędy przygotowania danych, przez które model podczas nauki dostaje informacje niedostępne przy prawdziwym zadaniu.",
   "plain_en": "These preparation mistakes give a model information during learning that it would not have in the real task.",
   "solves": "Model wypada świetnie w sprawdzianie, a po uruchomieniu zawodzi, bo korzystał z ukrytych podpowiedzi.",
   "solves_en": "A model excels in a test but fails in use because it relied on hidden clues.",
   "does": "Sprawdza powtórzenia, moment dostępności informacji i wspólne przetwarzanie zbiorów, szukając sposobów, którymi odpowiedź mogła trafić do nauki.",
   "does_en": "It checks duplicates, when information became available and shared processing, looking for routes that let answers enter the learning material.",
   "example": "Przewidujesz opóźnienia paczek, ale dane do nauki zawierają faktyczną datę doręczenia, której nie znasz w chwili prognozy.",
   "example_en": "You predict parcel delays, but training data includes actual delivery dates that are unavailable when the prediction is made.",
   "for_you": [
    "wyniki testów są znacznie lepsze niż wyniki w praktyce",
    "używasz danych z różnych momentów lub podobnych wpisów"
   ],
   "for_you_en": [
    "see much better test results than real performance",
    "use records from different times or overlapping collections"
   ],
   "how": "Audyt śledzi dostępność cech w czasie oraz zależności między przykładami i transformacjami. Porównania identyfikatorów, podobieństwa i kolejności zdarzeń ujawniają nakładanie danych lub użycie informacji spoza momentu predykcji.",
   "how_en": "An audit traces feature availability over time and dependencies among examples and transformations. Identifier, similarity and event-order comparisons reveal overlapping data or information unavailable at prediction time.",
   "limits": "Nie każdy wyciek jest widoczny w tabeli. Potrzebna jest wiedza o procesie zbierania i zastosowaniu modelu; sam podejrzanie wysoki wynik nie wskazuje przyczyny.",
   "limits_en": "Not every leak is visible in a table. Understanding collection processes and deployment is necessary; a suspiciously high score alone does not identify the cause.",
   "terms": [
    {
     "gloss": "Wykorzystanie informacji, która pojawiła się dopiero po momencie predykcji.",
     "term": "wyciek czasowy"
    },
    {
     "gloss": "Przenikanie powiązanych przykładów między treningiem i testem.",
     "term": "wyciek grupowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Using information that only became available after prediction time.",
     "term": "temporal leakage"
    },
    {
     "gloss": "Related examples crossing training and test boundaries.",
     "term": "group leakage"
    }
   ],
   "prereq": [
    "datavalidation",
    "dedup"
   ],
   "keywords": [
    "target leakage",
    "temporal leakage",
    "group leakage",
    "duplicate overlap",
    "preprocessing leakage"
   ],
   "source_ids": [
    "kapoor-leakage-2022"
   ],
   "url": "https://aiatlasgraph.com/t/leakagetypes",
   "markdown_url": "https://aiatlasgraph.com/t/leakagetypes.md",
   "updated": "2026-10-30"
  },
  "learnedplanning": {
   "id": "learnedplanning",
   "parent_id": "adplanning",
   "label": "Planery uczone na nagraniach jazdy",
   "canonical_name": "Learning-based motion planning",
   "aliases": [
    "learned planner",
    "ML planner",
    "imitation learning planner",
    "ChauffeurNet",
    "planowanie uczone z danych"
   ],
   "description": "Planery trajektorii trenowane naśladowaniem ludzkiej jazdy, często z dodatkowymi stratami bezpieczeństwa i danymi z perturbacji.",
   "description_en": "Trajectory planners trained by imitating human driving, often with extra safety losses and perturbed data.",
   "plain": "Planer, który uczy się prowadzić, oglądając ogromne ilości ludzkiej jazdy, zamiast mieć reguły spisane ręcznie.",
   "plain_en": "A planner that learns to drive by watching huge amounts of human driving instead of following hand-written rules.",
   "solves": "Nie da się ręcznie spisać reguł na każdą sytuację na drodze, a ludzie jeżdżą płynnie także tam, gdzie nikt niczego nie przewidział.",
   "solves_en": "You cannot write rules for every road situation, yet people drive smoothly even where nobody planned for it.",
   "does": "Jak kursant patrzący przez ramię doświadczonego kierowcy, któremu instruktor dodatkowo pokazuje celowo wymyślone groźne sytuacje.",
   "does_en": "Like a learner watching over an experienced driver's shoulder, while the instructor also stages dangerous situations on purpose.",
   "example": "Na zatłoczonym skrzyżowaniu auto wjeżdża w lukę tak naturalnie jak człowiek, zamiast czekać bez końca.",
   "example_en": "At a busy junction the car slips into a gap as naturally as a person, instead of waiting forever.",
   "for_you": [
    "interesuje cię, czy maszyna nauczy się jeździć jak człowiek",
    "pracujesz z dużymi zbiorami nagrań",
    "porównujesz reguły z uczeniem z danych"
   ],
   "for_you_en": [
    "wonder whether a machine can learn to drive like a person",
    "work with large collections of recordings",
    "compare rules with learning from data"
   ],
   "how": "Model dostaje reprezentację sceny (mapę, agentów, trasę) i przewiduje przyszłą trajektorię pojazdu, ucząc się z nagrań. Samo klonowanie zachowań gubi się poza rozkładem danych, więc dodaje się zaburzone przykłady, kary za kolizje i zjazd z drogi oraz ocenę w pętli zamkniętej.",
   "how_en": "The model receives a scene representation (map, agents, route) and predicts the ego trajectory, learning from logs. Plain behaviour cloning drifts out of distribution, so perturbed examples, penalties for collisions and leaving the road, and closed-loop evaluation are added.",
   "limits": "Model kopiuje także ludzkie błędy i myli przyczynę ze skutkiem, np. hamuje, bo w danych hamował poprzedzający. Dobre wyniki w otwartej pętli nie gwarantują bezpiecznej jazdy w pętli zamkniętej.",
   "limits_en": "The model copies human mistakes too and confuses cause with effect, e.g. braking because the car ahead braked in the data. Good open-loop scores do not guarantee safe closed-loop driving.",
   "terms": [
    {
     "gloss": "Uczenie się działań wprost z par: sytuacja – ruch eksperta.",
     "term": "klonowanie zachowań"
    },
    {
     "gloss": "Model uczy się korelacji zamiast prawdziwego powodu decyzji.",
     "term": "pomyłka przyczynowa"
    },
    {
     "gloss": "Celowe zaburzenie nagranej jazdy, by pokazać wychodzenie z błędu.",
     "term": "perturbacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Learning actions directly from pairs of situation and expert move.",
     "term": "behaviour cloning"
    },
    {
     "gloss": "The model learns a correlation instead of the real reason for a decision.",
     "term": "causal confusion"
    },
    {
     "gloss": "Deliberately disturbing a recorded drive to show how to recover.",
     "term": "perturbation"
    }
   ],
   "prereq": [
    "behaviorcloning",
    "dagger"
   ],
   "keywords": [
    "ChauffeurNet",
    "behavior cloning",
    "nuPlan",
    "PlanTF",
    "PLUTO",
    "causal confusion",
    "closed-loop training",
    "data augmentation"
   ],
   "source_ids": [
    "pdm-2023",
    "chauffeurnet-2018",
    "nuplan-2021"
   ],
   "url": "https://aiatlasgraph.com/t/learnedplanning",
   "markdown_url": "https://aiatlasgraph.com/t/learnedplanning.md",
   "updated": "2026-10-30"
  },
  "learnermodeling": {
   "id": "learnermodeling",
   "parent_id": "aied",
   "label": "Modelowanie ucznia i analityka uczenia się",
   "canonical_name": "Learner modelling and learning analytics",
   "aliases": [
    "learning analytics",
    "educational data mining",
    "EDM",
    "student modeling",
    "profiling and prediction",
    "analityka edukacyjna",
    "eksploracja danych edukacyjnych"
   ],
   "description": "Modele szacujące wiedzę, zaangażowanie i ryzyko niepowodzenia ucznia na podstawie odpowiedzi, logów platform e-learningowych i danych o przebiegu nauki.",
   "description_en": "Models that estimate a learner's knowledge, engagement and risk of failure from answers, e-learning platform logs and study records.",
   "plain": "Analiza tego, jak uczniowie pracują na platformach i w testach, żeby ocenić, co umieją i kto potrzebuje pomocy.",
   "plain_en": "Analysing how learners work on platforms and tests to judge what they know and who needs help.",
   "solves": "Nauczyciel widzi tylko oceny z kartkówek i często dowiaduje się o kłopotach ucznia dopiero wtedy, gdy na pomoc jest za późno.",
   "solves_en": "A teacher only sees quiz marks and often learns about a student's trouble when it is too late to help.",
   "does": "Jak pulsometr dla nauki: z drobnych śladów, takich jak błędne odpowiedzi czy pominięte zadania, składa obraz postępów każdej osoby.",
   "does_en": "Like a heart-rate monitor for learning: from small traces, such as wrong answers or skipped tasks, it builds a picture of each person's progress.",
   "example": "W połowie semestru prowadzący kurs dostaje listę kilku studentów, którzy przestali oddawać ćwiczenia, i pisze do nich, zanim oblali egzamin.",
   "example_en": "Halfway through the term a course leader gets a list of a few students who stopped handing in exercises, and writes to them before they fail the exam.",
   "for_you": [
    "prowadzisz kurs na platformie z dziennikiem aktywności",
    "odpowiadasz za wyniki szkoły lub uczelni",
    "uczysz się na platformie, która śledzi postępy"
   ],
   "for_you_en": [
    "run a course on a platform that logs activity",
    "are responsible for a school's or university's results",
    "learn on a platform that tracks your progress"
   ],
   "how": "Dane z platform (próby, czasy, logowania, oceny cząstkowe) zamienia się w sekwencje lub cechy. Modele sekwencyjne śledzą opanowanie umiejętności, a klasyfikatory i regresja przewidują wynik końcowy lub porzucenie kursu. Wyniki trafiają na pulpity nauczycieli albo sterują systemem adaptacyjnym.",
   "how_en": "Platform data (attempts, timings, logins, interim grades) become sequences or features. Sequence models track skill mastery, while classifiers and regression predict final grades or dropout. Outputs feed teacher dashboards or drive an adaptive system.",
   "limits": "Logi mierzą aktywność, a nie zrozumienie. Modele dostrojone w jednej uczelni słabo przenoszą się do innej, a cechy takie jak pochodzenie mogą utrwalać nierówności. Sama prognoza niczego nie zmienia, jeśli nie idzie za nią konkretna pomoc.",
   "limits_en": "Logs measure activity, not understanding. Models tuned at one institution transfer poorly to another, and features such as background can entrench inequality. A prediction changes nothing unless concrete help follows it.",
   "terms": [
    {
     "gloss": "Eksploracja danych edukacyjnych: metody uczenia maszynowego na danych o nauce.",
     "term": "EDM"
    },
    {
     "gloss": "Platforma kursów online, która zapisuje aktywność uczniów.",
     "term": "LMS"
    },
    {
     "gloss": "Stan, w którym uczeń stale poprawnie stosuje daną umiejętność.",
     "term": "opanowanie umiejętności"
    }
   ],
   "terms_en": [
    {
     "gloss": "Educational data mining: machine learning methods applied to learning data.",
     "term": "EDM"
    },
    {
     "gloss": "An online course platform that records learner activity.",
     "term": "LMS"
    },
    {
     "gloss": "The state in which a learner reliably applies a given skill.",
     "term": "skill mastery"
    }
   ],
   "prereq": [
    "linearmodels",
    "crossval"
   ],
   "keywords": [
    "educational data mining",
    "student modeling",
    "LMS log analytics",
    "dropout prediction",
    "knowledge tracing",
    "learning dashboards",
    "Open University Learning Analytics Dataset",
    "xAPI",
    "Moodle analytics"
   ],
   "source_ids": [
    "zawacki-richter-aied-review-2019",
    "piech-dkt-2015",
    "howard-ews-2017"
   ],
   "url": "https://aiatlasgraph.com/t/learnermodeling",
   "markdown_url": "https://aiatlasgraph.com/t/learnermodeling.md",
   "updated": "2026-10-30"
  },
  "learningmpc": {
   "id": "learningmpc",
   "parent_id": "processcontrol",
   "label": "Sterowanie predykcyjne z modelem uczonym na danych (MPC)",
   "canonical_name": "Learning-based model predictive control",
   "aliases": [
    "learning-based MPC",
    "data-driven MPC",
    "ML-based MPC",
    "neural network MPC",
    "Gaussian process MPC",
    "sterowanie predykcyjne oparte na danych"
   ],
   "description": "Sterowanie z przesuwanym horyzontem, w którym model predykcyjny, parametry kosztu lub warstwa bezpieczeństwa MPC są uczone z danych.",
   "description_en": "Receding-horizon control in which the MPC prediction model, cost parameters or safety layer are learned from data.",
   "plain": "Sterownik, który przewiduje kilka kroków naprzód, jak zachowa się instalacja, korzystając z modelu wyuczonego na jej dotychczasowych danych.",
   "plain_en": "A controller that looks a few steps ahead at how a plant will behave, using a model learned from the plant's own past data.",
   "solves": "Złożonych reaktorów i pieców nie da się dobrze opisać równaniami, a zwykły regulator reaguje dopiero po fakcie i przekracza dopuszczalne granice.",
   "solves_en": "Complex reactors and furnaces resist good equations, and a plain regulator reacts only after the fact and overshoots safe limits.",
   "does": "Jak kierowca, który patrzy daleko przed maskę i zwalnia przed zakrętem, a nie w nim, i po każdym metrze planuje od nowa.",
   "does_en": "Like a driver who looks far ahead and slows before the bend rather than in it, re-planning after every metre.",
   "example": "W instalacji chemicznej sterownik zmniejsza dopływ surowca, zanim temperatura w reaktorze przekroczy granicę, bo przewidział jej wzrost.",
   "example_en": "At a chemical plant the controller cuts the feed before reactor temperature crosses its limit, because it saw the rise coming.",
   "for_you": [
    "sterujesz procesem z wieloma ograniczeniami naraz",
    "masz dużo danych z instalacji, a mało dobrych równań",
    "chcesz bezpiecznie łączyć uczenie maszynowe ze sterowaniem"
   ],
   "for_you_en": [
    "control a process with many limits at once",
    "have lots of plant data but few good equations",
    "want to combine machine learning and control safely"
   ],
   "how": "Model wyuczony z danych (sieć rekurencyjna, proces gaussowski albo korekta modelu nominalnego) przewiduje stany na horyzoncie. W każdym kroku optymalizator wybiera sekwencję sterowań minimalizującą koszt przy ograniczeniach i stosuje tylko pierwszy ruch. MPC może też służyć jako filtr bezpieczeństwa dla innego, uczonego sterownika.",
   "how_en": "A model learned from data (recurrent network, Gaussian process or a correction to a nominal model) predicts states over the horizon. At each step an optimiser picks the control sequence minimising cost under constraints and applies only the first move. MPC can also act as a safety filter for another, learned controller.",
   "limits": "Gwarancje stabilności i spełnienia ograniczeń zależą od oszacowania błędu modelu, które trudno certyfikować poza danymi treningowymi. Nieliniowa optymalizacja z siecią w pętli bywa za wolna dla szybkich procesów.",
   "limits_en": "Stability and constraint guarantees rest on bounds of the model error, which are hard to certify outside the training data. Nonlinear optimisation with a network in the loop can be too slow for fast processes.",
   "terms": [
    {
     "gloss": "Plan na kilka kroków, liczony od nowa w każdej chwili.",
     "term": "horyzont przesuwny"
    },
    {
     "gloss": "Granice, których proces nie może przekroczyć, np. temperatura czy ciśnienie.",
     "term": "ograniczenia"
    },
    {
     "gloss": "Warstwa poprawiająca polecenia sterownika, gdy groziłyby przekroczeniem granic.",
     "term": "filtr bezpieczeństwa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A plan a few steps long, recomputed at every moment.",
     "term": "receding horizon"
    },
    {
     "gloss": "Limits a process must not cross, such as temperature or pressure.",
     "term": "constraints"
    },
    {
     "gloss": "A layer that corrects controller commands that would break the limits.",
     "term": "safety filter"
    }
   ],
   "prereq": [
    "feedbackcontrol"
   ],
   "keywords": [
    "Gaussian process MPC",
    "LSTM MPC",
    "tube MPC",
    "predictive safety filter",
    "economic MPC",
    "CasADi",
    "do-mpc",
    "acados"
   ],
   "source_ids": [
    "hewing-learning-mpc-2020",
    "wu-ml-mpc-tutorial-2025"
   ],
   "url": "https://aiatlasgraph.com/t/learningmpc",
   "markdown_url": "https://aiatlasgraph.com/t/learningmpc.md",
   "updated": "2026-10-30"
  },
  "learningparadigms": {
   "id": "learningparadigms",
   "parent_id": "ml",
   "label": "Uczenie z ograniczonym lub automatycznym nadzorem",
   "canonical_name": "Learning with limited or automatically derived supervision",
   "aliases": [
    "limited-supervision learning",
    "automatic supervision",
    "uczenie z ograniczonym nadzorem"
   ],
   "description": "Paradygmaty, w których sygnał nadzorujący jest częściowy, powstaje automatycznie z danych albo dotyczy całych grup zamiast pojedynczych przykładów.",
   "description_en": "Learning paradigms where supervision is partial, generated automatically from data, or attached to groups rather than individual examples.",
   "plain": "Sposoby uczenia modelu, gdy pełne odpowiedzi są dostępne tylko dla części danych albo można je wydobyć z samych danych.",
   "plain_en": "Ways to train a model when complete answers exist for only some data or can be derived from the data itself.",
   "solves": "Pełne etykiety dla każdego przykładu są zbyt drogie, zbyt ogólne albo po prostu nie istnieją.",
   "solves_en": "Complete labels for every example are too expensive, too coarse, or simply unavailable.",
   "does": "Wykorzystuje nieopisane dane, automatycznie tworzone cele albo etykiety nadane całym grupom przykładów.",
   "does_en": "It uses unlabelled data, automatically generated targets, or labels attached to whole groups of examples.",
   "example": "Z kilku opisanych zdjęć i tysięcy nieopisanych model uczy się rozpoznawać obiekty, a inne archiwum wykorzystuje przez odgadywanie zasłoniętych fragmentów.",
   "example_en": "From a few labelled images and thousands of unlabelled ones, a model learns to recognise objects; another archive is used by predicting hidden pieces.",
   "for_you": [
    "masz dużo danych, ale mało dokładnych etykiet",
    "możesz zbudować cel treningowy bez ręcznego opisywania każdego przykładu",
    "dostajesz etykietę dla całej grupy, nie dla jej elementów"
   ],
   "for_you_en": [
    "have lots of data but few precise labels",
    "can create a training target without labelling every example by hand",
    "receive a label for a whole group rather than its individual items"
   ],
   "how": "Uczenie pół-nadzorowane łączy niewielki zbiór etykietowany z dużym nieetykietowanym. Uczenie samonadzorowane tworzy cele bezpośrednio z danych, np. przez maskowanie lub porównywanie widoków. Uczenie wieloinstancyjne korzysta z etykiet nadanych workom instancji.",
   "how_en": "Semi-supervised learning combines a small labelled set with a large unlabelled one. Self-supervised learning derives targets directly from the data, for example through masking or view matching. Multiple-instance learning uses labels attached to bags of instances.",
   "limits": "Słabszy lub pośredni sygnał może utrwalać błędy, wykorzystywać skróty obecne w danych albo nie wskazywać, który element grupy naprawdę odpowiada za etykietę. Nadal potrzebny jest rzetelnie opisany zbiór do oceny.",
   "limits_en": "Weaker or indirect supervision can reinforce mistakes, exploit shortcuts in the data, or fail to identify which group member truly explains the label. A carefully labelled evaluation set is still needed.",
   "terms": [
    {
     "gloss": "Etykiety są niepełne, rzadkie albo przypisane tylko do grup.",
     "term": "ograniczony nadzór"
    },
    {
     "gloss": "Odpowiedź treningowa powstaje z samej struktury danych.",
     "term": "automatyczny cel"
    },
    {
     "gloss": "Przykłady bez ręcznie nadanej odpowiedzi.",
     "term": "nieetykietowane dane"
    }
   ],
   "terms_en": [
    {
     "gloss": "Labels are incomplete, scarce, or attached only to groups.",
     "term": "limited supervision"
    },
    {
     "gloss": "A training answer derived from the structure of the data itself.",
     "term": "automatic target"
    },
    {
     "gloss": "Examples without a human-provided answer.",
     "term": "unlabelled data"
    }
   ],
   "keywords": [
    "semi-supervised learning",
    "self-supervised learning",
    "multiple instance learning",
    "pseudo-labeling",
    "consistency regularization",
    "label propagation",
    "contrastive learning",
    "weak supervision",
    "positive-unlabeled learning"
   ],
   "source_ids": [
    "balestriero-ssl-cookbook-2023",
    "ilse-abmil-2018",
    "sklearn-semi-supervised-guide"
   ],
   "url": "https://aiatlasgraph.com/t/learningparadigms",
   "markdown_url": "https://aiatlasgraph.com/t/learningparadigms.md",
   "updated": "2026-10-30"
  },
  "learningtheory": {
   "id": "learningtheory",
   "parent_id": "foundations",
   "label": "Teoria uczenia statystycznego",
   "canonical_name": "Statistical learning theory",
   "aliases": [
    "statistical learning theory",
    "learning theory",
    "computational learning theory",
    "teoria uczenia statystycznego",
    "teoria uczenia maszynowego"
   ],
   "description": "Dział teorii badający generalizację: błąd na nowych danych, złożoność klasy hipotez i liczbę próbek potrzebną do uczenia.",
   "description_en": "Theory of generalisation: error on unseen data, hypothesis-class complexity and the sample size needed to learn.",
   "plain": "Matematyczne odpowiedzi na pytanie, kiedy i dlaczego maszyna uczona na przykładach poradzi sobie z przypadkami, których nie widziała.",
   "plain_en": "Mathematical answers to when and why a machine trained on examples will handle cases it has never seen.",
   "solves": "Model może świetnie wypaść na znanych danych i zawieść na nowych, a bez teorii trudno przewidzieć, ile przykładów naprawdę wystarczy.",
   "solves_en": "A model can shine on familiar data and fail on new data, and without theory it is hard to tell how many examples are enough.",
   "does": "Działa jak rachunek ryzyka: wiąże liczbę przykładów i elastyczność modelu z tym, jak bardzo można ufać wynikom na nowych danych.",
   "does_en": "It works like a risk calculation, tying the number of examples and the model's flexibility to how far results on new data can be trusted.",
   "example": "Zespół zastanawia się, czy tysiąc opisanych zdjęć wystarczy do wytrenowania klasyfikatora, czy trzeba zebrać dziesięć razy więcej.",
   "example_en": "A team wonders whether a thousand labelled photos are enough to train a classifier or whether they need ten times as many.",
   "for_you": [
    "chcesz rozumieć, dlaczego modele w ogóle uogólniają",
    "decydujesz, ile danych zebrać",
    "czytasz prace naukowe o uczeniu maszynowym"
   ],
   "for_you_en": [
    "want to understand why models generalise at all",
    "decide how much data to collect",
    "read research papers on machine learning"
   ],
   "how": "Uczenie formalizuje się jako minimalizację ryzyka empirycznego w klasie hipotez przy nieznanym rozkładzie danych. Ograniczenia generalizacji wiążą lukę między błędem treningowym a prawdziwym z miarami złożoności (wymiar VC, złożoność Rademachera) i liczbą próbek. Klasyczny kompromis między dopasowaniem a złożonością uzupełniają dziś zjawiska takie jak podwójne zejście w modelach przeparametryzowanych.",
   "how_en": "Learning is formalised as empirical risk minimisation over a hypothesis class under an unknown data distribution. Generalisation bounds link the gap between training and true error to complexity measures (VC dimension, Rademacher complexity) and sample size. Modern phenomena such as double descent in overparameterised models now complement the classical fit-versus-complexity trade-off.",
   "limits": "Klasyczne ograniczenia są zwykle zbyt luźne, by przewidzieć liczby dla dużych sieci neuronowych. Zakładają niezależne próbki z tego samego rozkładu, co w praktyce często nie zachodzi.",
   "limits_en": "Classical bounds are usually too loose to predict numbers for large neural networks. They assume independent samples from one distribution, which often does not hold in practice.",
   "terms": [
    {
     "gloss": "Wybór modelu o najmniejszym błędzie na danych treningowych.",
     "term": "ERM"
    },
    {
     "gloss": "Zbiór wszystkich modeli, spośród których algorytm może wybierać.",
     "term": "klasa hipotez"
    },
    {
     "gloss": "Różnica między błędem na treningu a błędem na nowych danych.",
     "term": "luka generalizacji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Choosing the model with the lowest error on the training data.",
     "term": "ERM"
    },
    {
     "gloss": "The set of all models the algorithm may choose from.",
     "term": "hypothesis class"
    },
    {
     "gloss": "Difference between training error and error on new data.",
     "term": "generalisation gap"
    }
   ],
   "prereq": [
    "supervised",
    "distributions"
   ],
   "keywords": [
    "PAC learning",
    "VC dimension",
    "Rademacher complexity",
    "empirical risk minimization",
    "generalization bounds",
    "sample complexity",
    "bias-complexity tradeoff",
    "no free lunch theorem",
    "double descent",
    "benign overfitting",
    "structural risk minimization",
    "PAC-Bayes"
   ],
   "source_ids": [
    "shalev-bendavid-uml-2014",
    "belkin-doubledescent-2019"
   ],
   "url": "https://aiatlasgraph.com/t/learningtheory",
   "markdown_url": "https://aiatlasgraph.com/t/learningtheory.md",
   "updated": "2026-10-30"
  },
  "learningtorank": {
   "id": "learningtorank",
   "parent_id": "supervised",
   "label": "Uczenie rankingu (learning to rank)",
   "canonical_name": "Learning to rank",
   "aliases": [
    "LTR",
    "uczenie rankingowe",
    "ranking models"
   ],
   "description": "Uczenie funkcji punktującej dokumenty względem zapytania, z celami pointwise, pairwise lub listwise, optymalizującymi metryki jakości rankingu.",
   "description_en": "Learning a scoring function for documents given a query, with pointwise, pairwise or listwise objectives that optimise ranking-quality metrics.",
   "plain": "Model uczy się ustawiać wyniki w kolejności od najbardziej do najmniej trafnego.",
   "plain_en": "A model learns to order results from most to least relevant.",
   "solves": "Przy wyszukiwaniu liczy się kolejność: najlepsza odpowiedź na dziesiątym miejscu jest prawie bezużyteczna.",
   "solves_en": "In search, order is what matters: the best answer in tenth place is almost useless.",
   "does": "Porównuje pary wyników i uczy się, który powinien stać wyżej, jak sędzia ustawiający zawodników po serii pojedynków.",
   "does_en": "It compares pairs of results and learns which should rank higher, like a judge ordering players after a series of matches.",
   "example": "Sklep internetowy układa wyniki dla hasła „buty do biegania” według tego, co klienci wcześniej klikali i kupowali.",
   "example_en": "An online shop orders results for “running shoes” according to what customers previously clicked and bought.",
   "for_you": [
    "budujesz wyszukiwarkę lub listę polecanych pozycji",
    "użytkownicy oglądają tylko kilka pierwszych wyników"
   ],
   "for_you_en": [
    "are building a search box or a list of recommendations",
    "users only look at the first few results"
   ],
   "how": "Podejście pointwise przewiduje trafność każdego dokumentu osobno, pairwise uczy się, który z pary jest lepszy (RankNet), a listwise optymalizuje całą listę. LambdaRank waży gradienty par zmianą metryki NDCG, a LambdaMART łączy to ze wzmacnianymi drzewami decyzyjnymi.",
   "how_en": "Pointwise approaches predict each document's relevance separately, pairwise ones learn which of two is better (RankNet), and listwise ones optimise the whole list. LambdaRank weights pair gradients by the change in NDCG, and LambdaMART combines this with boosted decision trees.",
   "limits": "Wymaga ocen trafności albo kliknięć, które są obciążone pozycją wyświetlenia. Metryki rankingu są nieciągłe, więc optymalizuje się ich przybliżenia. Model dobrze radzi sobie z częstymi zapytaniami, gorzej z rzadkimi.",
   "limits_en": "It needs relevance judgements or clicks, which are biased by display position. Ranking metrics are discontinuous, so surrogates are optimised. Models handle frequent queries well and rare ones worse.",
   "terms": [
    {
     "gloss": "Miara jakości listy nagradzająca trafne wyniki na samej górze.",
     "term": "NDCG"
    },
    {
     "gloss": "Uczenie na parach: który z dwóch wyników powinien być wyżej.",
     "term": "pairwise"
    },
    {
     "gloss": "Ludzie częściej klikają to, co wyżej, niezależnie od trafności.",
     "term": "obciążenie pozycją"
    }
   ],
   "terms_en": [
    {
     "gloss": "A list-quality metric that rewards relevant results at the top.",
     "term": "NDCG"
    },
    {
     "gloss": "Learning from pairs: which of two results should rank higher.",
     "term": "pairwise"
    },
    {
     "gloss": "People click higher results more often, regardless of relevance.",
     "term": "position bias"
    }
   ],
   "keywords": [
    "LambdaMART",
    "LambdaRank",
    "RankNet",
    "NDCG",
    "pairwise ranking",
    "listwise loss",
    "LightGBM lambdarank",
    "XGBoost rank:ndcg",
    "click models"
   ],
   "source_ids": [
    "burges-lambdamart-2010"
   ],
   "url": "https://aiatlasgraph.com/t/learningtorank",
   "markdown_url": "https://aiatlasgraph.com/t/learningtorank.md",
   "updated": "2026-10-30"
  },
  "legalai": {
   "id": "legalai",
   "parent_id": null,
   "label": "AI w prawie",
   "canonical_name": "AI and law (legal AI)",
   "aliases": [
    "legal AI",
    "AI and law",
    "LegalAI",
    "legal tech AI",
    "sztuczna inteligencja w prawie",
    "AI dla prawników"
   ],
   "description": "Zastosowania AI w pracy z prawem: wyszukiwanie informacji prawnej, analiza umów, przegląd dokumentów w sporach, rozumowanie i predykcja oraz formalizacja przepisów.",
   "description_en": "AI applied to legal work: legal information retrieval, contract analysis, document review in litigation, reasoning and prediction, and formalising legislation.",
   "plain": "Programy, które pomagają szukać przepisów i orzeczeń, czytać umowy, przeglądać stosy dokumentów w sprawie i zapisywać reguły prawa tak, by liczył je komputer.",
   "plain_en": "Software that helps find laws and rulings, read contracts, sift piles of case documents and write legal rules down so a computer can apply them.",
   "solves": "Prawo to góry tekstu: przepisy, wyroki, umowy i akta. Prawnicy toną w czytaniu, a zwykły człowiek nie wie, gdzie zacząć.",
   "solves_en": "Law is mountains of text: statutes, rulings, contracts and case files. Lawyers drown in reading, and ordinary people do not know where to start.",
   "does": "Jak bystry aplikant, który w minutę przeczyta całe archiwum i podsunie fragmenty do sprawdzenia, ale podpis i odpowiedzialność zostają przy prawniku.",
   "does_en": "Like a sharp trainee who reads the whole archive in a minute and flags passages to check; the lawyer keeps the signature and responsibility.",
   "example": "Przed podpisaniem umowy najmu wrzucasz ją do asystenta i pytasz, kiedy możesz ją wypowiedzieć; dostajesz odpowiedź z zaznaczonym paragrafem.",
   "example_en": "Before signing a lease you give it to an assistant and ask when you can terminate it; the answer comes back with the clause highlighted.",
   "for_you": [
    "podpisujesz umowy i nie masz czasu ich czytać",
    "pracujesz w kancelarii, dziale prawnym lub urzędzie",
    "szukasz porady prawnej w czatbocie"
   ],
   "for_you_en": [
    "sign contracts and have no time to read them",
    "work in a law firm, legal department or public office",
    "look for legal advice from a chatbot"
   ],
   "how": "Dziedzina obejmuje dwa historycznie ważne nurty: symboliczny, oparty na regułach i reprezentacji wiedzy, oraz statystyczny, oparty na uczeniu maszynowym. Współczesne systemy łączą wyszukiwanie po bazach prawa, modele językowe, ekstrakcję informacji i klasyfikatory uczone na ocenach recenzentów.",
   "how_en": "The field includes two historically important strands: symbolic methods based on rules and knowledge representation, and statistical methods based on machine learning. Contemporary systems combine legal information retrieval, language models, information extraction, and classifiers trained on reviewer judgments.",
   "limits": "Modele zmyślają orzeczenia i cytaty, a prawo różni się między krajami i zmienia w czasie. Błąd ma realne skutki dla ludzi, więc potrzebna jest weryfikacja przez prawnika. Wiele danych jest poufnych, a publiczne zbiory obejmują głównie kilka jurysdykcji i język angielski.",
   "limits_en": "Models invent rulings and quotations, and law differs between countries and changes over time. Mistakes have real consequences for people, so a lawyer must verify. Much data is confidential, and public datasets cover mainly a few jurisdictions and English.",
   "terms": [
    {
     "gloss": "Obszar i system prawny, w którym obowiązują dane przepisy i sądy.",
     "term": "jurysdykcja"
    },
    {
     "gloss": "Wcześniejsze orzeczenie, na które powołuje się sąd w podobnej sprawie.",
     "term": "precedens"
    },
    {
     "gloss": "Zmyślony przez model wyrok, przepis lub cytat podany jako prawdziwy.",
     "term": "halucynacja prawna"
    },
    {
     "gloss": "Technologie wspierające pracę prawników i dostęp do prawa.",
     "term": "legal tech"
    }
   ],
   "terms_en": [
    {
     "gloss": "The area and legal system in which given laws and courts apply.",
     "term": "jurisdiction"
    },
    {
     "gloss": "An earlier ruling a court relies on in a similar case.",
     "term": "precedent"
    },
    {
     "gloss": "A ruling, statute or quotation invented by a model and presented as real.",
     "term": "legal hallucination"
    },
    {
     "gloss": "Technology supporting lawyers' work and access to law.",
     "term": "legal tech"
    }
   ],
   "prereq": [
    "retrieval",
    "infoextraction"
   ],
   "keywords": [
    "legal NLP",
    "legal information retrieval",
    "contract review",
    "e-discovery",
    "technology-assisted review",
    "legal judgment prediction",
    "LegalBench",
    "LexGLUE",
    "COLIEE",
    "CUAD",
    "rules as code",
    "computational models of argument",
    "ICAIL",
    "JURIX",
    "legal RAG"
   ],
   "source_ids": [
    "zhong-legalai-survey-2020",
    "kapoor-legal-ai-pitfalls-2024"
   ],
   "url": "https://aiatlasgraph.com/t/legalai",
   "markdown_url": "https://aiatlasgraph.com/t/legalai.md",
   "updated": "2026-10-30"
  },
  "legalargumentation": {
   "id": "legalargumentation",
   "parent_id": "computationallaw",
   "label": "Modele argumentacji prawniczej",
   "canonical_name": "Computational models of legal argument",
   "aliases": [
    "computational models of legal argument",
    "legal argumentation",
    "case-based legal reasoning",
    "HYPO",
    "CATO",
    "factor-based reasoning",
    "argumentacja prawnicza"
   ],
   "description": "Formalne i obliczeniowe modele tworzenia, oceny i użycia argumentów prawnych, zwłaszcza rozumowanie na precedensach opartych na czynnikach i wymiarach.",
   "description_en": "Formal and computational models for generating, evaluating and using legal arguments, especially precedent-based reasoning with factors and dimensions.",
   "plain": "Programy, które odtwarzają spór prawników: przywołują podobne sprawy, wskazują różnice i odpierają kontrargumenty, krok po kroku.",
   "plain_en": "Programs that recreate lawyers' disputes: they cite similar cases, point out differences and rebut counter-arguments, step by step.",
   "solves": "W prawie nie ma jednej poprawnej odpowiedzi do wyliczenia; liczy się, czyja argumentacja jest mocniejsza, a tego zwykły klasyfikator nie pokazuje.",
   "solves_en": "Law has no single right answer to compute; what matters is whose argument is stronger, and an ordinary classifier does not show that.",
   "does": "Jak szachowy zapis partii, tylko dla sporu: każde posunięcie, czyli powołanie precedensu, odróżnienie sprawy czy kontrprzykład, jest jawne i da się je sprawdzić.",
   "does_en": "Like a chess score sheet for a dispute: every move, citing a precedent, distinguishing a case or a counterexample, is explicit and can be checked.",
   "example": "Student prawa ćwiczy z programem, który podaje mu wcześniejszą sprawę korzystną dla przeciwnika i prosi, by pokazał, czym jego sprawa się różni.",
   "example_en": "A law student practises with a program that offers a past case favouring the other side and asks them to show how their case differs.",
   "for_you": [
    "uczysz się prawa lub uczysz argumentacji",
    "chcesz, żeby AI uzasadniało, a nie tylko zgadywało"
   ],
   "for_you_en": [
    "study law or teach argumentation",
    "want AI to justify rather than just guess"
   ],
   "how": "Sprawy opisuje się wymiarami lub czynnikami, które sprzyjają jednej ze stron. Argument trójfazowy to: powołanie podobnego precedensu, odpowiedź przez odróżnienie i kontrprzykład, replika. Teoria argumentacji formalnej ocenia, które argumenty się ostają, uwzględniając priorytety i wartości.",
   "how_en": "Cases are described by dimensions or factors that favour one side. A three-ply argument runs: cite an on-point precedent, respond by distinguishing and offering a counterexample, rebut. Formal argumentation theory evaluates which arguments survive, taking priorities and values into account.",
   "limits": "Ręczne opisanie spraw czynnikami jest pracochłonne i działa głównie w wąskich działach prawa. Formalne modele upraszczają rolę celu przepisu, wartości i kontekstu instytucjonalnego, które w prawdziwych sporach bywają kluczowe.",
   "limits_en": "Manually encoding cases as factors is labor-intensive and works mainly in narrow areas of law. Formal models simplify the role of statutory purpose, values, and institutional context, which can be decisive in real disputes.",
   "terms": [
    {
     "gloss": "Cecha sprawy, która zawsze sprzyja jednej stronie sporu.",
     "term": "czynnik"
    },
    {
     "gloss": "Wykazanie, że precedens nie pasuje, bo fakty są istotnie inne.",
     "term": "odróżnienie sprawy"
    },
    {
     "gloss": "Graf argumentów i ataków, z którego liczy się zbiory ostających się argumentów.",
     "term": "argumentacja abstrakcyjna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A case feature that always favours one side of a dispute.",
     "term": "factor"
    },
    {
     "gloss": "Showing a precedent does not fit because the facts differ materially.",
     "term": "distinguishing a case"
    },
    {
     "gloss": "A graph of arguments and attacks from which surviving sets are computed.",
     "term": "abstract argumentation"
    }
   ],
   "prereq": [
    "fol",
    "neurosymbolic"
   ],
   "keywords": [
    "HYPO",
    "CATO",
    "three-ply argument",
    "factor-based reasoning",
    "dimensions",
    "abstract argumentation",
    "ASPIC+",
    "value-based argumentation",
    "Toulmin"
   ],
   "source_ids": [
    "benchcapon-hypo-legacy-2017",
    "benchcapon-etal-legal-argument-2024"
   ],
   "url": "https://aiatlasgraph.com/t/legalargumentation",
   "markdown_url": "https://aiatlasgraph.com/t/legalargumentation.md",
   "updated": "2026-10-30"
  },
  "legalbenchmarks": {
   "id": "legalbenchmarks",
   "parent_id": "legalai",
   "label": "Benchmarki modeli prawniczych",
   "canonical_name": "Legal AI benchmarks",
   "aliases": [
    "legal benchmarks",
    "LegalBench",
    "LexGLUE",
    "legal LLM evaluation",
    "bar exam evaluation",
    "benchmarki prawnicze",
    "ewaluacja modeli w prawie"
   ],
   "description": "Zestawy zadań do oceny modeli na tekstach prawnych, obejmujące rozumienie języka, klasyfikację i różne typy rozumowania prawniczego.",
   "description_en": "Task collections for evaluating models on legal text, covering language understanding, classification, and multiple forms of legal reasoning.",
   "plain": "Zestawy zadań przygotowane przez prawników, które sprawdzają, w czym model językowy radzi sobie z prawem, a gdzie zawodzi.",
   "plain_en": "Task sets prepared by lawyers that check where a language model handles law well and where it fails.",
   "solves": "Bez wspólnych testów każdy producent chwali się własnymi wynikami, a kancelaria nie ma jak porównać narzędzi przed zakupem.",
   "solves_en": "Without shared tests every vendor boasts its own results, and a law firm has no way to compare tools before buying.",
   "does": "Rozbija pracę prawnika na drobne umiejętności, np. rozpoznanie problemu czy odczytanie definicji, i każdą mierzy osobnym zestawem pytań.",
   "does_en": "It breaks legal work into small skills, such as spotting an issue or reading a definition, and measures each with its own set of questions.",
   "example": "Dział innowacji kancelarii porównuje trzy asystenty na tych samych stu zadaniach i widzi, że najlepszy w streszczeniach słabo stosuje przepisy do faktów.",
   "example_en": "A law firm's innovation team compares three assistants on the same hundred tasks and sees that the best summariser is weak at applying rules to facts.",
   "for_you": [
    "wybierasz narzędzie AI dla kancelarii lub działu prawnego",
    "budujesz model do zadań prawniczych"
   ],
   "for_you_en": [
    "choose an AI tool for a law firm or legal team",
    "build a model for legal tasks"
   ],
   "how": "LegalBench grupuje zadania w sześć typów rozumowania zaprojektowanych przez prawników, a LexGLUE standaryzuje zróżnicowane zadania rozumienia języka prawnego. Wyniki oblicza się metrykami właściwymi dla zadania; pojedynczy wynik zbiorczy nie zastępuje analizy poszczególnych kompetencji.",
   "how_en": "LegalBench groups tasks into six types of reasoning designed by legal professionals, while LexGLUE standardizes diverse legal language-understanding tasks. Results use task-appropriate metrics; a single aggregate score does not replace analysis of individual capabilities.",
   "limits": "Zakres benchmarków jest nierówny: część mierzy krótkie zadania zamknięte, a nie długą pracę na aktach. LegalBench i LexGLUE skupiają się na języku angielskim i wybranych jurysdykcjach, więc wynik słabo mówi o innych systemach prawnych.",
   "limits_en": "Benchmark coverage is uneven: some measure short closed-form tasks rather than long-document case work. LegalBench and LexGLUE focus on English and selected jurisdictions, so their scores say little about other legal systems.",
   "terms": [
    {
     "gloss": "Rozpoznanie, jakie problemy prawne kryją się w faktach.",
     "term": "issue spotting"
    },
    {
     "gloss": "Moment, gdy modele osiągają prawie maksimum i test przestaje rozróżniać.",
     "term": "nasycenie benchmarku"
    }
   ],
   "terms_en": [
    {
     "gloss": "Recognising which legal issues lie in a set of facts.",
     "term": "issue spotting"
    },
    {
     "gloss": "When models score near the maximum and a test stops discriminating.",
     "term": "benchmark saturation"
    }
   ],
   "prereq": [
    "llmbenchmarks",
    "benchcontamination"
   ],
   "keywords": [
    "LegalBench",
    "LexGLUE",
    "CaseHOLD",
    "LawBench",
    "Uniform Bar Exam",
    "LEXam",
    "issue spotting",
    "rule application"
   ],
   "source_ids": [
    "guha-legalbench-2023",
    "chalkidis-lexglue-2021"
   ],
   "url": "https://aiatlasgraph.com/t/legalbenchmarks",
   "markdown_url": "https://aiatlasgraph.com/t/legalbenchmarks.md",
   "updated": "2026-10-30"
  },
  "legallm": {
   "id": "legallm",
   "parent_id": "legalnlp",
   "label": "Modele językowe uczone na tekstach prawnych",
   "canonical_name": "Domain-adapted legal language models",
   "aliases": [
    "legal language models",
    "legal LLM",
    "LEGAL-BERT",
    "SaulLM",
    "legal domain pretraining",
    "prawnicze modele językowe"
   ],
   "description": "Modele językowe dotrenowane lub trenowane od zera na korpusach prawnych, czasem z własnym słownikiem i dostrajaniem instrukcyjnym na zadaniach prawnych.",
   "description_en": "Language models further pretrained or trained from scratch on legal corpora, sometimes with a custom vocabulary and instruction tuning on legal tasks.",
   "plain": "Modele, które oprócz zwykłych tekstów przeczytały ogromne zbiory ustaw, wyroków i umów, żeby lepiej rozumieć prawniczy język.",
   "plain_en": "Models that, besides ordinary text, have read huge collections of statutes, rulings and contracts to understand legal language better.",
   "solves": "Ogólne modele mylą się na prawniczym żargonie i zawiłych konstrukcjach zdań, a kancelarie nie zawsze mogą wysyłać dokumenty na zewnątrz.",
   "solves_en": "General models stumble on legal jargon and convoluted sentences, and law firms cannot always send documents outside.",
   "does": "Jak tłumacz, który najpierw kilka lat przepracował w kancelarii: zna te same słowa co inni, ale lepiej czuje ich prawny sens.",
   "does_en": "Like a translator who spent a few years at a law firm: same words as everyone, but a better feel for their legal meaning.",
   "example": "Dział prawny banku uruchamia na własnym serwerze mały model dotrenowany na umowach, który klasyfikuje klauzule bez wysyłania ich do chmury.",
   "example_en": "A bank's legal department runs a small model further trained on contracts on its own server, classifying clauses without sending them to the cloud.",
   "for_you": [
    "potrzebujesz modelu do zadań prawniczych na własnym sprzęcie",
    "zastanawiasz się, czy dotrenować model na swoich dokumentach"
   ],
   "for_you_en": [
    "need a model for legal tasks on your own hardware",
    "wonder whether to further train a model on your documents"
   ],
   "how": "Stosuje się kontynuację pretreningu ogólnego modelu na korpusie prawnym albo pretrening od zera z własnym słownikiem dopasowanym do terminologii. Większe modele dodatkowo dostraja się instrukcyjnie na zbiorach zadań prawnych. Badania pokazują, że zysk rośnie, im bardziej zadanie wymaga wiedzy i języka prawniczego.",
   "how_en": "Either a general model's pretraining is continued on a legal corpus, or a model is pretrained from scratch with a vocabulary fitted to legal terminology. Larger models are additionally instruction-tuned on legal task collections. Studies show the gain grows the more a task depends on legal knowledge and language.",
   "limits": "Zysk bywa marginalny na zadaniach mało domenowych, a staranne strojenie hiperparametrów ogólnego modelu potrafi dać zbliżony efekt. Modele są głównie anglojęzyczne i odzwierciedlają jurysdykcje z korpusu. Duże modele ogólne szybko doganiają mniejsze modele domenowe.",
   "limits_en": "The gain can be marginal on less domain-specific tasks, and careful hyperparameter tuning of a general model can achieve a similar effect. Models are mostly English and reflect the jurisdictions in their corpus. Large general models quickly catch up with smaller domain models.",
   "terms": [
    {
     "gloss": "Zestaw fragmentów słów, na które model dzieli tekst.",
     "term": "słownik (vocabulary)"
    },
    {
     "gloss": "Test wskazywania zasady prawnej wynikającej z cytowanej sprawy.",
     "term": "CaseHOLD"
    },
    {
     "gloss": "Dalsze uczenie modelu na tekstach z jednej dziedziny.",
     "term": "pretrening domenowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "The set of word pieces a model splits text into.",
     "term": "vocabulary"
    },
    {
     "gloss": "A test of identifying the legal holding of a cited case.",
     "term": "CaseHOLD"
    },
    {
     "gloss": "Further training a model on text from a single field.",
     "term": "domain pretraining"
    }
   ],
   "prereq": [
    "continuedpretraining",
    "sft"
   ],
   "keywords": [
    "LEGAL-BERT",
    "SaulLM-7B",
    "CaseHOLD",
    "Pile of Law",
    "continued pretraining",
    "domain-specific vocabulary",
    "legal instruction tuning",
    "LexGLUE"
   ],
   "source_ids": [
    "chalkidis-legal-bert-2020",
    "zheng-casehold-2021",
    "colombo-saullm-2024"
   ],
   "url": "https://aiatlasgraph.com/t/legallm",
   "markdown_url": "https://aiatlasgraph.com/t/legallm.md",
   "updated": "2026-10-30"
  },
  "legalner": {
   "id": "legalner",
   "parent_id": "legalnlp",
   "label": "Rozpoznawanie nazw w tekstach prawnych",
   "canonical_name": "Legal named entity recognition",
   "aliases": [
    "legal NER",
    "L-NER",
    "legal entity recognition",
    "named entity recognition in judgments",
    "NER prawniczy"
   ],
   "description": "Oznaczanie w tekstach prawnych encji o drobnych klasach domenowych, np. sąd, sędzia, strona, przepis, precedens i sygnatura.",
   "description_en": "Tagging entities in legal texts with fine-grained domain classes such as court, judge, party, provision, precedent and case number.",
   "plain": "Program zaznacza w wyroku, kto jest sędzią, kto stroną, jaki sąd orzekał i na które przepisy oraz wcześniejsze sprawy się powołano.",
   "plain_en": "Software marks in a ruling who the judge is, who the parties are, which court decided, and which provisions and earlier cases were cited.",
   "solves": "Żeby przeszukiwać i porównywać tysiące wyroków, trzeba wiedzieć, kto w nich występuje i co cytują, a ręczne oznaczanie trwałoby latami.",
   "solves_en": "To search and compare thousands of rulings you must know who appears in them and what they cite; tagging by hand would take years.",
   "does": "Jak zakreślacze w kilku kolorach: osobny dla sądu, osobny dla stron, osobny dla przepisów, tyle że nakładane w ułamku sekundy.",
   "does_en": "Like highlighters in several colours, one for the court, one for the parties, one for the provisions, only applied in a split second.",
   "example": "Wyszukiwarka orzeczeń pozwala odfiltrować wszystkie wyroki jednego sędziego, w których powołano ten sam artykuł kodeksu.",
   "example_en": "A case-law search engine lets you filter all rulings by one judge that cite the same article of the code.",
   "for_you": [
    "szukasz wyroków danego sądu lub sędziego",
    "budujesz bazę orzeczeń z filtrami",
    "przygotowujesz dane do anonimizacji"
   ],
   "for_you_en": [
    "look for rulings by a given court or judge",
    "build a case-law database with filters",
    "prepare data for anonymisation"
   ],
   "how": "Zadanie traktuje się jak oznaczanie sekwencji tokenów (schemat BIO lub parser przejść) z enkoderem transformerowym. W odróżnieniu od ogólnego NER klasy rozróżniają role procesowe (sędzia, strona, świadek) i odwołania (przepis, precedens, sygnatura). Wynik zasila wyszukiwanie, grafy cytowań i anonimizację.",
   "how_en": "The task is treated as token sequence labelling (BIO scheme or a transition-based parser) with a transformer encoder. Unlike general NER, the classes distinguish procedural roles (judge, party, witness) and references (provision, precedent, case number). The output feeds search, citation graphs and anonymisation.",
   "limits": "Schematy klas zależą od jurysdykcji i słabo przenoszą się między krajami. Ta sama osoba bywa stroną lub świadkiem zależnie od kontekstu całego dokumentu. Publicznych zbiorów jest mało: m.in. angielskojęzyczne wyroki indyjskie i niemieckie orzeczenia federalne.",
   "limits_en": "Class schemes depend on the jurisdiction and transfer poorly between countries. The same person may be a party or a witness depending on the whole document's context. Public datasets are few, among them English-language Indian judgments and German federal court decisions.",
   "terms": [
    {
     "gloss": "Zapis etykiet: początek encji, jej ciąg dalszy albo token poza encją.",
     "term": "BIO"
    },
    {
     "gloss": "Wcześniejsze orzeczenie przywołane w uzasadnieniu.",
     "term": "precedens"
    },
    {
     "gloss": "Unikalny numer sprawy w sądzie.",
     "term": "sygnatura"
    }
   ],
   "terms_en": [
    {
     "gloss": "Label scheme: beginning of an entity, inside it, or outside any entity.",
     "term": "BIO"
    },
    {
     "gloss": "An earlier ruling cited in the reasoning.",
     "term": "precedent"
    },
    {
     "gloss": "A case's unique identifier in a court.",
     "term": "case number"
    }
   ],
   "prereq": [
    "infoextraction"
   ],
   "keywords": [
    "LegalEval L-NER",
    "German LER dataset",
    "BIO tagging",
    "spaCy",
    "RoBERTa",
    "CoNLL format",
    "citation extraction",
    "Lynx project"
   ],
   "source_ids": [
    "modi-semeval2023-legaleval",
    "kalamkar-indian-legal-ner-2022",
    "leitner-german-ler-2020"
   ],
   "url": "https://aiatlasgraph.com/t/legalner",
   "markdown_url": "https://aiatlasgraph.com/t/legalner.md",
   "updated": "2026-10-30"
  },
  "legalnlp": {
   "id": "legalnlp",
   "parent_id": "legalai",
   "label": "Przetwarzanie tekstów prawnych",
   "canonical_name": "Legal text processing (legal NLP)",
   "aliases": [
    "legal NLP",
    "legal text processing",
    "legal document processing",
    "NLP for law",
    "przetwarzanie języka prawnego"
   ],
   "description": "Zadania NLP dostosowane do tekstów prawnych: rozpoznawanie encji, strukturyzacja wyroków, streszczanie, anonimizacja oraz modele językowe trenowane na prawie.",
   "description_en": "NLP tasks adapted to legal text: entity recognition, judgment structuring, summarisation, anonymisation and language models trained on law.",
   "plain": "Programy, które czytają wyroki i ustawy: wyłapują nazwiska i sygnatury, dzielą tekst na części, streszczają go i zakrywają dane osób.",
   "plain_en": "Software that reads rulings and statutes: it picks out names and case numbers, splits the text into parts, summarises it and hides personal data.",
   "solves": "Teksty prawne są długie, pisane specyficznym językiem i pełne danych osobowych, więc ogólne narzędzia do tekstu często się na nich gubią.",
   "solves_en": "Legal texts are long, written in a peculiar language and full of personal data, so general text tools often get lost in them.",
   "does": "Jak doświadczony sekretarz sądowy, który zna układ każdego wyroku i od razu wie, gdzie szukać stron, przepisów i rozstrzygnięcia.",
   "does_en": "Like a seasoned court clerk who knows the layout of every ruling and goes straight to the parties, the provisions and the decision.",
   "example": "Portal z orzeczeniami publikuje tysiące wyroków miesięcznie; każdy jest wcześniej automatycznie streszczany, opisany hasłami i pozbawiony nazwisk stron.",
   "example_en": "A case-law portal publishes thousands of rulings a month; each is first automatically summarised, tagged with topics and stripped of the parties' names.",
   "for_you": [
    "czytasz wyroki lub akty prawne w pracy",
    "budujesz wyszukiwarkę lub bazę orzeczeń",
    "chcesz zrozumieć, czego dotyczy wyrok w twojej sprawie"
   ],
   "for_you_en": [
    "read rulings or legislation at work",
    "build a search engine or case-law database",
    "want to understand what the ruling in your case says"
   ],
   "how": "Teksty prawne mają stałą strukturę, bardzo długie dokumenty i własne kategorie encji, więc standardowe zadania NLP definiuje się na nowo: z klasami takimi jak sąd, przepis czy precedens oraz z etykietami części wyroku. Stosuje się enkodery transformerowe dostrojone lub dotrenowane na korpusach prawnych, a wyniki zasilają wyszukiwanie, streszczanie i predykcję.",
   "how_en": "Legal texts have a fixed structure, very long documents and their own entity categories, so standard NLP tasks are redefined: with classes such as court, provision or precedent and with labels for the parts of a judgment. Transformer encoders fine-tuned or further pretrained on legal corpora are used, and their output feeds retrieval, summarisation and prediction.",
   "limits": "Zbiory danych pochodzą głównie z kilku jurysdykcji i są po angielsku, a schematy etykiet różnią się między krajami. Dokumenty przekraczają okna kontekstu, a standardowe metryki słabo oddają ocenę prawników.",
   "limits_en": "Datasets come mostly from a few jurisdictions and are in English, and label schemes differ between countries. Documents exceed context windows, and standard metrics poorly reflect lawyers' judgment.",
   "terms": [
    {
     "gloss": "Część wyroku, w której sąd wyjaśnia powody rozstrzygnięcia.",
     "term": "uzasadnienie"
    },
    {
     "gloss": "Część wyroku zawierająca samo rozstrzygnięcie sądu.",
     "term": "sentencja"
    },
    {
     "gloss": "Rozpoznawanie w tekście nazw sądów, przepisów, stron i sygnatur.",
     "term": "legal NER"
    }
   ],
   "terms_en": [
    {
     "gloss": "The part of a ruling where the court explains why it decided as it did.",
     "term": "reasons for judgment"
    },
    {
     "gloss": "The part of a ruling containing only the court's decision.",
     "term": "operative part"
    },
    {
     "gloss": "Recognising names of courts, provisions, parties and case numbers in text.",
     "term": "legal NER"
    }
   ],
   "prereq": [
    "infoextraction",
    "textclassification"
   ],
   "keywords": [
    "SemEval-2023 LegalEval",
    "legal NER",
    "rhetorical role labelling",
    "legal summarization",
    "court decision anonymization",
    "LEGAL-BERT",
    "SaulLM",
    "LexGLUE",
    "EUR-Lex",
    "legal long-document modelling"
   ],
   "source_ids": [
    "modi-semeval2023-legaleval",
    "chalkidis-legal-bert-2020"
   ],
   "url": "https://aiatlasgraph.com/t/legalnlp",
   "markdown_url": "https://aiatlasgraph.com/t/legalnlp.md",
   "updated": "2026-10-30"
  },
  "legalreasoning": {
   "id": "legalreasoning",
   "parent_id": "legalai",
   "label": "Rozumowanie prawne i przewidywanie",
   "canonical_name": "Legal reasoning and outcome prediction",
   "aliases": [
    "legal reasoning",
    "legal NLU",
    "legal outcome prediction",
    "AI legal reasoning",
    "rozumowanie prawnicze",
    "prognozowanie rozstrzygnięć"
   ],
   "description": "Modelowanie i ocena rozumowania prawniczego modeli (rozpoznanie kwestii, zastosowanie reguły, wniosek) oraz przewidywanie rozstrzygnięć sądowych z tekstu.",
   "description_en": "Modelling and evaluating models' legal reasoning (issue spotting, rule application, conclusion) and predicting court outcomes from text.",
   "plain": "Sprawdzanie, czy AI potrafi rozumować jak prawnik: wskazać problem prawny, zastosować przepis do faktów i przewidzieć, jak sąd rozstrzygnie.",
   "plain_en": "Testing whether AI can reason like a lawyer: spot the legal issue, apply a rule to facts and predict how a court will decide.",
   "solves": "Ludzie chcą wiedzieć, czy mają szansę wygrać sprawę, a reklamy obiecują AI lepsze od prawników bez rzetelnych dowodów.",
   "solves_en": "People want to know whether they could win a case, while marketing promises AI better than lawyers without solid evidence.",
   "does": "Jak egzamin praktyczny z kazusami: model dostaje fakty i musi przejść kolejne kroki rozumowania, a każdy krok da się osobno ocenić.",
   "does_en": "Like a practical exam with case problems: the model gets facts and must go through each reasoning step, and every step can be graded separately.",
   "example": "Serwis obiecuje oszacować szanse twojego odwołania od mandatu; warto wiedzieć, na jakich danych taką prognozę zbudowano i jak ją sprawdzono.",
   "example_en": "A website promises to estimate the odds of your appeal against a fine; it helps to know what data the forecast rests on and how it was tested.",
   "for_you": [
    "słyszysz, że AI zda egzamin prawniczy",
    "rozważasz narzędzie oceniające szanse w sporze"
   ],
   "for_you_en": [
    "hear that AI can pass the bar exam",
    "are considering a tool that rates your odds in a dispute"
   ],
   "how": "Benchmarki dzielą rozumowanie na typy odpowiadające schematowi kwestia–reguła–zastosowanie–wniosek oraz interpretację tekstu i retorykę. Predykcja rozstrzygnięć traktuje wyrok jako klasyfikację tekstu opisu sprawy. Ocena łączy zadania zamknięte z oceną uzasadnień przez prawników.",
   "how_en": "Benchmarks split reasoning into types matching the issue–rule–application–conclusion scheme plus text interpretation and rhetoric. Outcome prediction treats the decision as text classification of the case description. Evaluation combines closed tasks with lawyers grading the reasoning.",
   "limits": "Zadania łatwe do oceny (wybór odpowiedzi) najmniej mówią o pracy prawnika, a te najbardziej wartościowe najtrudniej sprawdzić. Wysoka trafność predykcji często wynika z danych spisanych już po wyroku. Wyniki dotyczą głównie kilku jurysdykcji.",
   "limits_en": "Tasks that are easy to grade (multiple choice) say least about legal work, while the most valuable are hardest to check. High prediction accuracy often comes from text written after the decision. Results mostly cover a few jurisdictions.",
   "terms": [
    {
     "gloss": "Schemat analizy: kwestia, reguła, zastosowanie, wniosek.",
     "term": "IRAC"
    },
    {
     "gloss": "Opis sytuacji faktycznej do rozwiązania na podstawie prawa.",
     "term": "kazus"
    },
    {
     "gloss": "Pogląd, że sędziowie reagują głównie na fakty sprawy.",
     "term": "legal realism"
    }
   ],
   "terms_en": [
    {
     "gloss": "An analysis scheme: issue, rule, application, conclusion.",
     "term": "IRAC"
    },
    {
     "gloss": "A fact pattern to be resolved under the law.",
     "term": "case problem"
    },
    {
     "gloss": "The view that judges respond mainly to the facts of a case.",
     "term": "legal realism"
    }
   ],
   "prereq": [
    "llmbenchmarks",
    "reasoningmodels"
   ],
   "keywords": [
    "LegalBench",
    "LexGLUE",
    "IRAC",
    "legal judgment prediction",
    "ECtHR",
    "issue spotting",
    "bar exam",
    "CaseHOLD",
    "legal NLU"
   ],
   "source_ids": [
    "kapoor-legal-ai-pitfalls-2024",
    "guha-legalbench-2023"
   ],
   "url": "https://aiatlasgraph.com/t/legalreasoning",
   "markdown_url": "https://aiatlasgraph.com/t/legalreasoning.md",
   "updated": "2026-10-30"
  },
  "legalresearchagents": {
   "id": "legalresearchagents",
   "parent_id": "legalsearch",
   "label": "Agenci badań prawnych",
   "canonical_name": "Agentic legal research",
   "aliases": [
    "legal research agents",
    "legal AI agents",
    "agentic legal RAG",
    "legal deep research",
    "multi-agent legal QA",
    "agenci prawniczy"
   ],
   "description": "Wieloetapowe systemy agentowe, które planują zapytania, używają narzędzi wyszukiwania w bazach prawa i tworzą odpowiedzi z cytatami, często z osobnym weryfikatorem.",
   "description_en": "Multi-step agent systems that plan queries, use search tools over legal databases and produce cited answers, often with a separate verifier.",
   "plain": "AI, która sama planuje kwerendę prawną: zadaje kolejne zapytania do baz, czyta wyniki i pisze odpowiedź z przypisami.",
   "plain_en": "AI that plans legal research by itself: it runs successive database queries, reads the results and writes an answer with footnotes.",
   "solves": "Prawdziwe pytanie prawne wymaga wielu wyszukiwań i lektur, a jedno zapytanie do bazy zwykle zwraca tylko część odpowiedzi.",
   "solves_en": "A real legal question needs many searches and readings, and a single database query usually returns only part of the answer.",
   "does": "Jak aplikant wysłany do biblioteki z listą: szuka, czyta, wraca po kolejne tomy, a na końcu sprawdza każdy przypis.",
   "does_en": "Like a trainee sent to the library with a list: searching, reading, going back for more volumes, and checking every footnote at the end.",
   "example": "Przedsiębiorca pyta, czy może zwolnić pracownika w okresie ochronnym; asystent w kilku krokach przeszukuje kodeks i orzecznictwo i podaje odpowiedź z linkami.",
   "example_en": "A business owner asks whether they can dismiss an employee during a protected period; the assistant searches the code and case law in several steps and answers with links.",
   "for_you": [
    "zlecasz AI przygotowanie notatki prawnej",
    "oceniasz narzędzia do badań prawnych",
    "chcesz wiedzieć, czy przypisom z AI można ufać"
   ],
   "for_you_en": [
    "ask AI to prepare a legal memo",
    "evaluate legal research tools",
    "want to know whether AI footnotes can be trusted"
   ],
   "how": "Agent LLM rozkłada pytanie na kroki, wywołuje narzędzia wyszukiwania w korpusach przepisów i orzeczeń, czyta wyniki i pisze odpowiedź z cytatami. Systemy wieloagentowe dodają weryfikatora z innej rodziny modeli, który sprawdza każde twierdzenie z przywołanym źródłem. Benchmarki oceniają nie tylko wynik, ale też postęp w krokach pośrednich.",
   "how_en": "An LLM agent breaks the question into steps, calls search tools over statute and case-law corpora, reads the results and writes a cited answer. Multi-agent systems add a verifier from a different model family that checks each claim against its cited source. Benchmarks score not only the final result but also progress through intermediate steps.",
   "limits": "Cytaty bywają brakujące, nieosiągalne albo niewspierające tezy; w jednym badaniu pętla weryfikacji podniosła ścisłe F1 cytatów tylko z 0,13 do 0,25. Komercyjne narzędzia z wyszukiwaniem nadal halucynowały w 17–33% zapytań. Benchmarki są związane z jurysdykcją, a wynik musi zweryfikować prawnik.",
   "limits_en": "Citations may be missing, unreachable or unsupportive; in one study a verification loop raised strict citation F1 only from 0.13 to 0.25. Commercial tools with retrieval still hallucinated on 17–33% of queries. Benchmarks are tied to a jurisdiction, and a lawyer must verify the output.",
   "terms": [
    {
     "gloss": "Model, który sam wybiera kolejne działania i narzędzia.",
     "term": "agent"
    },
    {
     "gloss": "Czy przywołane źródło naprawdę wspiera twierdzenie.",
     "term": "wierność cytatu"
    },
    {
     "gloss": "Odpowiedź wymagająca połączenia kilku znalezionych faktów.",
     "term": "wieloetapowe wnioskowanie (multi-hop)"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model that chooses its own next actions and tools.",
     "term": "agent"
    },
    {
     "gloss": "Whether the cited source really supports the claim.",
     "term": "citation faithfulness"
    },
    {
     "gloss": "An answer that requires combining several retrieved facts.",
     "term": "multi-hop reasoning"
    }
   ],
   "prereq": [
    "agentsnode",
    "agenteval"
   ],
   "keywords": [
    "LegalAgentBench",
    "L-MARS",
    "agentic RAG",
    "multi-agent verification",
    "citation faithfulness",
    "tool calling",
    "deep research",
    "LegalSearchQA"
   ],
   "source_ids": [
    "li-legalagentbench-2024",
    "yuan-lmars-2025",
    "magesh-legal-rag-hallucination-2024"
   ],
   "url": "https://aiatlasgraph.com/t/legalresearchagents",
   "markdown_url": "https://aiatlasgraph.com/t/legalresearchagents.md",
   "updated": "2026-10-30"
  },
  "legalsearch": {
   "id": "legalsearch",
   "parent_id": "legalai",
   "label": "Wyszukiwanie informacji prawnej",
   "canonical_name": "Legal information retrieval and research",
   "aliases": [
    "legal information retrieval",
    "legal research",
    "legal IR",
    "AI legal research",
    "wyszukiwanie prawnicze",
    "kwerenda prawna"
   ],
   "description": "Wyszukiwanie i ranking orzeczeń oraz przepisów dla zapytania lub opisu sprawy, coraz częściej połączone z generowaniem odpowiedzi z cytatami (legal RAG).",
   "description_en": "Retrieving and ranking rulings and statutes for a query or case description, increasingly combined with answer generation with citations (legal RAG).",
   "plain": "Szukanie przepisów i wyroków, które pasują do konkretnej sprawy, z pomocą programu rozumiejącego pytanie zadane zwykłymi słowami.",
   "plain_en": "Finding the statutes and rulings that fit a specific case, with software that understands a question asked in plain words.",
   "solves": "Odpowiednie orzeczenie może leżeć wśród milionów innych, a samo wpisanie słów kluczowych gubi sprawy opisane innym językiem.",
   "solves_en": "The right ruling may sit among millions of others, and typing keywords misses cases described in different words.",
   "does": "Jak bibliotekarz z wydziału prawa, który pyta, o co chodzi w sprawie, i przynosi kilka najbliższych orzeczeń z zakładkami.",
   "does_en": "Like a law-school librarian who asks what the case is about and brings back the few closest rulings with bookmarks.",
   "example": "Aplikantka opisuje stan faktyczny sporu o zalanie mieszkania i dostaje listę podobnych wyroków wraz z fragmentami uzasadnień.",
   "example_en": "A trainee lawyer describes the facts of a dispute over a flooded flat and gets a list of similar rulings with excerpts of the reasoning.",
   "for_you": [
    "przygotowujesz pismo i szukasz orzecznictwa",
    "chcesz sprawdzić, co mówi przepis w twojej sprawie"
   ],
   "for_you_en": [
    "prepare a filing and look for case law",
    "want to check what a law says about your case"
   ],
   "how": "Zapytaniem bywa całe orzeczenie albo opis faktów, więc stosuje się wyszukiwanie leksykalne i gęste, dzielenie długich dokumentów i reranking. Systemy RAG pobierają fragmenty z bazy prawnej i każą modelowi odpowiadać z odwołaniem do nich. Ocenia się trafność rankingu i wierność cytatów.",
   "how_en": "The query is often a whole ruling or a description of facts, so lexical and dense retrieval, splitting of long documents and reranking are used. RAG systems pull passages from a legal database and make the model answer with references to them. Ranking relevance and citation faithfulness are evaluated.",
   "limits": "Trafność zależy od pojęcia „istotności” w danej jurysdykcji, a publicznych zbiorów testowych jest mało. Wyszukiwanie nie usuwa halucynacji: model może źle streścić prawdziwe orzeczenie. Baza musi być aktualna, bo przepisy i linia orzecznicza się zmieniają.",
   "limits_en": "Relevance depends on what counts as pertinent in a jurisdiction, and public test collections are scarce. Retrieval does not remove hallucinations: a model can misstate a real ruling. The database must stay current, as statutes and case law change.",
   "terms": [
    {
     "gloss": "Zbiór wyroków sądów, na który powołują się prawnicy.",
     "term": "orzecznictwo"
    },
    {
     "gloss": "Odpowiedź modelu oparta na fragmentach pobranych z bazy prawnej.",
     "term": "legal RAG"
    },
    {
     "gloss": "Opis tego, co wydarzyło się w sprawie, bez oceny prawnej.",
     "term": "stan faktyczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "The body of court rulings lawyers rely on.",
     "term": "case law"
    },
    {
     "gloss": "A model's answer grounded in passages retrieved from a legal database.",
     "term": "legal RAG"
    },
    {
     "gloss": "A description of what happened in a case, without legal assessment.",
     "term": "statement of facts"
    }
   ],
   "prereq": [
    "hybridsearch",
    "reranking"
   ],
   "keywords": [
    "legal case retrieval",
    "COLIEE",
    "BM25",
    "dense retrieval",
    "legal RAG",
    "citation grounding",
    "LeCaRD",
    "statute retrieval",
    "query by document"
   ],
   "source_ids": [
    "feng-lcr-survey-2024",
    "locke-zuccon-caselaw-2022",
    "coliee-2023-summary",
    "magesh-legal-rag-hallucination-2024"
   ],
   "url": "https://aiatlasgraph.com/t/legalsearch",
   "markdown_url": "https://aiatlasgraph.com/t/legalsearch.md",
   "updated": "2026-10-30"
  },
  "legalsummarization": {
   "id": "legalsummarization",
   "parent_id": "legalnlp",
   "label": "Streszczanie wyroków i aktów prawnych",
   "canonical_name": "Legal document summarisation",
   "aliases": [
    "legal summarization",
    "judgment summarization",
    "case summarization",
    "headnote generation",
    "legislation summarization",
    "streszczanie orzeczeń"
   ],
   "description": "Ekstraktywne i abstraktywne streszczanie długich dokumentów prawnych: wyroków, akt spraw i aktów prawnych, także wielojęzycznie.",
   "description_en": "Extractive and abstractive summarisation of long legal documents: judgments, case files and legislation, including multilingual settings.",
   "plain": "Program skraca wielostronicowy wyrok albo ustawę do kilku akapitów, które mówią, o co chodziło i jak sprawa się skończyła.",
   "plain_en": "Software shortens a ruling or statute many pages long to a few paragraphs saying what it was about and how it ended.",
   "solves": "Prawnik ma przeczytać dziesiątki wyroków, by znaleźć te przydatne, a każdy liczy kilkadziesiąt stron gęstego tekstu.",
   "solves_en": "A lawyer has to read dozens of rulings to find the useful ones, and each runs to dozens of pages of dense text.",
   "does": "Wybiera najważniejsze zdania z kolejnych części wyroku albo pisze je na nowo, jak redaktor przygotowujący notkę do zbioru orzeczeń.",
   "does_en": "It picks the key sentences from each part of the ruling or rewrites them, like an editor preparing a note for a law report.",
   "example": "W biuletynie dla radców każdy nowy wyrok najwyższego sądu ma krótką notkę: stan faktyczny, problem prawny i odpowiedź sądu.",
   "example_en": "In a bulletin for lawyers every new supreme court ruling gets a short note: the facts, the legal question and the court's answer.",
   "for_you": [
    "przeglądasz dużo orzeczeń naraz",
    "chcesz zrozumieć długi wyrok bez czytania całości",
    "przygotowujesz notki lub biuletyny prawne"
   ],
   "for_you_en": [
    "go through many rulings at once",
    "want to understand a long ruling without reading all of it",
    "prepare legal notes or bulletins"
   ],
   "how": "Metody ekstraktywne wybierają zdania, a abstraktywne generują tekst modelem seq2seq lub LLM. Wyroki przekraczają okno kontekstu, więc stosuje się dzielenie na fragmenty i łączenie streszczeń, modele z długim kontekstem albo hybrydę: najpierw ekstrakcja, potem generacja. Dobre streszczenie powinno pokryć wszystkie części wyroku: fakty, argumenty i rozstrzygnięcie.",
   "how_en": "Extractive methods select sentences, while abstractive ones generate text with a seq2seq model or LLM. Judgments exceed the context window, so chunking and merging of summaries, long-context models or an extract-then-abstract hybrid are used. A good summary should cover every part of the ruling: facts, arguments and decision.",
   "limits": "Automatyczne metryki typu ROUGE słabo korelują z oceną prawników, którzy w badaniu woleli streszczenia ekstraktywne. Detektor halucynacji zawodził nawet na streszczeniach wzorcowych. Modele pomijają niektóre części wyroku, a dokumenty źródłowe potrafią liczyć setki stron.",
   "limits_en": "Automatic metrics such as ROUGE correlate weakly with lawyers' judgments, and in one study lawyers preferred extractive summaries. A hallucination detector failed even on reference summaries. Models skip some parts of the ruling, and source documents can run to hundreds of pages.",
   "terms": [
    {
     "gloss": "Krótka notka redakcyjna streszczająca istotę wyroku.",
     "term": "headnote"
    },
    {
     "gloss": "Złożone z dosłownie wybranych zdań dokumentu.",
     "term": "streszczenie ekstraktywne"
    },
    {
     "gloss": "Miara pokrycia słów między streszczeniem a wzorcem.",
     "term": "ROUGE"
    }
   ],
   "terms_en": [
    {
     "gloss": "A short editorial note summarising the essence of a ruling.",
     "term": "headnote"
    },
    {
     "gloss": "One made of sentences copied verbatim from the document.",
     "term": "extractive summary"
    },
    {
     "gloss": "A measure of word overlap between a summary and a reference.",
     "term": "ROUGE"
    }
   ],
   "prereq": [
    "summarization",
    "chunking"
   ],
   "keywords": [
    "Legal-LED",
    "Legal-Pegasus",
    "Multi-LexSum",
    "EUR-Lex-Sum",
    "IN-Abs",
    "UK-Abs",
    "ROUGE",
    "long-document summarization",
    "extract-then-abstract"
   ],
   "source_ids": [
    "shukla-legal-case-summarization-2022",
    "shen-multilexsum-2022",
    "aumiller-eurlexsum-2022"
   ],
   "url": "https://aiatlasgraph.com/t/legalsummarization",
   "markdown_url": "https://aiatlasgraph.com/t/legalsummarization.md",
   "updated": "2026-10-30"
  },
  "lenia": {
   "id": "lenia",
   "parent_id": "cellularautomata",
   "label": "Lenia — ciągły automat komórkowy",
   "canonical_name": "Lenia continuous cellular automaton",
   "aliases": [
    "Lenia",
    "Lenia CA"
   ],
   "description": "Dwuwymiarowy automat komórkowy o ciągłej przestrzeni, czasie i stanie z uogólnioną regułą lokalną, w którym powstają samopodtrzymujące się „formy życia”.",
   "description_en": "A two-dimensional cellular automaton with continuous space, time and state and a generalised local rule, producing self-sustaining “lifeforms”.",
   "plain": "Automaty komórkowe z płynnymi zamiast skokowych stanami, w których powstają poruszające się kształty przypominające mikroskopijne organizmy.",
   "plain_en": "Cellular automata with smooth rather than jumpy states, where moving shapes resembling microscopic organisms emerge.",
   "solves": "Wzory w klasycznych automatach są kanciaste i kruche, więc słabo pokazują, jak mogłyby wyglądać i zachowywać się sztuczne organizmy.",
   "solves_en": "Patterns in classic automata are blocky and fragile, so they poorly show how artificial organisms might look and behave.",
   "does": "Jak kropla atramentu w wodzie rządzona własną chemią: plama sama utrzymuje kształt, płynie i omija przeszkody.",
   "does_en": "Like a drop of ink in water ruled by its own chemistry: the blot keeps its shape, drifts and steers around obstacles.",
   "example": "Interaktywna strona, gdzie przesuwasz suwaki reguł i oglądasz, jak na ekranie rodzą się pływające, pulsujące „stworki”.",
   "example_en": "An interactive web page where you move rule sliders and watch swimming, pulsing “critters” being born on screen.",
   "for_you": [
    "fascynują cię symulacje przypominające życie",
    "tworzysz generatywną sztukę albo animacje",
    "chcesz szukać nowych wzorów algorytmami ewolucyjnymi"
   ],
   "for_you_en": [
    "are fascinated by life-like simulations",
    "make generative art or animation",
    "want to search for new patterns with evolutionary algorithms"
   ],
   "how": "Lenia uogólnia automat komórkowy do ciągłego stanu, czasu i przestrzeni oraz gładkiej reguły lokalnej. Dobrane parametry tworzą samopodtrzymujące się, poruszające wzory; autor skatalogował ponad 400 „gatunków” w 18 rodzinach, z których wiele znaleziono przez interaktywne obliczenia ewolucyjne.",
   "how_en": "Lenia generalises a cellular automaton to continuous state, time and space with a smooth local rule. Suitable parameters produce self-maintaining moving patterns; the author catalogued more than 400 'species' in 18 families, many found through interactive evolutionary computation.",
   "limits": "Większość ustawień parametrów daje pustkę lub chaos, więc ciekawe wzory trzeba wyszukiwać. Symulacja na dużych siatkach jest kosztowna, a podobieństwo do organizmów jest wizualne, nie biologiczne.",
   "limits_en": "Most parameter settings give emptiness or chaos, so interesting patterns must be searched for. Simulating large grids is costly, and the resemblance to organisms is visual, not biological.",
   "terms": [
    {
     "gloss": "Wagi określające, jak bardzo liczy się każdy sąsiad.",
     "term": "jądro splotu"
    },
    {
     "gloss": "Reguła zamieniająca otoczenie komórki na zmianę jej stanu.",
     "term": "funkcja wzrostu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Weights setting how much each neighbour counts.",
     "term": "convolution kernel"
    },
    {
     "gloss": "Rule turning a cell's surroundings into a change of its state.",
     "term": "growth function"
    }
   ],
   "keywords": [
    "Lenia",
    "continuous cellular automata",
    "interactive evolutionary computation",
    "self-organizing patterns",
    "digital organisms"
   ],
   "source_ids": [
    "chan-lenia-2019"
   ],
   "url": "https://aiatlasgraph.com/t/lenia",
   "markdown_url": "https://aiatlasgraph.com/t/lenia.md",
   "updated": "2026-10-30"
  },
  "lgdmodels": {
   "id": "lgdmodels",
   "parent_id": "creditscoring",
   "label": "Modele straty przy niewypłacalności (LGD) i oczekiwanej straty kredytowej",
   "canonical_name": "Loss given default (LGD) and expected credit loss models",
   "aliases": [
    "LGD",
    "loss given default",
    "EAD",
    "expected credit loss",
    "ECL",
    "IFRS 9",
    "CECL",
    "strata przy niewykonaniu zobowiązania"
   ],
   "description": "Modele LGD i EAD, które z PD dają oczekiwaną stratę (EL = PD×LGD×EAD) dla kapitału regulacyjnego i rezerw IFRS 9 / CECL.",
   "description_en": "LGD and EAD models that combine with PD into expected loss (EL = PD×LGD×EAD) for regulatory capital and IFRS 9 / CECL reserves.",
   "plain": "Szacowanie, ile pieniędzy bank faktycznie straci, jeśli klient przestanie spłacać, a nie tylko czy przestanie.",
   "plain_en": "Estimating how much money the bank actually loses if a customer stops paying, not just whether they will.",
   "solves": "Dwa niespłacone kredyty mogą kosztować zupełnie inaczej, a bank musi z góry odłożyć rezerwy na przyszłe straty.",
   "solves_en": "Two defaulted loans can cost very different amounts, and the bank must set aside reserves for future losses in advance.",
   "does": "Rozkłada ryzyko na trzy pytania: czy klient przestanie płacić, ile będzie wtedy winien i jaką część uda się odzyskać.",
   "does_en": "Splits risk into three questions: will the customer stop paying, how much will they owe then, and what share can be recovered.",
   "example": "Przy kredycie hipotecznym bank odzyskuje dużą część długu ze sprzedaży mieszkania, a przy karcie kredytowej często niewiele; rezerwy są przez to różne.",
   "example_en": "With a mortgage the bank recovers much of the debt by selling the flat, with a credit card often little; so reserves differ.",
   "for_you": [
    "pracujesz w ryzyku kredytowym lub controllingu banku",
    "chcesz zrozumieć rezerwy w sprawozdaniu banku"
   ],
   "for_you_en": [
    "work in a bank's credit risk or finance team",
    "want to understand reserves in a bank's report"
   ],
   "how": "LGD jest ograniczone do przedziału 0–1, dlatego stosuje się regresję beta, modele Tobit z cenzurowaniem lub modele dwuetapowe: klasyfikator „wyleczenie / brak wyleczenia” plus regresja straty. Dodanie zmiennych makroekonomicznych pozwala na testy warunków skrajnych i prognozy strat w całym okresie kredytu.",
   "how_en": "LGD is bounded in 0–1, so beta regression, censored Tobit models or two-stage models are used: a cure / no-cure classifier plus a loss regression. Adding macroeconomic variables enables stress testing and lifetime loss projections.",
   "limits": "Dane o odzyskach napływają latami, a nierozliczone sprawy zniekształcają próbę. Niewypłacalności jest mało, zwłaszcza w portfelach o niskim ryzyku. Modele muszą spełniać regulacyjne wymogi kalibracji i ostrożności, co ogranicza swobodę w doborze metod.",
   "limits_en": "Recovery data arrive over years, and unresolved cases distort the sample. Defaults are scarce, especially in low-risk portfolios. Models must meet regulatory calibration and conservatism rules, limiting freedom in method choice.",
   "terms": [
    {
     "gloss": "Jaka część długu przepada po niewypłacalności klienta.",
     "term": "LGD"
    },
    {
     "gloss": "Ile klient będzie winien w chwili niewypłacalności.",
     "term": "EAD"
    },
    {
     "gloss": "Oczekiwana strata kredytowa, podstawa rezerw w sprawozdaniu.",
     "term": "ECL"
    }
   ],
   "terms_en": [
    {
     "gloss": "Share of the debt lost after a customer defaults.",
     "term": "LGD"
    },
    {
     "gloss": "How much the customer owes at the moment of default.",
     "term": "EAD"
    },
    {
     "gloss": "Expected credit loss, the basis for reserves in accounts.",
     "term": "ECL"
    }
   ],
   "prereq": [
    "linearmodels"
   ],
   "keywords": [
    "exposure at default",
    "expected credit loss",
    "IFRS 9",
    "CECL",
    "beta regression",
    "Tobit model",
    "two-stage LGD model",
    "Basel IRB",
    "stress testing"
   ],
   "source_ids": [
    "mathworks-lgd-overview"
   ],
   "url": "https://aiatlasgraph.com/t/lgdmodels",
   "markdown_url": "https://aiatlasgraph.com/t/lgdmodels.md",
   "updated": "2026-10-30"
  },
  "linearalgebra": {
   "id": "linearalgebra",
   "parent_id": "math",
   "label": "Algebra liniowa: wektory i macierze",
   "canonical_name": "Linear algebra: vectors and matrices",
   "description": "Język, w którym zapisuje się dane, wagi i embeddingi: wektory, macierze, iloczyny i rozkłady macierzy.",
   "description_en": "The language for data, weights and embeddings: vectors, matrices, products and matrix decompositions.",
   "examples": "Iloczyn skalarny · mnożenie macierzy · wartości własne · SVD",
   "examples_en": "Dot product · matrix multiplication · eigenvalues · SVD",
   "plain": "To matematyka grup i tabel liczb, za pomocą których modele zapisują i przekształcają dane.",
   "plain_en": "This mathematics handles groups and tables of numbers that models use to represent and transform data.",
   "solves": "Obrazy, teksty i cechy przedmiotów zawierają wiele wartości, których nie da się wygodnie przeliczać pojedynczo.",
   "solves_en": "Images, texts and object properties contain many values that are awkward to calculate one at a time.",
   "does": "Łączy i przekształca całe grupy liczb, dzięki czemu można porównywać dane i wykonywać kolejne obliczenia modelu.",
   "does_en": "It combines and transforms groups of numbers to compare data and carry out successive model calculations.",
   "example": "Program zapisuje cechy produktów jako grupy liczb i porównuje je, żeby znaleźć rzeczy podobne do wybranego przedmiotu.",
   "example_en": "Software represents product features as groups of numbers and compares them to find items similar to the one you selected.",
   "for_you": [
    "chcesz rozumieć liczbowy zapis obrazów lub tekstów",
    "porównujesz wiele cech przedmiotów jednocześnie"
   ],
   "for_you_en": [
    "want to understand numerical representations of images or texts",
    "compare many object properties at once"
   ],
   "how": "Operacje macierzowe łączą wiele danych lub parametrów w jednym przekształceniu liniowym. Iloczyny, projekcje i rozkłady macierzy opisują podobieństwo, zmianę bazy oraz strukturę przestrzeni reprezentacji.",
   "how_en": "Matrix operations combine multiple data points or parameters in a linear transformation. Products, projections and matrix decompositions describe similarity, basis changes and representation-space structure.",
   "limits": "Złe uwarunkowanie wzmacnia błędy numeryczne. Wysoki wymiar zwiększa koszt i utrudnia interpretację; przekształcenie liniowe samo nie opisuje wszystkich zależności nieliniowych.",
   "limits_en": "Poor conditioning amplifies numerical errors. High dimensions add cost and complicate interpretation; linear transformations alone cannot describe every nonlinear relationship.",
   "terms": [
    {
     "gloss": "Suma iloczynów współrzędnych, używana między innymi do porównywania wektorów.",
     "term": "iloczyn skalarny"
    },
    {
     "gloss": "Liczba niezależnych kierunków reprezentowanych przez jej kolumny lub wiersze.",
     "term": "rząd macierzy"
    }
   ],
   "terms_en": [
    {
     "gloss": "The sum of coordinate-wise products, used among other things to compare vectors.",
     "term": "dot product"
    },
    {
     "gloss": "The number of independent directions represented by a matrix's columns or rows.",
     "term": "matrix rank"
    }
   ],
   "keywords": [
    "dot product",
    "matrix multiplication",
    "eigenvalues",
    "eigenvectors",
    "SVD",
    "matrix rank",
    "vector norms"
   ],
   "source_ids": [
    "mmlbook",
    "dlbook-part1"
   ],
   "url": "https://aiatlasgraph.com/t/linearalgebra",
   "markdown_url": "https://aiatlasgraph.com/t/linearalgebra.md",
   "updated": "2026-10-30"
  },
  "linearmodels": {
   "id": "linearmodels",
   "parent_id": "supervised",
   "label": "Regresja liniowa i logistyczna",
   "canonical_name": "Linear and logistic regression",
   "description": "Najprostsze modele predykcyjne: ważona suma cech daje liczbę (regresja liniowa) albo prawdopodobieństwo klasy (regresja logistyczna). Na nich zwykle uczy się pojęć straty, spadku gradientu i progu decyzyjnego.",
   "description_en": "The simplest predictive models: a weighted sum of features gives a number (linear regression) or a class probability (logistic regression). They are the usual place to learn loss, gradient descent and decision thresholds.",
   "examples": "MSE · log-loss · próg decyzyjny · Ridge/Lasso",
   "examples_en": "MSE · log-loss · decision threshold · Ridge/Lasso",
   "plain": "To proste modele, które łączą cechy przykładu, żeby przewidzieć liczbę albo szansę przynależności do kategorii.",
   "plain_en": "These simple models combine an example's features to predict a number or the chance of belonging to a category.",
   "solves": "Potrzebujesz prostego punktu odniesienia pokazującego, czy cechy danych wystarczają do przydatnego przewidywania.",
   "solves_en": "You need a simple baseline showing whether the available features support useful predictions.",
   "does": "Nadaje cechom wyuczone wagi i sumuje ich wkład; tę sumę wykorzystuje bezpośrednio lub przelicza na szansę kategorii.",
   "does_en": "It gives features learned weights and adds their contributions, using the sum directly or converting it to a category probability.",
   "example": "Model szacuje zużycie ogrzewania, sumując wyuczone wpływy temperatury, powierzchni mieszkania i czasu pracy urządzeń.",
   "example_en": "A model estimates heating use by adding learned contributions from temperature, home size and equipment operating time.",
   "for_you": [
    "chcesz zacząć od prostego modelu do porównania",
    "twoje przewidywanie dotyczy liczby lub wyboru kategorii"
   ],
   "for_you_en": [
    "want to start with a simple model for comparison",
    "need to predict a number or choose a category"
   ],
   "how": "Ważona suma cech z wyrazem wolnym daje predykcję regresji lub wejście funkcji logistycznej. Parametry dopasowuje się przez minimalizację odpowiedniej straty, często z karą ograniczającą wielkość współczynników.",
   "how_en": "A weighted feature sum plus an intercept gives regression predictions or input to a logistic link. Parameters are fitted by minimising the corresponding loss, often with penalties limiting coefficient magnitude.",
   "limits": "Bez dodatkowych cech model nie odtworzy złożonych nieliniowych zależności. Skorelowane wejścia utrudniają interpretację współczynników, a prawdopodobieństwa logistyczne wymagają sprawdzenia kalibracji.",
   "limits_en": "Without added features, models cannot capture complex nonlinear relationships. Correlated inputs complicate coefficient interpretation, and logistic probabilities require calibration checks.",
   "terms": [
    {
     "gloss": "Składnik predykcji niezależny od wartości cech wejściowych.",
     "term": "wyraz wolny"
    },
    {
     "gloss": "Przekształcenie liniowego wyniku w prawdopodobieństwo klasy.",
     "term": "link logistyczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A prediction component independent of input-feature values.",
     "term": "intercept"
    },
    {
     "gloss": "A transformation converting a linear score into a class probability.",
     "term": "logistic link"
    }
   ],
   "prereq": [
    "linearalgebra",
    "mle"
   ],
   "keywords": [
    "ordinary least squares",
    "Ridge",
    "Lasso",
    "ElasticNet",
    "log loss",
    "decision thresholds"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "google-mlcc"
   ],
   "url": "https://aiatlasgraph.com/t/linearmodels",
   "markdown_url": "https://aiatlasgraph.com/t/linearmodels.md",
   "updated": "2026-10-30"
  },
  "llmannotation": {
   "id": "llmannotation",
   "parent_id": "annotation",
   "label": "Etykietowanie z pomocą LLM",
   "canonical_name": "LLM-assisted annotation",
   "aliases": [
    "LLM annotation",
    "LLM labeling"
   ],
   "description": "Używanie modeli językowych do tworzenia etykiet, uzasadnień i ocen par odpowiedzi, z kontrolą jakości na próbce sprawdzonej przez ludzi.",
   "description_en": "Using language models to produce labels, rationales and pairwise judgements, with quality checked on a human-reviewed sample.",
   "examples": "Etykiety i uzasadnienia od LLM · pary preferencji · filtrowanie słabych adnotacji",
   "examples_en": "LLM labels and rationales · preference pairs · filtering weak annotations",
   "plain": "To pomoc modelu językowego w oznaczaniu przykładów i ocenianiu odpowiedzi.",
   "plain_en": "This uses a language model to help label examples and judge answers.",
   "solves": "Ręczne oznaczanie dużego zbioru tekstów trwa długo i wymaga powtarzania podobnych ocen.",
   "solves_en": "Labelling a large text collection by hand takes time and involves many repetitive judgements.",
   "does": "Model proponuje oznaczenia i uzasadnienia, a porównanie z próbką ocenioną przez ludzi pozwala sprawdzić ich jakość.",
   "does_en": "The model proposes labels and reasons, while comparison with a sample reviewed by people helps check their quality.",
   "example": "Model wstępnie dzieli opinie o sklepie na tematy, a ty porównujesz próbkę wyników z ocenami osób czytających te opinie.",
   "example_en": "A model groups shop reviews by topic, and you compare a sample of its results with people's judgements.",
   "for_you": [
    "musisz oznaczyć wiele podobnych tekstów",
    "możesz sprawdzić próbkę proponowanych ocen"
   ],
   "for_you_en": [
    "need to label many similar texts",
    "can review a sample of proposed judgements"
   ],
   "how": "Prompt określa kategorie, kryteria i format oceny, a model etykietuje próbki lub porównuje odpowiedzi. Oceny zestawia się z anotacjami ludzi na próbce kontrolnej i kieruje rozbieżności do weryfikacji.",
   "how_en": "A prompt specifies categories, criteria and output format, and the model labels samples or compares answers. Judgements are compared with human annotations on a control sample, with disagreements sent for review.",
   "limits": "Oceny zależą od promptu, kolejności odpowiedzi i modelu. Błędy mogą być systematyczne, więc samo uzasadnienie brzmiące wiarygodnie nie wystarcza do przyjęcia etykiety.",
   "limits_en": "Judgements depend on the prompt, answer order and model. Errors can be systematic, so a plausible rationale alone is insufficient grounds for accepting a label.",
   "terms": [
    {
     "gloss": "Porównanie dwóch odpowiedzi według wspólnego kryterium.",
     "term": "ocena parami"
    },
    {
     "gloss": "Przykłady ze sprawdzonymi ocenami używane do pomiaru jakości anotacji.",
     "term": "próbka kontrolna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Comparing two answers against a shared criterion.",
     "term": "pairwise judgement"
    },
    {
     "gloss": "Examples with reviewed judgements used to measure annotation quality.",
     "term": "control sample"
    }
   ],
   "prereq": [
    "prompting",
    "judges"
   ],
   "keywords": [
    "pairwise preference labeling",
    "rubric-based annotation",
    "label confidence",
    "human adjudication",
    "annotation agreement"
   ],
   "source_ids": [
    "llm-annotation-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/llmannotation",
   "markdown_url": "https://aiatlasgraph.com/t/llmannotation.md",
   "updated": "2026-10-30"
  },
  "llmbenchmarks": {
   "id": "llmbenchmarks",
   "parent_id": "metrics",
   "label": "Benchmarki modeli językowych",
   "canonical_name": "LLM benchmarks",
   "aliases": [
    "LLM benchmarks",
    "benchmarki LLM",
    "standardowe testy modeli"
   ],
   "description": "Standaryzowane zestawy zadań służące do porównywania modeli językowych. Grupuje się je według mierzonej umiejętności, np. wiedzy i rozumowania, kodowania albo pracy agenta.",
   "description_en": "Standardised task sets used to compare language models. They are grouped by the skill measured, such as knowledge and reasoning, coding or agent work.",
   "examples": "wiedza i rozumowanie · matematyka · kod · agenci · zadania multimodalne",
   "examples_en": "knowledge and reasoning · mathematics · code · agents · multimodal tasks",
   "plain": "To wspólne zestawy zadań do porównywania możliwości modeli pracujących z językiem.",
   "plain_en": "These shared task sets compare the capabilities of models working with language.",
   "solves": "Własne udane pytanie nie pozwala rzetelnie porównać wielu modeli ani zobaczyć różnic między rodzajami zadań.",
   "solves_en": "One successful personal question cannot reliably compare many models or reveal differences between task types.",
   "does": "Daje modelom porównywalne zadania z wiedzy, pisania programów lub działania z narzędziami i ocenia wyniki według wspólnych zasad.",
   "does_en": "It gives models comparable knowledge, programming or tool use tasks and scores results using shared rules.",
   "example": "Przed wyborem asystenta oglądasz wyniki różnych typów zadań, a potem sprawdzasz wybrane modele na własnych przypadkach.",
   "example_en": "Before choosing an assistant, you inspect results across task types, then test selected models on your own cases.",
   "for_you": [
    "chcesz porównywać modele na wspólnych zadaniach",
    "potrzebujesz punktu odniesienia przed własnymi testami"
   ],
   "for_you_en": [
    "want models compared on shared tasks",
    "need a baseline before running your own tests"
   ],
   "how": "Zadania, format promptów i reguły punktacji definiują wspólną procedurę porównania modeli. Wyniki agreguje się według kategorii umiejętności i wersji benchmarku, zapisując konfigurację generowania oraz użyte narzędzia.",
   "how_en": "Tasks, prompt formats and scoring rules define a shared model-comparison procedure. Results are aggregated by skill category and benchmark version, recording generation settings and tools used.",
   "limits": "Benchmark nie odzwierciedla automatycznie konkretnego zastosowania. Kontaminacja, nasycenie i różne konfiguracje ograniczają porównywalność; jeden wynik nie opisuje całego modelu.",
   "limits_en": "Benchmarks do not automatically represent a particular application. Contamination, saturation and differing settings limit comparability; one score cannot describe an entire model.",
   "terms": [
    {
     "gloss": "Zasady przygotowania, wykonania i punktowania wszystkich prób.",
     "term": "protokół ewaluacji"
    },
    {
     "gloss": "Sytuacja, gdy test słabo rozróżnia modele osiągające podobnie wysokie wyniki.",
     "term": "nasycenie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Rules for preparing, executing and scoring all trials.",
     "term": "evaluation protocol"
    },
    {
     "gloss": "A test's inability to distinguish models with similarly high scores.",
     "term": "saturation"
    }
   ],
   "prereq": [
    "splits",
    "evalstats"
   ],
   "keywords": [
    "MMLU",
    "HELM",
    "HumanEval",
    "SWE-bench",
    "GSM8K",
    "MATH",
    "GAIA",
    "MMMU"
   ],
   "source_ids": [
    "ferrag-llm-agents-review-2025",
    "lm-eval-harness-lessons-2024"
   ],
   "url": "https://aiatlasgraph.com/t/llmbenchmarks",
   "markdown_url": "https://aiatlasgraph.com/t/llmbenchmarks.md",
   "updated": "2026-10-30"
  },
  "llmcaching": {
   "id": "llmcaching",
   "parent_id": "economics",
   "label": "Cache w aplikacjach LLM",
   "canonical_name": "Caching in LLM applications",
   "description": "Unikanie ponownego liczenia tego samego: przechowywanie powtarzających się fragmentów promptu albo całych odpowiedzi, co obniża koszt i czas odpowiedzi.",
   "description_en": "Avoiding recomputing the same thing: storing repeated prompt parts or whole answers, which lowers cost and response time.",
   "examples": "cache promptu · cache semantyczny · cache dokładnych zapytań",
   "examples_en": "prompt cache · semantic cache · exact-match cache",
   "plain": "To ponowne wykorzystywanie zapisanych obliczeń lub odpowiedzi zamiast liczenia wszystkiego od początku.",
   "plain_en": "This reuses stored calculations or answers instead of computing everything from scratch.",
   "solves": "Powtarzające się instrukcje i pytania zajmują czas obliczeń i zwiększają koszt obsługi użytkowników.",
   "solves_en": "Repeated instructions and questions consume calculation time and increase the cost of serving users.",
   "does": "Zapisuje wynik wspólnej części obliczeń albo gotową odpowiedź i sprawdza, czy można ją wykorzystać przy kolejnym zapytaniu.",
   "does_en": "It stores shared calculation results or a completed answer and checks whether they can be reused for the next request.",
   "example": "Asystent odpowiadający na pytania o instrukcję urządzenia ponownie wykorzystuje przetworzoną wspólną treść albo zapisaną odpowiedź na powtarzające się pytanie.",
   "example_en": "An assistant answering questions about an equipment manual reuses processed shared content or a stored answer to a recurring question.",
   "for_you": [
    "wiele zapytań powtarza instrukcje lub pytania",
    "chcesz ograniczyć ponowne wykonywanie tych samych obliczeń"
   ],
   "for_you_en": [
    "have requests repeating instructions or questions",
    "want to avoid repeating the same calculations"
   ],
   "how": "Warstwa cache rozpoznaje powtarzalny kontekst lub zapytanie i odczytuje zapisany stan albo odpowiedź. Klucz obejmuje informacje wpływające na wynik, a wersjonowanie, czas ważności i unieważnianie kontrolują ponowne użycie.",
   "how_en": "A cache layer detects repeated context or queries and retrieves stored state or answers. Keys include outcome-relevant information, while versioning, expiration and invalidation control reuse.",
   "limits": "Podobne zapytania mogą wymagać innych odpowiedzi przez kontekst lub uprawnienia. Zmiana danych i modelu unieważnia część zapisów; niski udział trafień może nie zwrócić kosztu przechowywania.",
   "limits_en": "Similar queries can need different answers due to context or permissions. Data and model changes invalidate entries; low hit rates may not repay storage costs.",
   "terms": [
    {
     "gloss": "Odczyt użytecznego zapisu zamiast ponownego wykonania obliczeń.",
     "term": "cache hit"
    },
    {
     "gloss": "Wycofanie zapisów, które przestały odpowiadać aktualnemu kontekstowi.",
     "term": "unieważnianie cache"
    }
   ],
   "terms_en": [
    {
     "gloss": "Retrieving a useful stored entry instead of recomputing.",
     "term": "cache hit"
    },
    {
     "gloss": "Removing entries that no longer match the current context.",
     "term": "cache invalidation"
    }
   ],
   "prereq": [
    "workflows",
    "tokenization"
   ],
   "keywords": [
    "exact-match caching",
    "prefix caching",
    "embedding similarity",
    "cache hit rate",
    "cache invalidation",
    "time to live",
    "GPTCache"
   ],
   "source_ids": [
    "applied-llms-2024",
    "anthropic-prompt-caching",
    "gptcache-2023",
    "huyen-ai-engineering-ch10"
   ],
   "url": "https://aiatlasgraph.com/t/llmcaching",
   "markdown_url": "https://aiatlasgraph.com/t/llmcaching.md",
   "updated": "2026-10-30"
  },
  "llmdecompile": {
   "id": "llmdecompile",
   "parent_id": "binaryai",
   "label": "Dekompilacja z użyciem modeli językowych",
   "canonical_name": "Neural and LLM-based decompilation",
   "aliases": [
    "LLM decompilation",
    "neural decompilation",
    "decompiler output refinement",
    "binary-to-source translation",
    "dekompilacja neuronowa"
   ],
   "description": "Przekładanie kodu maszynowego lub wyniku klasycznego dekompilatora na czytelny, kompilowalny kod źródłowy przy pomocy modeli językowych.",
   "description_en": "Translating machine code, or a classic decompiler's output, into readable, compilable source code with language models.",
   "plain": "Model zamienia nieczytelny program na kod zbliżony do tego, co mógł napisać człowiek, z pętlami, warunkami i sensownymi nazwami.",
   "plain_en": "A model turns an unreadable program into code close to what a person might have written, with loops, conditions and sensible names.",
   "solves": "Klasyczne dekompilatory dają kod, który formalnie odpowiada programowi, ale jest tak zawiły, że trudno go zrozumieć lub ponownie uruchomić.",
   "solves_en": "Classic decompilers produce code that formally matches the program but is so convoluted it's hard to understand or run again.",
   "does": "Jak redaktor poprawiający dosłowny przekład maszynowy: sens zostaje, ale tekst wreszcie da się czytać.",
   "does_en": "Like an editor polishing a word-for-word machine translation: the meaning stays, but the text finally reads well.",
   "example": "Firma ma starą aplikację bez kodu źródłowego; model odtwarza z niej czytelny kod, który programiści kompilują i porównują z działaniem oryginału.",
   "example_en": "A company has an old app without source code; a model reconstructs readable code that developers compile and compare against the original's behaviour.",
   "for_you": [
    "analizujesz programy bez kodu źródłowego",
    "używasz klasycznego dekompilatora i męczysz się z jego wynikiem",
    "badasz tłumaczenie między językami programowania"
   ],
   "for_you_en": [
    "analyse programs without source code",
    "use a classic decompiler and struggle with its output",
    "research translation between programming languages"
   ],
   "how": "Model uczy się na milionach par: kod źródłowy i jego wersja po kompilacji na różnych poziomach optymalizacji. W trybie bezpośrednim tłumaczy asembler na kod źródłowy; w trybie poprawiania dostaje wynik klasycznego dekompilatora i go upraszcza. Oceną jest ponowna kompilowalność i to, czy kod przechodzi testy oryginału.",
   "how_en": "The model trains on millions of pairs: source code and its compiled form at various optimisation levels. In direct mode it translates assembly into source; in refinement mode it takes a classic decompiler's output and simplifies it. It is scored on recompilability and on whether the code passes the original's tests.",
   "limits": "Skuteczność spada przy wysokich poziomach optymalizacji, długich funkcjach i zaciemnionym kodzie. Wynik może wyglądać przekonująco, a działać inaczej niż oryginał. Większość badań dotyczy pojedynczych funkcji w C na jednej architekturze, a nie całych programów.",
   "limits_en": "Accuracy drops at high optimisation levels, on long functions and on obfuscated code. Output can look convincing yet behave differently from the original. Most research covers single C functions on one architecture, not whole programs.",
   "terms": [
    {
     "gloss": "Czy odtworzony kod kompiluje się i przechodzi testy oryginału.",
     "term": "ponowna wykonywalność"
    },
    {
     "gloss": "Jak mocno kompilator przekształcił kod, utrudniając jego odczytanie.",
     "term": "poziom optymalizacji"
    },
    {
     "gloss": "Czytelny dla ludzi zapis instrukcji procesora.",
     "term": "asembler"
    }
   ],
   "terms_en": [
    {
     "gloss": "Whether reconstructed code compiles and passes the original's tests.",
     "term": "re-executability"
    },
    {
     "gloss": "How heavily the compiler transformed code, making it harder to read.",
     "term": "optimisation level"
    },
    {
     "gloss": "A human-readable notation for processor instructions.",
     "term": "assembly"
    }
   ],
   "prereq": [
    "transformerfamilies",
    "continuedpretraining"
   ],
   "keywords": [
    "LLM4Decompile",
    "Ghidra",
    "ExeBench",
    "Decompile-Eval",
    "HumanEval",
    "re-executability",
    "decompiler refinement",
    "x86-64"
   ],
   "source_ids": [
    "tan-llm4decompile-2024"
   ],
   "url": "https://aiatlasgraph.com/t/llmdecompile",
   "markdown_url": "https://aiatlasgraph.com/t/llmdecompile.md",
   "updated": "2026-10-30"
  },
  "llmdocreview": {
   "id": "llmdocreview",
   "parent_id": "ediscovery",
   "label": "Przegląd dokumentów przez modele językowe",
   "canonical_name": "LLM-based document review (generative TAR)",
   "aliases": [
    "GenAI document review",
    "LLM document review",
    "generative AI review",
    "LLM relevance coding",
    "przegląd dokumentów z GenAI"
   ],
   "description": "Ocena istotności dokumentów w e-discovery przez LLM z promptem opisującym żądanie albo po dostrojeniu na zbiorze startowym, z generowanym uzasadnieniem.",
   "description_en": "Relevance assessment of documents in e-discovery by an LLM prompted with the request or fine-tuned on a seed set, with a generated rationale.",
   "plain": "Model językowy czyta każdy dokument w sprawie, ocenia, czy dotyczy sporu, i krótko uzasadnia swoją decyzję.",
   "plain_en": "A language model reads each document in a case, judges whether it concerns the dispute and briefly explains its decision.",
   "solves": "Klasyczne systemy wymagają na start tysięcy ocen prawnika i nie tłumaczą, czemu uznały dokument za ważny.",
   "solves_en": "Classic systems need thousands of lawyer judgments to start and do not explain why they marked a document as important.",
   "does": "Zamiast uczyć klasyfikator od zera, daje się modelowi opis tego, czego szukamy, jak instrukcję dla nowego członka zespołu.",
   "does_en": "Instead of training a classifier from scratch, you describe what you are looking for, like briefing a new team member.",
   "example": "Kancelaria opisuje w kilku zdaniach, jakich maili szuka w sporze o zmowę cenową, a system przegląda setki tysięcy wiadomości i dopisuje do każdej powód oceny.",
   "example_en": "A law firm describes in a few sentences which emails it needs in a price-fixing dispute; the system reviews hundreds of thousands, noting a reason for each.",
   "for_you": [
    "prowadzisz przegląd dużej liczby dokumentów w sporze",
    "zastanawiasz się, czy AI zastąpi pierwszą linię przeglądu"
   ],
   "for_you_en": [
    "run a review of many documents in a dispute",
    "wonder whether AI will replace first-pass review"
   ],
   "how": "Model dostaje opis żądania dowodowego i treść dokumentu, a zwraca decyzję o istotności z uzasadnieniem. Można go użyć bez treningu albo dostroić adapterami LoRA na ocenach z zestawu startowego. Kompletność procesu nadal waliduje się statystycznie na próbkach, jak w klasycznym TAR.",
   "how_en": "The model receives a description of the discovery request and the document text and returns a relevance decision with a rationale. It can be used without training or fine-tuned with LoRA adapters on seed-set judgments. Process recall is still validated statistically on samples, as in classic TAR.",
   "limits": "W badaniu na korpusie poczty modele bez dostrajania osiągały F1 około 0,6–0,66, a dostrajanie pomagało nierówno między tematami. Długie dokumenty trzeba przycinać lub dzielić. Koszt i czas na milionach dokumentów są znaczne, wynik może różnić się między uruchomieniami, a proces wymaga udokumentowanej walidacji.",
   "limits_en": "In a study on an email corpus, models without fine-tuning reached F1 of about 0.6–0.66, and fine-tuning helped unevenly across topics. Long documents must be truncated or split. Cost and time over millions of documents are considerable, results may vary between runs, and the process needs documented validation.",
   "terms": [
    {
     "gloss": "Przegląd dokumentów wspierany uczonym klasyfikatorem.",
     "term": "TAR"
    },
    {
     "gloss": "Pierwsze dokumenty ocenione przez prawnika.",
     "term": "zestaw startowy (seed set)"
    },
    {
     "gloss": "Odsetek wszystkich istotnych dokumentów, które proces znalazł.",
     "term": "recall"
    }
   ],
   "terms_en": [
    {
     "gloss": "Document review supported by a trained classifier.",
     "term": "TAR"
    },
    {
     "gloss": "The first documents judged by a lawyer.",
     "term": "seed set"
    },
    {
     "gloss": "The share of all relevant documents the process found.",
     "term": "recall"
    }
   ],
   "prereq": [
    "textclassification",
    "lora"
   ],
   "keywords": [
    "technology-assisted review",
    "EDRM Enron",
    "TREC Legal Track",
    "LoRA",
    "zero-shot classification",
    "recall validation",
    "elusion test",
    "LLM rationale"
   ],
   "source_ids": [
    "pai-open-llm-ediscovery-2023"
   ],
   "url": "https://aiatlasgraph.com/t/llmdocreview",
   "markdown_url": "https://aiatlasgraph.com/t/llmdocreview.md",
   "updated": "2026-10-30"
  },
  "llmevolution": {
   "id": "llmevolution",
   "parent_id": "evolutionary",
   "label": "Ewolucja z modelami językowymi",
   "canonical_name": "LLM-guided evolutionary search",
   "aliases": [
    "LLM-driven evolution",
    "evolutionary search with LLMs",
    "LLM + EA",
    "EA + LLM",
    "ewolucja kodu z LLM"
   ],
   "description": "Metody, w których duże modele językowe pełnią rolę operatorów zmienności w algorytmie ewolucyjnym, a ewaluator automatycznie ocenia programy, prompty lub agentów.",
   "description_en": "Methods where large language models act as variation operators in an evolutionary algorithm while an evaluator automatically scores programs, prompts or agents.",
   "plain": "Połączenie ewolucji z modelem językowym: model proponuje zmiany w kodzie lub tekście, a automatyczna ocena wybiera najlepsze.",
   "plain_en": "Evolution combined with a language model: the model proposes changes to code or text, and automatic scoring picks the best.",
   "solves": "Losowe zmiany w kodzie prawie zawsze go psują, a człowiek nie ma czasu sprawdzić tysięcy pomysłów.",
   "solves_en": "Random code changes almost always break it, and people lack time to test thousands of ideas.",
   "does": "Model działa jak pomysłowy praktykant zgłaszający poprawki, a bezlitosny tester sprawdza każdą i zostawia tylko te, które naprawdę pomagają.",
   "does_en": "The model acts like an inventive intern proposing fixes, while a relentless tester checks each and keeps only those that truly help.",
   "example": "Firma chce szybszego układania paczek w kontenerach; system przez noc generuje setki wersji programu i rano zostaje ta, która mieści najwięcej.",
   "example_en": "A firm wants faster packing of boxes into containers; overnight the system generates hundreds of program versions, and by morning the best packer remains.",
   "for_you": [
    "masz automatyczny test, który mierzy jakość rozwiązania",
    "chcesz, by AI ulepszała algorytmy albo prompty bez nadzoru"
   ],
   "for_you_en": [
    "have an automatic test measuring solution quality",
    "want AI to improve algorithms or prompts unattended"
   ],
   "how": "Baza programów przechowuje kandydatów i ich wyniki. Prompt zawiera kilku dobrych rodziców, a model językowy pisze zmodyfikowaną wersję, którą ewaluator uruchamia i ocenia. Wyspy populacji albo archiwum różnorodności chronią przed zbieżnością; ten sam schemat służy do ewolucji promptów i architektur agentów.",
   "how_en": "A program database stores candidates and scores. The prompt includes a few good parents, and a language model writes a modified version that an evaluator runs and scores. Population islands or a diversity archive prevent convergence; the same scheme evolves prompts and agent architectures.",
   "limits": "Działa tylko tam, gdzie da się szybko i wiarygodnie ocenić kandydata; słaby ewaluator jest wykorzystywany przez znalezione obejścia. Tysiące wywołań modelu kosztują, a odkrycia trzeba niezależnie zweryfikować.",
   "limits_en": "It works only where candidates can be scored quickly and reliably; a weak evaluator gets exploited by found loopholes. Thousands of model calls cost money, and discoveries need independent verification.",
   "terms": [
    {
     "gloss": "Automatyczny program oceniający poprawność i jakość kandydata.",
     "term": "ewaluator"
    },
    {
     "gloss": "Model językowy zamiast losowej zmiany proponuje sensowną modyfikację.",
     "term": "model jako operator mutacji"
    },
    {
     "gloss": "Kilka osobnych populacji z rzadką wymianą najlepszych kandydatów.",
     "term": "model wyspowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "An automatic program checking a candidate’s correctness and quality.",
     "term": "evaluator"
    },
    {
     "gloss": "A language model proposes a meaningful change instead of a random one.",
     "term": "LLM as mutation operator"
    },
    {
     "gloss": "Several separate populations occasionally exchanging their best candidates.",
     "term": "island model"
    }
   ],
   "prereq": [
    "geneticalgorithms",
    "aicoding"
   ],
   "keywords": [
    "AlphaEvolve",
    "FunSearch",
    "OpenEvolve",
    "ShinkaEvolve",
    "EvoPrompt",
    "GEPA",
    "Evolution of Heuristics",
    "ReEvo",
    "island model",
    "program database"
   ],
   "source_ids": [
    "alphaevolve2025",
    "evo-llm-survey-2024",
    "funsearch-2023",
    "evoprompt-2023"
   ],
   "url": "https://aiatlasgraph.com/t/llmevolution",
   "markdown_url": "https://aiatlasgraph.com/t/llmevolution.md",
   "updated": "2026-10-30"
  },
  "llmfuzzing": {
   "id": "llmfuzzing",
   "parent_id": "vulndiscovery",
   "label": "Fuzzing wspomagany modelami językowymi",
   "canonical_name": "LLM-assisted fuzzing",
   "aliases": [
    "LLM fuzz target generation",
    "AI-generated fuzz harnesses",
    "OSS-Fuzz-gen",
    "fuzzing z LLM",
    "LLM fuzz driver generation"
   ],
   "description": "Modele językowe piszą i poprawiają harnessy fuzzingowe oraz klasyfikują crashe, zwiększając pokrycie kodu testami bez ręcznej pracy.",
   "description_en": "Language models write and fix fuzzing harnesses and classify crashes, raising code coverage without manual work.",
   "plain": "Model językowy sam pisze programy testujące, które zasypują kod dziwnymi danymi, aż wyjdzie na jaw ukryty błąd.",
   "plain_en": "A language model writes test programs itself that pelt code with odd data until a hidden bug shows up.",
   "solves": "Fuzzing znajduje mnóstwo błędów, ale każdy test trzeba ręcznie napisać do konkretnej funkcji, więc duża część kodu nigdy nie jest sprawdzana.",
   "solves_en": "Fuzzing finds lots of bugs, but each test must be hand-written for a specific function, so much code is never checked.",
   "does": "Jak praktykant, który sam przygotowuje stanowiska do testów zderzeniowych dla każdej części auta, a inżynier tylko przegląda wyniki.",
   "does_en": "Like an apprentice who sets up crash-test rigs for every car part, while the engineer only reviews the results.",
   "example": "W szeroko używanej bibliotece szyfrującej test wygenerowany przez model trafia na błąd, który prawdopodobnie przetrwał w kodzie około dwudziestu lat.",
   "example_en": "In a widely used encryption library, a model-generated test hits a bug that had likely survived in the code for about twenty years.",
   "for_you": [
    "utrzymujesz bibliotekę w C lub C++",
    "chcesz zwiększyć pokrycie kodu testami",
    "interesuje cię, jak AI szuka błędów"
   ],
   "for_you_en": [
    "maintain a C or C++ library",
    "want to raise test coverage of your code",
    "are curious how AI hunts for bugs"
   ],
   "how": "Indeks projektu dostarcza modelowi definicje funkcji i typów, odwołania i istniejące testy. Model pisze harness, a błędy kompilacji, błędy wykonania i dane o pokryciu wracają do niego w pętli poprawek. Po dłuższym fuzzingu model klasyfikuje crashe jako błąd harnessu albo prawdziwy błąd projektu.",
   "how_en": "A project index supplies the model with function and type definitions, cross-references and existing tests. The model writes a harness, and compile errors, runtime errors and coverage data flow back to it in a fix loop. After longer fuzzing, the model classifies crashes as a harness bug or a real project bug.",
   "limits": "Pokrycie linii nie gwarantuje braku błędów, bo inne flagi i konfiguracje odsłaniają inne zachowania. Automatyczny triaż crashy nie jest jeszcze na tyle pewny, by zgłaszać błędy bez człowieka. Wymaga infrastruktury do budowania i uruchamiania projektu.",
   "limits_en": "Line coverage does not guarantee absence of bugs, as other flags and configurations expose other behaviour. Automated crash triage is not yet reliable enough to report bugs without a human. It requires infrastructure to build and run the project.",
   "terms": [
    {
     "gloss": "Jaka część kodu została faktycznie wykonana podczas testów.",
     "term": "pokrycie kodu"
    },
    {
     "gloss": "Funkcja przyjmująca dane od fuzzera i przekazująca je do testowanego kodu.",
     "term": "fuzz target"
    },
    {
     "gloss": "Dodatek kompilatora wykrywający błędy pamięci w trakcie działania.",
     "term": "sanitizer"
    }
   ],
   "terms_en": [
    {
     "gloss": "How much of the code actually ran during testing.",
     "term": "code coverage"
    },
    {
     "gloss": "A function that takes fuzzer input and passes it to the code under test.",
     "term": "fuzz target"
    },
    {
     "gloss": "A compiler add-on that catches memory errors at run time.",
     "term": "sanitizer"
    }
   ],
   "prereq": [
    "codecompletion",
    "agentharness"
   ],
   "keywords": [
    "OSS-Fuzz-gen",
    "OSS-Fuzz",
    "libFuzzer",
    "AFL++",
    "AddressSanitizer",
    "coverage-guided fuzzing",
    "crash triage",
    "fuzz driver generation"
   ],
   "source_ids": [
    "google-oss-fuzz-gen-2024"
   ],
   "url": "https://aiatlasgraph.com/t/llmfuzzing",
   "markdown_url": "https://aiatlasgraph.com/t/llmfuzzing.md",
   "updated": "2026-10-30"
  },
  "llmgateway": {
   "id": "llmgateway",
   "parent_id": "mlops",
   "label": "Bramka LLM: jedno API do wielu modeli",
   "canonical_name": "LLM gateway (AI gateway)",
   "aliases": [
    "LLM gateway",
    "AI gateway",
    "model gateway",
    "bramka LLM",
    "LLM proxy"
   ],
   "description": "Warstwa pośrednia przed wieloma dostawcami i modelami własnymi: jednolite API, centralne klucze i uprawnienia, limity zapytań i budżety, przełączanie awaryjne, rozkładanie ruchu oraz logowanie kosztów.",
   "description_en": "An intermediate layer in front of many providers and self-hosted models: one unified API, central keys and access control, rate limits and budgets, fallbacks, load balancing and cost logging.",
   "examples": "API zgodne z OpenAI dla wielu dostawców · wirtualne klucze i budżety · fallback przy awarii · śledzenie kosztów",
   "examples_en": "OpenAI-compatible API over many providers · virtual keys and budgets · fallback on outages · spend tracking",
   "plain": "To wspólna bramka, przez którą aplikacje korzystają z różnych modeli i dostawców.",
   "plain_en": "This shared gateway lets applications access different models and providers.",
   "solves": "Każda aplikacja osobno zarządza dostępem, kosztami i przełączaniem modeli, więc trudno utrzymać wspólne zasady.",
   "solves_en": "Each application separately manages access, costs and model switching, making shared rules difficult to maintain.",
   "does": "Warstwa pośrednia ujednolica zapytania, pilnuje uprawnień i limitów, zapisuje koszty oraz może kierować ruch do dostępnego modelu.",
   "does_en": "An intermediary standardises requests, enforces permissions and limits, records costs and can route traffic to an available model.",
   "example": "Zespół zmienia dostawcę odpowiedzi w jednej bramce zamiast poprawiać połączenia w każdej aplikacji.",
   "example_en": "A team changes its response provider in one gateway instead of updating connections in every application.",
   "for_you": [
    "korzystasz z kilku modeli lub dostawców",
    "potrzebujesz wspólnych limitów dostępu i kosztów"
   ],
   "for_you_en": [
    "use several models or providers",
    "need shared access and cost limits"
   ],
   "how": "Bramka uwierzytelnia żądanie, mapuje wspólny format na interfejs wybranego modelu i egzekwuje limity. Routing, ponowienia oraz przełączenia awaryjne wykorzystują stan dostawców, a ślad wiąże wersję, koszt i wynik z użytkownikiem.",
   "how_en": "A gateway authenticates requests, maps shared formats to selected model interfaces and enforces limits. Routing, retries and failovers use provider state, while traces link versions, costs and outcomes to users.",
   "limits": "Ujednolicony format nie usuwa różnic tokenizacji, narzędzi i semantyki modeli. Ponowienia mogą zwiększać koszt, a centralna bramka staje się punktem zależności; logi wymagają kontroli dostępu i danych.",
   "limits_en": "Shared formats cannot remove differences in tokenisation, tools and model semantics. Retries can raise costs, and central gateways become dependencies; logs need data and access controls.",
   "terms": [
    {
     "gloss": "Nazwa logiczna wskazująca wybraną wersję lub pulę modeli.",
     "term": "model alias"
    },
    {
     "gloss": "Przekierowanie wykonania po niedostępności podstawowej ścieżki.",
     "term": "failover"
    }
   ],
   "terms_en": [
    {
     "gloss": "A logical name referring to a model version or pool.",
     "term": "model alias"
    },
    {
     "gloss": "Rerouting execution when the primary path is unavailable.",
     "term": "failover"
    }
   ],
   "prereq": [
    "structured",
    "agentsecurity"
   ],
   "keywords": [
    "LiteLLM Proxy",
    "virtual keys",
    "model aliases",
    "provider failover",
    "budget enforcement",
    "rate limiting",
    "cost tracking"
   ],
   "source_ids": [
    "huyen-genai-platform-2024",
    "litellm-proxy"
   ],
   "url": "https://aiatlasgraph.com/t/llmgateway",
   "markdown_url": "https://aiatlasgraph.com/t/llmgateway.md",
   "updated": "2026-10-30"
  },
  "llmjudge": {
   "id": "llmjudge",
   "parent_id": "judges",
   "label": "Model językowy jako sędzia (LLM-as-a-judge)",
   "canonical_name": "LLM-as-a-judge",
   "aliases": [
    "LLM as a judge",
    "LLM judge",
    "model-based grader",
    "sędzia LLM",
    "ocena modelem językowym"
   ],
   "description": "Użycie modelu językowego jako automatycznego ewaluatora w trybie punktowym, parami lub z odpowiedzią wzorcową.",
   "description_en": "Using a language model as an automatic evaluator in single-answer, pairwise or reference-guided mode.",
   "plain": "Jeden model czyta odpowiedź innego i ocenia ją według podanych kryteriów, zamiast człowieka.",
   "plain_en": "One model reads another model's answer and grades it against given criteria, in place of a person.",
   "solves": "Ludzie nie nadążają czytać tysięcy odpowiedzi po każdej zmianie, a prosta reguła nie oceni tonu ani przydatności.",
   "solves_en": "People cannot read thousands of answers after every change, and a simple rule cannot judge tone or usefulness.",
   "does": "Działa jak egzaminator z kluczem: dostaje pytanie, odpowiedź i kryteria, wystawia ocenę albo wybiera lepszą z dwóch wersji.",
   "does_en": "It works like an examiner with a marking key: given the question, answer and criteria, it scores it or picks the better of two versions.",
   "example": "Po zmianie instrukcji asystenta obsługi klienta drugi model w nocy ocenia pięćset rozmów i rano widzisz, które odpowiedzi zrobiły się mniej uprzejme.",
   "example_en": "After you change a support assistant's instructions, a second model grades five hundred conversations overnight, and by morning you see which replies became less polite.",
   "for_you": [
    "oceniasz wiele odpowiedzi, których nie zdążysz przeczytać",
    "jakość zależy od tonu, kompletności albo przydatności",
    "porównujesz dwie wersje instrukcji dla modelu"
   ],
   "for_you_en": [
    "you assess more answers than you can read",
    "quality depends on tone, completeness or usefulness",
    "you compare two versions of a model's instructions"
   ],
   "how": "Prompt sędziego zawiera kryteria, zadanie i ocenianą odpowiedź; model zwraca uzasadnienie i werdykt. Warianty: ocena pojedynczej odpowiedzi w skali, porównanie parami z możliwością remisu oraz ocena z odpowiedzią wzorcową, pomocna np. w matematyce. Wynik sędziego kalibruje się na próbce ocen ludzi.",
   "how_en": "The judge prompt holds the criteria, task and answer; the model returns a rationale and verdict. Variants are single-answer grading on a scale, pairwise comparison with ties, and reference-guided grading, which helps on problems such as maths. Judge output is calibrated against a sample of human ratings.",
   "limits": "Sędzia bywa niedeterministyczny i podatny na kolejność, długość i styl odpowiedzi. Potrafi przepuścić błąd w zadaniu, które sam umiałby rozwiązać. Każde wywołanie kosztuje, a bez porównania z ocenami ludzi nie wiadomo, czy mu ufać.",
   "limits_en": "Judges can be non-deterministic and sensitive to answer order, length and style. They may miss errors on problems they could solve themselves. Every call costs money, and without comparison to human ratings their trustworthiness is unknown.",
   "terms": [
    {
     "gloss": "Sędzia wybiera lepszą z dwóch odpowiedzi albo ogłasza remis.",
     "term": "ocena parami"
    },
    {
     "gloss": "Sędzia dostaje poprawne rozwiązanie i porównuje z nim odpowiedź.",
     "term": "ocena z wzorcem"
    },
    {
     "gloss": "Binarna decyzja zamiast skali punktowej, łatwiejsza do sprawdzenia.",
     "term": "werdykt pass/fail"
    }
   ],
   "terms_en": [
    {
     "gloss": "The judge picks the better of two answers or declares a tie.",
     "term": "pairwise comparison"
    },
    {
     "gloss": "The judge receives a correct solution and compares the answer to it.",
     "term": "reference-guided grading"
    },
    {
     "gloss": "A binary decision instead of a score scale, easier to verify.",
     "term": "pass/fail verdict"
    }
   ],
   "prereq": [
    "promptstructure",
    "annotationguidelines"
   ],
   "keywords": [
    "MT-Bench",
    "pairwise comparison",
    "single answer grading",
    "reference-guided grading",
    "multi-judge consensus",
    "chain-of-thought judging",
    "judge prompt"
   ],
   "source_ids": [
    "zheng-llmjudge-2023",
    "anthropic-agent-evals-2026"
   ],
   "url": "https://aiatlasgraph.com/t/llmjudge",
   "markdown_url": "https://aiatlasgraph.com/t/llmjudge.md",
   "updated": "2026-10-30"
  },
  "llmkernels": {
   "id": "llmkernels",
   "parent_id": "aicoding",
   "label": "Kernele pisane przez LLM",
   "canonical_name": "LLM-generated kernels",
   "description": "Modele i agenci, którzy sami piszą i przyspieszają kod GPU — z RL i przeszukiwaniem ewolucyjnym.",
   "description_en": "Models and agents that write and speed up GPU code themselves — with RL and evolutionary search.",
   "examples": "KernelBench · RL wieloturowe · AlphaEvolve",
   "examples_en": "KernelBench · multi-turn RL · AlphaEvolve",
   "plain": "To używanie sztucznej inteligencji do pisania małych fragmentów kodu, które przyspieszają obliczenia na układach graficznych.",
   "plain_en": "This uses artificial intelligence to write small pieces of code that make calculations run faster on graphics chips.",
   "solves": "Obliczenia zużywają dużo czasu i energii, a ręczne dopasowanie kodu do sprzętu wymaga wielu prób.",
   "solves_en": "Calculations take too much time and energy, while adapting code to the hardware by hand requires many attempts.",
   "does": "Model proponuje różne wersje kodu, a program porównuje czas ich działania i sprawdza zgodność wyników.",
   "does_en": "A model proposes code variants, while a program measures how long they take and checks their results against the expected output.",
   "example": "Program, w którym tworzysz plakat, może korzystać z szybszego kodu obliczeń napisanego przez model i sprawdzonego przed użyciem.",
   "example_en": "The program you use to create a poster can run faster calculation code written by a model and checked before use.",
   "for_you": [
    "próbujesz skrócić czas kosztownych obliczeń",
    "chcesz przyspieszyć własny program na układzie graficznym"
   ],
   "for_you_en": [
    "want costly calculations to finish sooner",
    "want your program to run faster on a graphics chip"
   ],
   "how": "Model generuje kernel, który implementuje zadaną operację tensorową. Kompilacja, porównanie wyników i pomiary na docelowym sprzęcie dostarczają informacji zwrotnej do kolejnych propozycji, wybieranych przez przeszukiwanie lub trening z nagrodą.",
   "how_en": "The model generates a kernel implementing a specified tensor operation. Compilation, output comparisons and measurements on target hardware provide feedback for subsequent candidates, selected through search or reward-based training.",
   "limits": "Szybkość zależy od sprzętu, rozmiarów tensorów i precyzji obliczeń. Testy muszą wykrywać błędne wyniki oraz niestabilne pomiary; poprawa dla jednego przypadku nie gwarantuje poprawy dla innych.",
   "limits_en": "Speed depends on hardware, tensor shapes and numerical precision. Tests must detect incorrect outputs and unstable measurements; improvement on one case does not guarantee improvement on others.",
   "terms": [
    {
     "gloss": "Funkcja wykonująca obliczenia równolegle na akceleratorze.",
     "term": "kernel"
    },
    {
     "gloss": "Pomiar czasu i użycia zasobów podczas wykonania kodu.",
     "term": "profilowanie"
    },
    {
     "gloss": "Dopuszczalna różnica między wynikiem obliczeń a wynikiem referencyjnym.",
     "term": "tolerancja numeryczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A function executing computations in parallel on an accelerator.",
     "term": "kernel"
    },
    {
     "gloss": "Measuring runtime and resource use during code execution.",
     "term": "profiling"
    },
    {
     "gloss": "The permitted difference between a computed output and its reference.",
     "term": "numerical tolerance"
    }
   ],
   "prereq": [
    "gpuprog",
    "profiling"
   ],
   "keywords": [
    "KernelBench",
    "AlphaEvolve",
    "Triton",
    "CUDA",
    "PyTorch",
    "numerical tolerance",
    "GPU profiling"
   ],
   "source_ids": [
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/llmkernels",
   "markdown_url": "https://aiatlasgraph.com/t/llmkernels.md",
   "updated": "2026-10-30"
  },
  "llmnpc": {
   "id": "llmnpc",
   "parent_id": "gamecharacters",
   "label": "Postacie rozmawiające dzięki modelom językowym",
   "canonical_name": "LLM-driven NPCs and generative agents",
   "aliases": [
    "LLM NPCs",
    "generative agents",
    "AI NPC",
    "postacie z modelem językowym",
    "generatywni agenci",
    "conversational NPCs",
    "AI game master"
   ],
   "description": "Postacie i symulacje społeczne napędzane modelami językowymi z pamięcią, refleksją i planowaniem, osadzone w regułach i stanie gry.",
   "description_en": "Characters and social simulations driven by language models with memory, reflection and planning, grounded in game rules and state.",
   "plain": "Postacie w grze, z którymi rozmawiasz własnymi słowami, a one odpowiadają w roli, pamiętają cię i mają własne plany.",
   "plain_en": "Game characters you talk to in your own words, who answer in character, remember you and have plans of their own.",
   "solves": "Rozmowy z postaciami ograniczają się do kilku gotowych odpowiedzi, więc świat gry szybko wydaje się sztuczny i pusty.",
   "solves_en": "Conversations with characters are limited to a few canned replies, so the game world soon feels artificial and empty.",
   "does": "Jak aktor improwizujący w roli: zna swoją postać i jej historię, więc odpowie na pytanie, którego nikt nie napisał w scenariuszu.",
   "does_en": "Like an improv actor in character: knowing the role and its backstory, it answers questions no script ever covered.",
   "example": "Pytasz karczmarza w grze o plotki z miasta, a on opowiada o kłótni kowala z sąsiadem i pamięta, że wczoraj nie zapłaciłeś za piwo.",
   "example_en": "You ask a game innkeeper for town gossip, and he tells of the smith's feud with a neighbour and recalls you skipped paying for ale yesterday.",
   "for_you": [
    "chcesz rozmawiać z postaciami w grach naturalnie",
    "piszesz fabułę lub postacie do gry",
    "grasz w gry fabularne z AI jako mistrzem gry"
   ],
   "for_you_en": [
    "want natural conversations with game characters",
    "write stories or characters for games",
    "play role-playing games with AI as game master"
   ],
   "how": "Model językowy dostaje opis postaci, stan gry i wspomnienia wyszukane z pamięci zapisanej w języku naturalnym. Okresowo syntetyzuje z doświadczeń wnioski wyższego poziomu i układa plan dnia. Odpowiedzi i akcje są filtrowane przez reguły gry, a mowę generuje synteza głosu.",
   "how_en": "The language model gets a character description, the game state and memories retrieved from a natural-language store. It periodically synthesises higher-level reflections from experience and plans its day. Replies and actions are filtered through game rules, and speech comes from voice synthesis.",
   "limits": "Postać może wymyślić nieistniejące zadania lub wyjść z roli. Opóźnienie i koszt każdego zapytania rosną z liczbą graczy, a pamięć jest krótka. Trzeba pilnować toksycznych treści, a zmiany modeli u dostawcy psują powtarzalność.",
   "limits_en": "A character may invent quests that do not exist or break role. Latency and per-query cost grow with player numbers, and memory is short. Toxic output must be guarded against, and provider model updates break reproducibility.",
   "terms": [
    {
     "gloss": "Lista doświadczeń postaci zapisana zwykłym językiem.",
     "term": "strumień pamięci"
    },
    {
     "gloss": "Okresowe wyciąganie ogólnych wniosków z wielu wspomnień.",
     "term": "refleksja"
    },
    {
     "gloss": "Opis osobowości, historii i celów podawany modelowi.",
     "term": "karta postaci"
    }
   ],
   "terms_en": [
    {
     "gloss": "A list of the character's experiences in plain language.",
     "term": "memory stream"
    },
    {
     "gloss": "Periodically drawing general conclusions from many memories.",
     "term": "reflection"
    },
    {
     "gloss": "A description of personality, backstory and goals given to the model.",
     "term": "character sheet"
    }
   ],
   "prereq": [
    "agentsnode",
    "memory"
   ],
   "keywords": [
    "generative agents",
    "memory stream",
    "reflection",
    "Smallville",
    "NVIDIA ACE",
    "AI Dungeon",
    "role-playing LLMs",
    "persona consistency",
    "Inworld"
   ],
   "source_ids": [
    "park-generative-agents-2023",
    "gallotta-llm-games-2024"
   ],
   "url": "https://aiatlasgraph.com/t/llmnpc",
   "markdown_url": "https://aiatlasgraph.com/t/llmnpc.md",
   "updated": "2026-10-30"
  },
  "llmoperators": {
   "id": "llmoperators",
   "parent_id": "llmevolution",
   "label": "Model językowy jako operator krzyżowania i mutacji",
   "canonical_name": "Language models as evolutionary variation operators",
   "aliases": [
    "LLM mutation operator",
    "LLM crossover",
    "language model crossover",
    "LLM variation operator",
    "model językowy jako operator zmienności"
   ],
   "description": "Użycie modelu językowego jako operatora zmienności w algorytmie ewolucyjnym: mutacji przez edycję lub krzyżowania przez prompt kilku rodziców.",
   "description_en": "Using a language model as the variation operator in an evolutionary algorithm: mutation by editing or crossover by prompting several parents.",
   "plain": "W sztucznej ewolucji losowe zmiany zastępuje model językowy, który proponuje sensowne warianty kodu albo tekstu.",
   "plain_en": "In artificial evolution, random changes are replaced by a language model that suggests sensible variants of code or text.",
   "solves": "Losowe zmiany w kodzie czy zdaniu prawie zawsze go psują, więc klasyczna ewolucja programów marnuje większość prób.",
   "solves_en": "Random changes to code or a sentence almost always break it, so classic program evolution wastes most attempts.",
   "does": "Model widział miliony ludzkich poprawek, więc zmienia rozwiązanie tak, jak zrobiłby to człowiek; pokazane kilka rodziców łączy w nowego potomka.",
   "does_en": "Having seen millions of human edits, the model changes a solution as a person would; shown a few parents, it blends a new child.",
   "example": "Projektant gry chce setek różnych chodzących stworków; model przerabia kod istniejących, a symulacja zostawia te, które faktycznie idą naprzód.",
   "example_en": "A game designer wants hundreds of different walking creatures; the model rewrites existing code and a simulation keeps those that actually move forward.",
   "for_you": [
    "łączysz ewolucję z modelami językowymi",
    "chcesz rozwijać kod lub tekst przez wiele pokoleń"
   ],
   "for_you_en": [
    "combine evolution with language models",
    "want to evolve code or text over many generations"
   ],
   "how": "Przy mutacji model dostaje rodzica, np. program, i polecenie wprowadzenia zmiany, podobnie jak w historii zmian kodu. Przy krzyżowaniu kilka genotypów tekstowych trafia do promptu jako przykłady, a kontynuację modelu parsuje się jako potomka. Reszta pętli, czyli ocena, selekcja i archiwum, np. MAP-Elites, pozostaje klasyczna.",
   "how_en": "For mutation the model receives a parent, such as a program, and an instruction to change it, much like a code diff history. For crossover several text genotypes go into a few-shot prompt and the model's continuation is parsed as offspring. The rest of the loop, evaluation, selection and an archive such as MAP-Elites, stays classical.",
   "limits": "Każdy potomek kosztuje wywołanie modelu, a jego odpowiedź trzeba niezawodnie sparsować do postaci poprawnego genotypu. Opublikowane eksperymenty LMX obejmowały pięć rodzajów reprezentacji tekstowej, więc skuteczność w innych domenach wymaga osobnego sprawdzenia.",
   "limits_en": "Each offspring costs a model call, and its response must be parsed reliably into a valid genotype. Published LMX experiments covered five kinds of text representation, so effectiveness in other domains needs separate validation.",
   "terms": [
    {
     "gloss": "Reguła tworzenia nowego kandydata z istniejących.",
     "term": "operator zmienności"
    },
    {
     "gloss": "Rozwiązanie zapisane jako tekst: kod, zdanie lub wzór.",
     "term": "genotyp tekstowy"
    },
    {
     "gloss": "Model łączy kilku rodziców pokazanych mu jako przykłady.",
     "term": "krzyżowanie przez prompt"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule for creating a new candidate from existing ones.",
     "term": "variation operator"
    },
    {
     "gloss": "A solution written as text: code, a sentence or a formula.",
     "term": "text genotype"
    },
    {
     "gloss": "The model blends several parents shown to it as examples.",
     "term": "prompt-based crossover"
    }
   ],
   "prereq": [
    "fewshotprompting"
   ],
   "keywords": [
    "Evolution through Large Models",
    "ELM",
    "Language Model Crossover",
    "LMX",
    "diff models",
    "OpenELM",
    "Sodarace",
    "MAP-Elites"
   ],
   "source_ids": [
    "lmx-2023"
   ],
   "url": "https://aiatlasgraph.com/t/llmoperators",
   "markdown_url": "https://aiatlasgraph.com/t/llmoperators.md",
   "updated": "2026-10-30"
  },
  "llmprogramsearch": {
   "id": "llmprogramsearch",
   "parent_id": "llmevolution",
   "label": "Ewolucyjne odkrywanie algorytmów z LLM",
   "canonical_name": "LLM-driven program and algorithm evolution",
   "aliases": [
    "program search",
    "algorithm discovery",
    "automated heuristic design",
    "FunSearch",
    "AlphaEvolve",
    "OpenEvolve",
    "odkrywanie algorytmów"
   ],
   "description": "Ewolucyjne przeszukiwanie przestrzeni programów, w którym model językowy generuje warianty kodu, a ewaluator ocenia je na zadaniu matematycznym lub inżynierskim.",
   "description_en": "Evolutionary search over programs in which a language model generates code variants and an evaluator scores them on a mathematical or engineering task.",
   "plain": "Model językowy wielokrotnie przepisuje fragment programu, a test mierzy każdą wersję, aż powstanie algorytm lepszy od znanych.",
   "plain_en": "A language model repeatedly rewrites part of a program while a test measures each version, until an algorithm beats known ones.",
   "solves": "Dobre algorytmy i reguły praktyczne wymyślają eksperci latami, a wiele problemów nigdy nie dostało takiej uwagi.",
   "solves_en": "Experts take years to invent good algorithms and rules of thumb, and many problems never get that attention.",
   "does": "Szuka programu, który rozwiązuje problem, a nie samej odpowiedzi; wynik jest czytelnym kodem, który ekspert może zrozumieć i sprawdzić.",
   "does_en": "It searches for a program that solves the problem, not just the answer; the result is readable code an expert can understand and check.",
   "example": "Centrum danych zyskuje nową regułę przydzielania zadań serwerom, wymyśloną przez system w nocnych próbach i sprawdzoną przez inżynierów.",
   "example_en": "A data centre gains a new rule for assigning jobs to servers, invented by the system in overnight trials and checked by engineers.",
   "for_you": [
    "masz problem optymalizacyjny z łatwą do policzenia oceną",
    "chcesz automatycznie ulepszać istniejący kod pod względem szybkości"
   ],
   "for_you_en": [
    "have an optimisation problem with an easily computed score",
    "want to improve existing code’s speed automatically"
   ],
   "how": "Użytkownik oznacza fragment kodu do ewolucji i dostarcza funkcję oceny. System wybiera rodziców z bazy programów, buduje prompt z ich kodem i wynikami, a model proponuje zmianę w formie poprawki lub nowej funkcji. Warianty dodają opis idei w języku naturalnym, odrzucanie powtórzeń i dobór modeli bandytą.",
   "how_en": "The user marks code to evolve and supplies a scoring function. The system picks parents from a program database, builds a prompt with their code and scores, and the model proposes a change as a diff or new function. Variants add natural-language idea descriptions, duplicate rejection and bandit-based model selection.",
   "limits": "Wymaga problemów z szybkim, automatycznym i trudnym do oszukania testem; nie nadaje się do celów ocenianych przez ludzi. Deklarowane rekordy pochodzą często od twórców systemów i wymagają niezależnego potwierdzenia.",
   "limits_en": "It needs problems with fast, automatic, hard-to-game tests; it does not suit goals judged by people. Claimed records often come from system builders and need independent confirmation.",
   "terms": [
    {
     "gloss": "Szukanie kodu generującego rozwiązanie zamiast samego rozwiązania.",
     "term": "przeszukiwanie programów"
    },
    {
     "gloss": "Praktyczna reguła decyzji, szybka, choć bez gwarancji optymalności.",
     "term": "heurystyka"
    }
   ],
   "terms_en": [
    {
     "gloss": "Searching for code that produces a solution rather than the solution.",
     "term": "program search"
    },
    {
     "gloss": "A practical decision rule, fast though not guaranteed optimal.",
     "term": "heuristic"
    }
   ],
   "prereq": [
    "aicoding",
    "localsearch"
   ],
   "keywords": [
    "AlphaEvolve",
    "FunSearch",
    "OpenEvolve",
    "ShinkaEvolve",
    "Evolution of Heuristics",
    "ReEvo",
    "cap set",
    "online bin packing",
    "circle packing"
   ],
   "source_ids": [
    "alphaevolve2025",
    "funsearch-2023",
    "eoh-2024",
    "shinkaevolve-2025",
    "openevolve-github"
   ],
   "url": "https://aiatlasgraph.com/t/llmprogramsearch",
   "markdown_url": "https://aiatlasgraph.com/t/llmprogramsearch.md",
   "updated": "2026-10-30"
  },
  "llmtaskplanning": {
   "id": "llmtaskplanning",
   "parent_id": "robotfoundation",
   "label": "Planowanie zadań robota z modelem językowym",
   "canonical_name": "Language-model task planning for robots",
   "aliases": [
    "LLM task planning",
    "SayCan",
    "Code as Policies",
    "language grounding for robots",
    "planowanie z LLM",
    "planowanie zadań robota"
   ],
   "description": "Użycie modeli językowych do rozkładu poleceń na sekwencje umiejętności robota lub do pisania kodu sterującego, z ugruntowaniem w scenie i możliwościach.",
   "description_en": "Using language models to decompose instructions into sequences of robot skills or to write control code, grounded in the scene and capabilities.",
   "plain": "Model językowy rozbija polecenie typu „posprzątaj stół” na kroki, które robot umie wykonać.",
   "plain_en": "A language model breaks a request like “tidy the table” into steps the robot knows how to perform.",
   "solves": "Ludzie mówią ogólnikami, a robot zna tylko proste czynności; ktoś musi przełożyć jedno na drugie.",
   "solves_en": "People speak in generalities while a robot knows only simple actions; someone has to translate one into the other.",
   "does": "Działa jak brygadzista: rozumie sens polecenia, dzieli pracę na znane robotowi ruchy i sprawdza, co da się teraz zrobić.",
   "does_en": "Like a foreman, it grasps the request, splits the work into moves the robot knows and checks what is feasible right now.",
   "example": "Mówisz: „rozlałem sok, pomóż”, a robot kolejno przynosi gąbkę, wyciera blat i wyrzuca pustą butelkę.",
   "example_en": "You say “I spilled some juice, help”, and the robot fetches a sponge, wipes the counter and throws away the empty bottle.",
   "for_you": [
    "chcesz sterować robotem zwykłymi zdaniami",
    "łączysz model językowy z gotowymi umiejętnościami robota",
    "budujesz robota-asystenta do domu lub magazynu"
   ],
   "for_you_en": [
    "want to control a robot with ordinary sentences",
    "connect a language model to existing robot skills",
    "build an assistant robot for a home or warehouse"
   ],
   "how": "W SayCan model językowy ocenia, która umiejętność przybliża do celu polecenia, a funkcja wartości tej umiejętności – czy jest wykonalna w bieżącym stanie. Code as Policies każe modelowi pisać programy wywołujące API percepcji i ruchu. Sprzężenie zwrotne ze sceny pozwala korygować plan.",
   "how_en": "In SayCan, a language model scores which skill helps with the instruction, and that skill's value function scores whether it is feasible in the current state. Code as Policies has the model write programs calling perception and motion APIs. Scene feedback lets the plan be corrected.",
   "limits": "Model językowy nie widzi fizyki: może zaplanować kroki niewykonalne lub niebezpieczne. Całość zależy od jakości gotowych umiejętności niskiego poziomu. Opóźnienia i halucynacje utrudniają pracę w zmiennym otoczeniu.",
   "limits_en": "The language model does not see physics, so it can plan infeasible or unsafe steps. Everything depends on the quality of existing low-level skills. Latency and hallucinations hinder work in changing surroundings.",
   "terms": [
    {
     "gloss": "To, co w danej sytuacji da się faktycznie zrobić z przedmiotem.",
     "term": "afordancja"
    },
    {
     "gloss": "Zestaw gotowych czynności robota, np. „podnieś”, „otwórz szufladę”.",
     "term": "biblioteka umiejętności"
    },
    {
     "gloss": "Zadanie wymagające wielu kolejnych kroków.",
     "term": "długi horyzont"
    }
   ],
   "terms_en": [
    {
     "gloss": "What can actually be done with an object in a given situation.",
     "term": "affordance"
    },
    {
     "gloss": "A set of ready robot actions, e.g. “pick up”, “open drawer”.",
     "term": "skill library"
    },
    {
     "gloss": "A task requiring many successive steps.",
     "term": "long horizon"
    }
   ],
   "prereq": [
    "classicalplanning",
    "fewshotprompting"
   ],
   "keywords": [
    "SayCan",
    "Code as Policies",
    "Inner Monologue",
    "VoxPoser",
    "ProgPrompt",
    "task and motion planning"
   ],
   "source_ids": [
    "foundation-models-robotics-2023",
    "saycan-2022",
    "code-as-policies-2022"
   ],
   "url": "https://aiatlasgraph.com/t/llmtaskplanning",
   "markdown_url": "https://aiatlasgraph.com/t/llmtaskplanning.md",
   "updated": "2026-10-30"
  },
  "llmtracing": {
   "id": "llmtracing",
   "parent_id": "monitoring",
   "label": "Śledzenie wywołań modeli i agentów (tracing)",
   "canonical_name": "LLM and agent tracing",
   "aliases": [
    "LLM tracing",
    "agent tracing",
    "LLM observability",
    "OpenTelemetry GenAI",
    "spans",
    "ślady wykonania"
   ],
   "description": "Instrumentacja aplikacji LLM, która zapisuje wywołania modeli, narzędzi i agentów jako drzewo spanów z atrybutami.",
   "description_en": "Instrumenting LLM applications to record model, tool and agent calls as a tree of spans with attributes.",
   "plain": "Zapis krok po kroku, co system z modelem robił: jakie pytania wysłał, jakich narzędzi użył, ile to trwało i kosztowało.",
   "plain_en": "A step-by-step record of what a model-based system did: what it asked, which tools it used, how long it took and what it cost.",
   "solves": "Gdy agent zrobi coś dziwnego w środku długiego zadania, bez zapisu nie da się ustalić, który krok zawiódł.",
   "solves_en": "When an agent does something odd midway through a long task, without a record you cannot tell which step failed.",
   "does": "Jak czarna skrzynka w samolocie: każdy krok zapisuje się jako zagnieżdżony odcinek z czasem, wejściem i wynikiem, więc można odtworzyć cały lot.",
   "does_en": "Like a flight recorder: each step is logged as a nested segment with timing, input and output, so the whole flight can be replayed.",
   "example": "Klient skarży się na złą odpowiedź; otwierasz zapis jego rozmowy i widzisz, że wyszukiwanie zwróciło pusty wynik, a asystent zgadł dalej.",
   "example_en": "A customer complains about a bad answer; you open the record of their chat and see the search returned nothing and the assistant guessed.",
   "for_you": [
    "szukasz przyczyny błędów agenta w długich zadaniach",
    "chcesz wiedzieć, ile kosztuje i trwa każdy krok"
   ],
   "for_you_en": [
    "you hunt for the cause of agent errors in long tasks",
    "you want to know each step's cost and duration"
   ],
   "how": "Każda operacja (wywołanie modelu, narzędzia, agenta, wyszukiwania) staje się spanem z czasem trwania i atrybutami, np. nazwą operacji, modelem i liczbą tokenów; spany łączą się w drzewo jednego śladu. Konwencje semantyczne OpenTelemetry dla GenAI ujednolicają te nazwy; treść wiadomości zapisuje się tylko po włączeniu (opt-in).",
   "how_en": "Each operation (model call, tool, agent, retrieval) becomes a span with duration and attributes such as operation name, model and token counts; spans nest into a single trace tree. OpenTelemetry GenAI semantic conventions standardise these names; message content is recorded only when opted in.",
   "limits": "Konwencje dla GenAI są wciąż w fazie rozwojowej i się zmieniają. Zapisywanie treści rozmów grozi wyciekiem danych osobowych i zwiększa koszty przechowywania. Sam ślad niczego nie ocenia: trzeba go jeszcze przejrzeć lub ocenić.",
   "limits_en": "GenAI conventions are still in development and keep changing. Recording conversation content risks leaking personal data and raises storage costs. A trace grades nothing by itself: it still has to be reviewed or scored.",
   "terms": [
    {
     "gloss": "Jeden zapisany krok z początkiem, końcem i opisem.",
     "term": "span"
    },
    {
     "gloss": "Drzewo spanów opisujące jedno pełne zadanie lub żądanie.",
     "term": "trace"
    },
    {
     "gloss": "Wspólne nazwy atrybutów, dzięki którym narzędzia rozumieją te same dane.",
     "term": "konwencje semantyczne"
    }
   ],
   "terms_en": [
    {
     "gloss": "One recorded step with a start, end and description.",
     "term": "span"
    },
    {
     "gloss": "A tree of spans describing one full task or request.",
     "term": "trace"
    },
    {
     "gloss": "Shared attribute names so tools understand the same data.",
     "term": "semantic conventions"
    }
   ],
   "prereq": [
    "agentharness",
    "tools"
   ],
   "keywords": [
    "OpenTelemetry",
    "GenAI semantic conventions",
    "spans",
    "invoke_agent",
    "execute_tool",
    "token usage",
    "LLM observability"
   ],
   "source_ids": [
    "otel-genai-spans"
   ],
   "url": "https://aiatlasgraph.com/t/llmtracing",
   "markdown_url": "https://aiatlasgraph.com/t/llmtracing.md",
   "updated": "2026-10-30"
  },
  "llmtradingagents": {
   "id": "llmtradingagents",
   "parent_id": "quanttrading",
   "label": "Zespoły agentów językowych podejmujące decyzje inwestycyjne",
   "canonical_name": "LLM multi-agent trading systems",
   "aliases": [
    "LLM trading agents",
    "multi-agent trading",
    "LLM investing agents",
    "agenci inwestycyjni"
   ],
   "description": "Systemy, w których wyspecjalizowani agenci LLM (analitycy, debata, trader, ryzyko) wspólnie podejmują decyzje handlowe na danych rynkowych i tekstowych.",
   "description_en": "Systems where specialised LLM agents (analysts, debate, trader, risk) jointly make trading decisions from market and text data.",
   "plain": "Kilka współpracujących programów AI, które jak zespół w funduszu czytają wiadomości, spierają się i decydują o kupnie akcji.",
   "plain_en": "Several cooperating AI programs that, like a fund's team, read news, argue and decide whether to buy shares.",
   "solves": "Decyzja inwestycyjna wymaga zestawienia wielu źródeł i punktów widzenia, a jeden model łatwo ulega jednej narracji.",
   "solves_en": "An investment decision needs many sources and viewpoints, and a single model easily falls for one narrative.",
   "does": "Dzieli pracę na role: analityków, optymistę i pesymistę w debacie, tradera i strażnika ryzyka, jak w prawdziwej firmie.",
   "does_en": "Splits work into roles: analysts, an optimist and a pessimist in debate, a trader and a risk officer, as in a real firm.",
   "example": "Przed decyzją o akcjach jeden agent streszcza raport, drugi nastroje w sieci, dwaj spierają się o perspektywy, a ostatni ogranicza wielkość pozycji.",
   "example_en": "Before a share decision, one agent summarises the report, another online sentiment, two debate the outlook, and a last one caps position size.",
   "for_you": [
    "testujesz AI do inwestowania własnych pieniędzy",
    "budujesz systemy wieloagentowe",
    "oceniasz obietnice narzędzi „AI-tradera”"
   ],
   "for_you_en": [
    "test AI for investing your own money",
    "build multi-agent systems",
    "assess claims of 'AI trader' tools"
   ],
   "how": "Agenci analityczni przetwarzają fundamenty, wiadomości, nastroje i wskaźniki techniczne; agenci „byka” i „niedźwiedzia” spierają się, trader podejmuje decyzję, a zespół ryzyka kontroluje ekspozycję. Ocena polega na backteście: stopa zwrotu, współczynnik Sharpe’a, maksymalne obsunięcie. Szersze testy na dłuższym okresie i większej liczbie spółek pokazują, że wcześniej raportowana przewaga często znika.",
   "how_en": "Analyst agents process fundamentals, news, sentiment and technical indicators; bull and bear agents debate, a trader decides, and a risk team controls exposure. Evaluation is a backtest: return, Sharpe ratio, maximum drawdown. Broader tests over longer periods and more stocks show that previously reported advantages often vanish.",
   "limits": "Wiele badań testuje na krótkich okresach i kilku zwycięskich spółkach, co daje obciążenia przetrwania, wiedzy z przyszłości i nadmiernego dopasowania. Model mógł znać testowany okres z treningu. W hossie strategie bywają zbyt ostrożne, w bessie zbyt agresywne.",
   "limits_en": "Many studies test on short windows and a few winning stocks, causing survivorship, look-ahead and data-snooping biases. The model may know the test period from training. Strategies tend to be too cautious in bull markets and too aggressive in bear markets.",
   "terms": [
    {
     "gloss": "Gdy test nieświadomie korzysta z informacji niedostępnych w danym dniu.",
     "term": "obciążenie wiedzy z przyszłości"
    },
    {
     "gloss": "Pominięcie spółek, które upadły lub zeszły z giełdy.",
     "term": "obciążenie przetrwania"
    },
    {
     "gloss": "Największy spadek wartości portfela od szczytu.",
     "term": "maksymalne obsunięcie"
    }
   ],
   "terms_en": [
    {
     "gloss": "When a test unknowingly uses information unavailable on that day.",
     "term": "look-ahead bias"
    },
    {
     "gloss": "Leaving out companies that failed or were delisted.",
     "term": "survivorship bias"
    },
    {
     "gloss": "Largest fall in portfolio value from a peak.",
     "term": "maximum drawdown"
    }
   ],
   "prereq": [
    "agentsnode"
   ],
   "keywords": [
    "TradingAgents",
    "FinMem",
    "FINSABER",
    "bull-bear debate",
    "multi-agent LLM",
    "look-ahead bias",
    "Sharpe ratio",
    "backtesting"
   ],
   "source_ids": [
    "tradingagents-2024",
    "finsaber-2025"
   ],
   "url": "https://aiatlasgraph.com/t/llmtradingagents",
   "markdown_url": "https://aiatlasgraph.com/t/llmtradingagents.md",
   "updated": "2026-10-30"
  },
  "llmtutors": {
   "id": "llmtutors",
   "parent_id": "tutoring",
   "label": "Korepetytorzy na modelach językowych z zabezpieczeniami pedagogicznymi",
   "canonical_name": "LLM tutors with pedagogical guardrails",
   "aliases": [
    "LLM tutors",
    "AI tutors",
    "Socratic tutoring",
    "pedagogical instruction following",
    "guardrailed tutor",
    "korepetytor AI",
    "tutor sokratejski"
   ],
   "description": "Tutorzy oparci na LLM, sterowani instrukcjami pedagogicznymi i ograniczeniami (wskazówki zamiast odpowiedzi, przygotowane rozwiązania, scaffolding), oceniani wpływem na naukę.",
   "description_en": "LLM-based tutors steered by pedagogical instructions and constraints (hints instead of answers, prepared solutions, scaffolding), judged by their effect on learning.",
   "plain": "Czatboty ustawione tak, by uczyły: zadają pytania naprowadzające i dają wskazówki, zamiast od razu podawać gotowe rozwiązanie.",
   "plain_en": "Chatbots set up to teach: they ask guiding questions and give hints instead of handing over the finished solution straight away.",
   "solves": "Zwykły czatbot odrabia zadanie za ucznia, więc praca domowa wygląda dobrze, ale na sprawdzianie bez pomocy uczeń radzi sobie gorzej.",
   "solves_en": "An ordinary chatbot does the homework for the student, so the work looks good, but on an unaided test the student does worse.",
   "does": "Jak dobry nauczyciel na dyżurze: pyta „a co już wiesz?”, naprowadza krok po kroku i zostawia uczniowi ostatni ruch.",
   "does_en": "Like a good teacher in office hours: asks “what do you already know?”, nudges step by step and leaves the last move to the student.",
   "example": "Licealistka wpisuje zadanie z fizyki; asystent nie podaje wyniku, tylko pyta, jakie siły działają na klocek, i sprawdza jej odpowiedź.",
   "example_en": "A secondary-school student types in a physics problem; the assistant does not give the result but asks which forces act on the block and checks her answer.",
   "for_you": [
    "uczysz się z czatbotem",
    "pozwalasz uczniom korzystać z AI w pracy domowej",
    "piszesz instrukcje dla asystenta edukacyjnego"
   ],
   "for_you_en": [
    "study with a chatbot",
    "let students use AI for homework",
    "write instructions for an educational assistant"
   ],
   "how": "Prompt systemowy lub dostrajanie uczy model zachowań nauczyciela: diagnozowania, pytań sokratejskich, dawkowania wskazówek i dbania o obciążenie poznawcze. Skuteczne wdrożenia dodają przygotowane przez nauczycieli rozwiązania i prowadzą ucznia przez kolejne części zadania. Ocena opiera się na rubrykach ekspertów i eksperymentach z testem bez pomocy AI.",
   "how_en": "A system prompt or fine-tuning teaches the model teacher behaviours: diagnosing, Socratic questioning, rationing hints and managing cognitive load. Effective deployments add teacher-written solutions and walk the learner through each part of a problem. Evaluation relies on expert rubrics and experiments with an unaided test.",
   "limits": "Bez ograniczeń model łatwo podaje gotowe odpowiedzi, co poprawia wyniki ćwiczeń, ale może obniżyć wynik późniejszego testu bez pomocy. Modele mylą się w rozwiązaniach; w badanych wdrożeniach ograniczano to przez przygotowane przez nauczycieli rozwiązania i typowe błędy. Dowody pochodzą głównie z krótkich badań w pojedynczych szkołach i kursach.",
   "limits_en": "Without constraints, a model readily gives away answers, improving practice performance but potentially lowering scores on a later unaided test. Models make mistakes in solutions; studied deployments reduced this with teacher-prepared solutions and common errors. Evidence comes mainly from short studies in individual schools and courses.",
   "terms": [
    {
     "gloss": "Pytanie, które naprowadza ucznia, zamiast podawać odpowiedź.",
     "term": "pytanie sokratejskie"
    },
    {
     "gloss": "Ile informacji naraz musi przetworzyć uczeń.",
     "term": "obciążenie poznawcze"
    },
    {
     "gloss": "Model wykonuje opisane w instrukcji zasady nauczania.",
     "term": "pedagogical instruction following"
    }
   ],
   "terms_en": [
    {
     "gloss": "A question that guides the learner instead of giving the answer.",
     "term": "Socratic question"
    },
    {
     "gloss": "How much information the learner must process at once.",
     "term": "cognitive load"
    },
    {
     "gloss": "The model follows teaching rules described in its instructions.",
     "term": "pedagogical instruction following"
    }
   ],
   "prereq": [
    "promptstructure",
    "hallucinationdetect"
   ],
   "keywords": [
    "Socratic tutoring",
    "LearnLM",
    "Khanmigo",
    "pedagogical prompting",
    "hint generation",
    "tutoring dialogue",
    "GPT Tutor",
    "learning outcomes RCT",
    "scaffolding"
   ],
   "source_ids": [
    "bastani-guardrails-2025",
    "kestin-ai-tutor-2025",
    "learnlm-2024"
   ],
   "url": "https://aiatlasgraph.com/t/llmtutors",
   "markdown_url": "https://aiatlasgraph.com/t/llmtutors.md",
   "updated": "2026-10-30"
  },
  "llmvulndetect": {
   "id": "llmvulndetect",
   "parent_id": "vulndiscovery",
   "label": "Wykrywanie podatności w kodzie przez modele językowe",
   "canonical_name": "Vulnerability detection in source code with language models",
   "aliases": [
    "LLM vulnerability detection",
    "code LM vulnerability detection",
    "AI code auditing",
    "variant analysis with LLMs",
    "audyt kodu z AI"
   ],
   "description": "Modele językowe i agenci analizujący kod źródłowy i zmiany w nim, by wskazać błędy bezpieczeństwa i warianty znanych podatności.",
   "description_en": "Language models and agents analysing source code and changes to flag security bugs and variants of known vulnerabilities.",
   "plain": "Modele, które czytają kod jak recenzent bezpieczeństwa i wskazują miejsca, gdzie haker mógłby się włamać.",
   "plain_en": "Models that read code like a security reviewer and point to places where a hacker could break in.",
   "solves": "Narzędzia analizy statycznej zasypują programistów ostrzeżeniami, a ręczny audyt dużego projektu trwa tygodniami i kosztuje fortunę.",
   "solves_en": "Static analysis tools bury developers in warnings, and a manual audit of a large project takes weeks and costs a fortune.",
   "does": "Jak inspektor budowlany, który po naprawie jednego pęknięcia sprawdza, czy ta sama wada konstrukcji nie powtarza się na innych piętrach.",
   "does_en": "Like a building inspector who, after one crack is fixed, checks whether the same structural flaw repeats on other floors.",
   "example": "Agent analizuje świeżą poprawkę w popularnej bazie danych i znajduje podobny, nienaprawiony błąd w sąsiedniej funkcji, zanim trafi on do wydania.",
   "example_en": "An agent studies a fresh fix in a popular database and finds a similar, unfixed bug in a nearby function before it ships in a release.",
   "for_you": [
    "prowadzisz przeglądy kodu w zespole",
    "używasz asystenta AI do programowania",
    "odpowiadasz za bezpieczeństwo własnej aplikacji"
   ],
   "for_you_en": [
    "run code reviews on your team",
    "use an AI coding assistant",
    "are responsible for your own app's security"
   ],
   "how": "Model ocenia funkcje lub zmiany kodu jako podatne lub nie, często z uzasadnieniem i typem błędu (CWE). Skuteczniejsze są układy agentowe, które zaczynają od konkretnej hipotezy, np. wariantu niedawno naprawionego błędu, nawigują po repozytorium i potwierdzają znalezisko, uruchamiając kod z debugerem.",
   "how_en": "The model classifies functions or code changes as vulnerable or not, often with an explanation and weakness type (CWE). Agent setups work better: they start from a concrete hypothesis, such as a variant of a recently fixed bug, navigate the repository and confirm the finding by running code under a debugger.",
   "limits": "Na zbiorach z czyszczonymi etykietami i podziałem chronologicznym modele, które wcześniej wyglądały świetnie, wypadają niewiele lepiej niż losowo. Bez uruchomienia kodu zgłoszenia bywają fałszywe. Znalezienie błędu nie oznacza jeszcze, że da się go wykorzystać.",
   "limits_en": "On datasets with cleaned labels and chronological splits, models that once looked excellent do little better than chance. Without running code, reports are often false. Finding a bug does not yet mean it is exploitable.",
   "terms": [
    {
     "gloss": "Katalog typów słabości w oprogramowaniu, np. przepełnienie bufora.",
     "term": "CWE"
    },
    {
     "gloss": "Szukanie błędów podobnych do już znalezionego i naprawionego.",
     "term": "analiza wariantów"
    },
    {
     "gloss": "Zgłoszenie błędu, którego w rzeczywistości nie ma.",
     "term": "fałszywie pozytywny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A catalogue of software weakness types, e.g. buffer overflow.",
     "term": "CWE"
    },
    {
     "gloss": "Hunting bugs similar to one already found and fixed.",
     "term": "variant analysis"
    },
    {
     "gloss": "A reported bug that does not actually exist.",
     "term": "false positive"
    }
   ],
   "prereq": [
    "aicodereview",
    "codeevals"
   ],
   "keywords": [
    "PrimeVul",
    "BigVul",
    "Big Sleep",
    "variant analysis",
    "CWE",
    "SAST",
    "CodeQL",
    "Semgrep"
   ],
   "source_ids": [
    "project-zero-big-sleep-2024",
    "ding-primevul-2024"
   ],
   "url": "https://aiatlasgraph.com/t/llmvulndetect",
   "markdown_url": "https://aiatlasgraph.com/t/llmvulndetect.md",
   "updated": "2026-10-30"
  },
  "localllm": {
   "id": "localllm",
   "parent_id": "selfhosting",
   "label": "Lokalne uruchamianie LLM na własnym komputerze",
   "canonical_name": "Running LLMs locally on consumer hardware",
   "aliases": [
    "local LLM",
    "lokalne LLM",
    "GGUF",
    "llama.cpp",
    "Ollama",
    "LM Studio"
   ],
   "description": "Uruchamianie otwartych modeli na laptopie lub komputerze stacjonarnym. Jedna z popularnych ścieżek wykorzystuje skwantyzowane pliki GGUF i dobiera poziom kwantyzacji do dostępnej pamięci; lokalny serwer API jest opcjonalnym sposobem udostępnienia modelu aplikacjom.",
   "description_en": "Running open models on a laptop or desktop computer. One common path uses quantised GGUF files and selects a quantisation level that fits available memory; a local API server is an optional way to expose the model to applications.",
   "examples": "format GGUF · poziomy kwantyzacji (Q4_K_M, Q8_0) · CPU, Apple Silicon i GPU konsumenckie · lokalny serwer API",
   "examples_en": "GGUF format · quantisation levels (Q4_K_M, Q8_0) · CPU, Apple Silicon and consumer GPUs · local API server",
   "plain": "To uruchamianie modelu językowego bezpośrednio na własnym komputerze.",
   "plain_en": "This runs a language model directly on your own computer.",
   "solves": "Chcesz używać modelu bez stałego internetu lub wysyłania każdego pytania do zewnętrznej usługi.",
   "solves_en": "You want to use a model without constant internet access or sending every question to an external service.",
   "does": "Pobierasz odpowiedni zapis modelu i program uruchomieniowy, dopasowujesz pamięć oraz sprawdzasz, które zadania sprzęt wykonuje wystarczająco dobrze.",
   "does_en": "You download a suitable model representation and runtime, match memory requirements and check which tasks your hardware handles well enough.",
   "example": "Podczas podróży bez internetu lokalny model pomaga ci uporządkować notatki na laptopie.",
   "example_en": "While travelling without internet access, a local model helps organise notes on your laptop.",
   "for_you": [
    "chcesz pracować bez połączenia z internetem",
    "masz komputer mieszczący wybrany model"
   ],
   "for_you_en": [
    "want to work without internet access",
    "have a computer that fits your chosen model"
   ],
   "how": "Runtime odczytuje plik wag i tokenizator, mapując operatory na procesor, akcelerator lub ich połączenie. Model generuje z lokalnego kontekstu, a kwantyzacja i przenoszenie warstw pozwalają dopasować wykonanie do pamięci komputera.",
   "how_en": "A runtime reads weights and tokenisers, mapping operators to processors, accelerators or both. The model generates from local context, with quantisation and layer placement adapting execution to computer memory.",
   "limits": "Duży kontekst i współbieżność nadal wymagają pamięci oraz transferów. Wspierane formaty i operatory ograniczają wybór modeli; lokalne przetwarzanie nie gwarantuje jakości ani braku transmisji przez pozostałą aplikację.",
   "limits_en": "Large contexts and concurrency still need memory and transfers. Supported formats and operators constrain model choice; local processing guarantees neither quality nor absence of transmission elsewhere in the application.",
   "terms": [
    {
     "gloss": "Przenoszenie części wag lub obliczeń między różnymi poziomami sprzętu.",
     "term": "offloading"
    },
    {
     "gloss": "Udostępnianie zapisanych parametrów runtime bez zbędnego kopiowania całego pliku.",
     "term": "mapowanie wag"
    }
   ],
   "terms_en": [
    {
     "gloss": "Moving some weights or computation between hardware levels.",
     "term": "offloading"
    },
    {
     "gloss": "Making stored parameters available to runtime without unnecessarily copying the entire file.",
     "term": "weight mapping"
    }
   ],
   "prereq": [
    "weightquant",
    "gpumemory"
   ],
   "keywords": [
    "llama.cpp",
    "GGUF",
    "Q4_K_M",
    "Q8_0",
    "CPU inference",
    "Apple Silicon",
    "GPU offloading",
    "memory-mapped weights"
   ],
   "source_ids": [
    "llama-cpp-readme",
    "hf-gguf-docs"
   ],
   "url": "https://aiatlasgraph.com/t/localllm",
   "markdown_url": "https://aiatlasgraph.com/t/localllm.md",
   "updated": "2026-10-30"
  },
  "localsearch": {
   "id": "localsearch",
   "parent_id": "search",
   "label": "Przeszukiwanie lokalne (wspinaczka, wyżarzanie)",
   "canonical_name": "Local search (hill climbing, simulated annealing)",
   "aliases": [
    "local search",
    "hill climbing",
    "simulated annealing",
    "tabu search",
    "przeszukiwanie lokalne",
    "Przeszukiwanie lokalne i algorytmy ewolucyjne",
    "Local search and evolutionary algorithms"
   ],
   "description": "Stopniowe ulepszanie kandydata rozwiązania przez badanie jego sąsiadów zamiast całej przestrzeni: wspinaczka, symulowane wyżarzanie, przeszukiwanie tabu.",
   "description_en": "Improving a candidate solution step by step by exploring its neighbours instead of the whole space: hill climbing, simulated annealing, tabu search.",
   "examples": "Wspinaczka · symulowane wyżarzanie · przeszukiwanie tabu · losowe restarty",
   "examples_en": "Hill climbing · simulated annealing · tabu search · random restarts",
   "plain": "To poprawianie istniejących propozycji rozwiązania przez badanie ich zmienionych wersji.",
   "plain_en": "This improves candidate solutions by exploring changed versions of them.",
   "solves": "Możliwych układów jest za dużo, żeby przejrzeć wszystkie, ale masz już punkt wyjścia do ulepszania.",
   "solves_en": "There are too many arrangements to check them all, but you already have a starting point to improve.",
   "does": "Wprowadza drobne zmiany w propozycji i ocenia nowe warianty; czasem dopuszcza pogorszenie, żeby wydostać się z niekorzystnego miejsca.",
   "does_en": "It makes small changes to a candidate and scores the new versions; sometimes it accepts worse results to escape an unhelpful position.",
   "example": "Program zmienia kolejność zadań w gotowym grafiku, szukając mniejszej liczby przestojów przy zachowaniu wymaganych ograniczeń.",
   "example_en": "Software changes task order in an existing schedule, seeking fewer idle periods while preserving the required constraints.",
   "for_you": [
    "masz propozycję, którą chcesz stopniowo poprawiać",
    "pełne sprawdzenie wszystkich wariantów jest zbyt kosztowne"
   ],
   "for_you_en": [
    "have a candidate you want to improve gradually",
    "find checking every possible alternative too costly"
   ],
   "how": "Kandydata modyfikuje się w określonym sąsiedztwie i ocenia funkcją celu. Wspinaczka przyjmuje tylko poprawy, wyżarzanie z malejącą temperaturą dopuszcza też pogorszenia, a przeszukiwanie tabu zakazuje powrotu do niedawnych ruchów. Metody populacyjne opisuje osobna dziedzina obliczeń ewolucyjnych.",
   "how_en": "A candidate is modified within a defined neighbourhood and scored by an objective. Hill climbing accepts only improvements, annealing with falling temperature also accepts some worse moves, and tabu search forbids revisiting recent moves. Population methods belong to the separate evolutionary computation area.",
   "limits": "Algorytm może utknąć w optimum lokalnym lub na płaskim obszarze. Wynik zależy od reprezentacji i operatorów zmian; koszt oceny kandydatów może dominować nad samym przeszukiwaniem.",
   "limits_en": "Algorithms can get stuck in local optima or plateaus. Results depend on representations and modification operators; candidate evaluation costs can dominate search itself.",
   "terms": [
    {
     "gloss": "Zbiór rozwiązań osiągalnych przez pojedynczą dopuszczalną modyfikację.",
     "term": "sąsiedztwo"
    },
    {
     "gloss": "Rozwiązanie lepsze od sąsiadów, ale niekoniecznie najlepsze w ogóle.",
     "term": "optimum lokalne"
    },
    {
     "gloss": "Parametr wyżarzania określający, jak chętnie przyjmuje się pogorszenia.",
     "term": "temperatura"
    }
   ],
   "terms_en": [
    {
     "gloss": "Solutions reachable through one allowed modification.",
     "term": "neighbourhood"
    },
    {
     "gloss": "A solution better than its neighbours but not necessarily best overall.",
     "term": "local optimum"
    },
    {
     "gloss": "An annealing parameter setting how readily worse moves are accepted.",
     "term": "temperature"
    }
   ],
   "prereq": [
    "csp"
   ],
   "keywords": [
    "hill climbing",
    "simulated annealing",
    "tabu search",
    "local beam search",
    "random restarts",
    "iterated local search",
    "fitness landscapes",
    "2-opt"
   ],
   "source_ids": [
    "aima4",
    "alphaevolve2025"
   ],
   "url": "https://aiatlasgraph.com/t/localsearch",
   "markdown_url": "https://aiatlasgraph.com/t/localsearch.md",
   "updated": "2026-10-30"
  },
  "locationencoding": {
   "id": "locationencoding",
   "parent_id": "spatialml",
   "label": "Kodowanie położenia geograficznego",
   "canonical_name": "Location encoding",
   "aliases": [
    "location encoders",
    "geographic positional encoding",
    "kodowanie współrzędnych",
    "spatial representation learning",
    "location embeddings"
   ],
   "description": "Odwzorowanie współrzędnych punktu na wielowymiarowe osadzenie (funkcje sinusoidalne, harmoniki sferyczne, sieci), często uczone kontrastowo ze zdjęciami satelitarnymi lub naziemnymi.",
   "description_en": "Mapping a point's coordinates to a high-dimensional embedding (sinusoids, spherical harmonics, networks), often trained contrastively with satellite or ground images.",
   "plain": "Zamiana szerokości i długości geograficznej na zestaw liczb, z którego sieć neuronowa potrafi wyczytać, jakie to miejsce.",
   "plain_en": "Turning latitude and longitude into a set of numbers from which a neural network can read what kind of place it is.",
   "solves": "Surowe współrzędne niewiele mówią sieci: nie widzi, że dwa punkty są blisko, że Ziemia jest kulą, ani czym góry różnią się od wybrzeża.",
   "solves_en": "Raw coordinates tell a network little: it cannot see that two points are close, that the Earth is round, or how mountains differ from coast.",
   "does": "Jak zamiana adresu na wizytówkę miejsca: zamiast samych liczb z GPS model dostaje opis klimatu, krajobrazu i sąsiedztwa.",
   "does_en": "Like swapping an address for a profile of the place: instead of bare GPS numbers, the model gets a sense of climate, landscape and surroundings.",
   "example": "Aplikacja do rozpoznawania roślin trafniej zgaduje gatunek, bo bierze pod uwagę, gdzie zrobiono zdjęcie.",
   "example_en": "A plant-identification app guesses the species better because it takes into account where the photo was taken.",
   "for_you": [
    "masz dane z GPS i chcesz, żeby model z nich korzystał",
    "rozpoznajesz gatunki lub zjawiska zależne od miejsca"
   ],
   "for_you_en": [
    "have GPS data and want a model to use it",
    "identify species or phenomena that depend on place"
   ],
   "how": "Współrzędne przepuszcza się przez funkcje o wielu częstotliwościach, np. cechy Fouriera lub harmoniki sferyczne zgodne z kształtem kuli, a potem przez sieć. Enkoder uczy się kontrastowo, dopasowując położenie do zdjęcia z tego miejsca. Gotowe osadzenia dokłada się jako cechy do innych modeli.",
   "how_en": "Coordinates pass through multi-frequency functions, such as Fourier features or spherical harmonics that respect the sphere, and then a network. The encoder is trained contrastively, matching a location to an image taken there. The resulting embeddings are added as features to other models.",
   "limits": "Wybór skali częstotliwości decyduje, czy model widzi detale lokalne, czy ogólny obraz; nie ma jednego dobrego ustawienia. Model może nauczyć się „gdzie” zamiast „dlaczego” i przenosić uprzedzenia z nierówno rozłożonych danych.",
   "limits_en": "The choice of frequency scale decides whether the model sees local detail or the big picture; no single setting is right. A model may learn 'where' instead of 'why' and carry biases from unevenly spread data.",
   "terms": [
    {
     "gloss": "Sinusy i cosinusy różnych częstotliwości opisujące położenie w wielu skalach.",
     "term": "cechy Fouriera"
    },
    {
     "gloss": "Funkcje bazowe na kuli, naturalne dla współrzędnych na Ziemi.",
     "term": "harmoniki sferyczne"
    },
    {
     "gloss": "Sieć zamieniająca współrzędne w wektor cech.",
     "term": "enkoder położenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "Sines and cosines of many frequencies describing position at many scales.",
     "term": "Fourier features"
    },
    {
     "gloss": "Basis functions on a sphere, natural for Earth coordinates.",
     "term": "spherical harmonics"
    },
    {
     "gloss": "A network that turns coordinates into a feature vector.",
     "term": "location encoder"
    }
   ],
   "prereq": [
    "posencoding",
    "clipcontrastive"
   ],
   "keywords": [
    "SatCLIP",
    "GeoCLIP",
    "Sphere2Vec",
    "Space2Vec",
    "CSP",
    "spherical harmonics",
    "SIREN",
    "random Fourier features",
    "TorchSpatial"
   ],
   "source_ids": [
    "mai-location-encoding-review-2022",
    "klemmer-satclip-2023",
    "vivanco-geoclip-2023"
   ],
   "url": "https://aiatlasgraph.com/t/locationencoding",
   "markdown_url": "https://aiatlasgraph.com/t/locationencoding.md",
   "updated": "2026-10-30"
  },
  "locomotion": {
   "id": "locomotion",
   "parent_id": "humanoids",
   "label": "Lokomocja robotów uczona w symulacji",
   "canonical_name": "Simulation-trained legged locomotion",
   "description": "Polityki chodu robotów kroczących trenowane przez RL w wielu równoległych symulacjach, a następnie przenoszone na rzeczywisty sprzęt.",
   "description_en": "Walking policies for legged robots trained with RL across many parallel simulations and then transferred to physical hardware.",
   "examples": "Masowo równoległe RL · curriculum terenów · roboty czworonożne · transfer sim-to-real",
   "examples_en": "Massively parallel RL · terrain curriculum · quadrupeds · sim-to-real transfer",
   "plain": "To uczenie robotów chodzenia i utrzymywania równowagi przez wiele prób w symulacji.",
   "plain_en": "This teaches robots to walk and balance through many simulation trials.",
   "solves": "Ręczne opisanie ruchu każdej nogi na różnych podłożach jest trudne, a ciągłe prawdziwe upadki obciążają sprzęt.",
   "solves_en": "Describing every leg movement across different surfaces is difficult, and repeated real falls put strain on hardware.",
   "does": "Ćwiczy ruchy nóg w wielu wirtualnych próbach, ocenia przemieszczanie i stabilność, a wyuczone sterowanie sprawdza na prawdziwym robocie.",
   "does_en": "It practises leg movements in many virtual trials, scores movement and stability, then checks the learned controller on a real robot.",
   "example": "Robot kroczący ćwiczy przechodzenie po nierównym podłożu w symulacji, zanim jego sposób chodzenia zostanie sprawdzony na sprzęcie.",
   "example_en": "A legged robot practises crossing uneven terrain in simulation before its walking behaviour is tested on hardware.",
   "for_you": [
    "chcesz uczyć sterowania nogami robota",
    "potrzebujesz wielu prób bez zużywania prawdziwego sprzętu"
   ],
   "for_you_en": [
    "want to teach control of a robot's legs",
    "need many trials without wearing out physical hardware"
   ],
   "how": "Polityka przekształca stan robota i polecenie ruchu w nastawy sterowania. Równoległe symulacje dostarczają doświadczeń, a nagrody i losowanie parametrów uczą chodu odpornego na wybrane zakłócenia.",
   "how_en": "A policy converts robot state and movement commands into control targets. Parallel simulations provide experience, while rewards and parameter randomisation train gait robustness to selected disturbances.",
   "limits": "Nieodwzorowane kontakty, opóźnienia i tarcie utrudniają transfer. Funkcja nagrody może tworzyć niepożądany chód; stabilność zależy od sprzętu i zakresu treningowych zakłóceń.",
   "limits_en": "Unmodelled contacts, delays and friction hinder transfer. Reward functions can produce unwanted gait; stability depends on hardware and the range of training disturbances.",
   "terms": [
    {
     "gloss": "Pomiary własnego stanu robota, takie jak pozycje i prędkości stawów.",
     "term": "propriocepcja"
    },
    {
     "gloss": "Zadawanie sił obrotowych napędom zamiast bezpośrednich pozycji.",
     "term": "sterowanie momentem"
    }
   ],
   "terms_en": [
    {
     "gloss": "Measurements of the robot's own state, such as joint positions and velocities.",
     "term": "proprioception"
    },
    {
     "gloss": "Commanding rotational forces to actuators rather than positions directly.",
     "term": "torque control"
    }
   ],
   "prereq": [
    "ppo",
    "rlenvs"
   ],
   "keywords": [
    "legged_gym",
    "Isaac Gym",
    "terrain curriculum",
    "proprioception",
    "torque control",
    "massively parallel RL"
   ],
   "source_ids": [
    "legged-gym-2021"
   ],
   "url": "https://aiatlasgraph.com/t/locomotion",
   "markdown_url": "https://aiatlasgraph.com/t/locomotion.md",
   "updated": "2026-10-30"
  },
  "loganomaly": {
   "id": "loganomaly",
   "parent_id": "threatdetection",
   "label": "Wykrywanie anomalii w logach systemów",
   "canonical_name": "Log anomaly detection",
   "aliases": [
    "log-based anomaly detection",
    "deep learning log analysis",
    "AIOps log anomaly",
    "analiza logów z ML"
   ],
   "description": "Uczenie modeli sekwencji zdarzeń z dzienników systemów i aplikacji, by wykrywać nietypowe przebiegi wskazujące na awarię lub atak.",
   "description_en": "Learning models of event sequences from system and application logs to detect unusual runs that signal failures or attacks.",
   "plain": "Modele czytające dzienniki serwerów i aplikacji, które zauważają nietypowe ciągi zdarzeń mogące oznaczać atak albo awarię.",
   "plain_en": "Models that read server and application logs and spot unusual chains of events that may mean an attack or a breakdown.",
   "solves": "Serwery zapisują miliony linijek dziennie, a ślad włamania to kilka wpisów w nietypowej kolejności, których nikt nie zauważy.",
   "solves_en": "Servers write millions of lines a day, and the trace of a break-in is a few entries in an odd order that nobody notices.",
   "does": "Jak ktoś, kto zna na pamięć rytuał porannego otwierania sklepu i od razu wyczuwa, że dziś alarm wyłączono przed otwarciem drzwi.",
   "does_en": "Like someone who knows the shop's morning opening ritual by heart and senses at once that today the alarm went off before the door opened.",
   "example": "Na serwerze pojawia się udane logowanie na konto administratora bez wcześniejszych zwykłych kroków; model oznacza tę sekwencję jako podejrzaną.",
   "example_en": "A server shows a successful admin login without the usual preceding steps; the model flags the sequence as suspicious.",
   "for_you": [
    "utrzymujesz serwery lub aplikacje w chmurze",
    "szukasz przyczyn awarii w logach",
    "budujesz modele na danych sekwencyjnych"
   ],
   "for_you_en": [
    "run servers or cloud applications",
    "dig through logs for the cause of outages",
    "build models on sequential data"
   ],
   "how": "Parser (np. Drain) zamienia surowe linie na szablony zdarzeń, które grupuje się w sesje lub okna czasowe. Model sekwencyjny (LSTM, transformer) uczy się na normalnych przebiegach przewidywać następne zdarzenie, a niska wiarygodność obserwowanej sekwencji oznacza anomalię.",
   "how_en": "A parser (e.g. Drain) turns raw lines into event templates, grouped into sessions or time windows. A sequence model (LSTM, transformer) trained on normal runs predicts the next event, and a low likelihood of the observed sequence signals an anomaly.",
   "limits": "Wiele badań opiera się na niewielkiej liczbie publicznych zbiorów, często skupionych na awariach systemów, a nie atakach. Wybór parsera, sposób grupowania zdarzeń w sesje lub okna oraz rozkład klas silnie wpływają na wynik; różne metryki i niepełna dostępność kodu utrudniają porównania.",
   "limits_en": "Many studies rely on a small set of public datasets, often focused on system failures rather than attacks. Parser choice, session or window construction and class distribution strongly affect results; differing metrics and incomplete code availability make comparisons difficult.",
   "terms": [
    {
     "gloss": "Stała część komunikatu po usunięciu zmiennych, np. numerów i adresów.",
     "term": "szablon logu"
    },
    {
     "gloss": "Fragment logu z określonego przedziału, analizowany jako całość.",
     "term": "okno czasowe"
    },
    {
     "gloss": "Trening tylko na przykładach normalnych, bez przykładów ataków.",
     "term": "uczenie półnadzorowane"
    }
   ],
   "terms_en": [
    {
     "gloss": "The fixed part of a message once variables like numbers and addresses are removed.",
     "term": "log template"
    },
    {
     "gloss": "A slice of the log over a set period, analysed as a whole.",
     "term": "time window"
    },
    {
     "gloss": "Training only on normal examples, without attack examples.",
     "term": "semi-supervised learning"
    }
   ],
   "prereq": [
    "anomalydetection",
    "transformers"
   ],
   "keywords": [
    "DeepLog",
    "Drain parser",
    "LogBERT",
    "Loghub",
    "HDFS dataset",
    "BGL",
    "LSTM",
    "AIOps"
   ],
   "source_ids": [
    "landauer-log-anomaly-survey-2022"
   ],
   "url": "https://aiatlasgraph.com/t/loganomaly",
   "markdown_url": "https://aiatlasgraph.com/t/loganomaly.md",
   "updated": "2026-10-30"
  },
  "logic": {
   "id": "logic",
   "parent_id": "foundations",
   "label": "Logika i reprezentacja wiedzy",
   "canonical_name": "Logic and knowledge representation",
   "description": "Jak zapisać fakty, reguły i zależności.",
   "description_en": "How to write down facts, rules and dependencies.",
   "examples": "Logika · ontologie · grafy wiedzy",
   "examples_en": "Logic · ontologies · knowledge graphs",
   "plain": "To zapisywanie faktów, reguł i zależności tak, żeby program mógł z nich wyciągać wnioski.",
   "plain_en": "This records facts, rules and relationships so software can draw conclusions from them.",
   "solves": "Informacje zapisane w różnych miejscach trudno połączyć, sprawdzić i wykorzystać do odpowiedzi na nowe pytanie.",
   "solves_en": "Information scattered across different places is hard to combine, check and use to answer a new question.",
   "does": "Nadaje pojęciom wspólny opis, łączy je relacjami i stosuje reguły, które pozwalają wyprowadzać dalsze ustalenia.",
   "does_en": "It defines concepts consistently, connects them through relationships and applies rules that produce further conclusions.",
   "example": "Asystent łączy informacje o zamówieniu, produkcie i zasadach sklepu, żeby ustalić, jakie dokumenty są potrzebne do zwrotu.",
   "example_en": "An assistant connects order details, product information and shop rules to establish which documents a return requires.",
   "for_you": [
    "chcesz łączyć fakty z różnych źródeł",
    "potrzebujesz wniosków zgodnych z zapisanymi regułami"
   ],
   "for_you_en": [
    "want to connect facts from different sources",
    "need conclusions that follow written rules"
   ],
   "how": "Symbole opisują obiekty, relacje i reguły, a semantyka określa ich interpretację. Reguły wnioskowania lub sprawdzanie modeli ustalają, czy zapytanie wynika z zapisanych przesłanek.",
   "how_en": "Symbols describe objects, relations and rules, while semantics determines their interpretation. Inference rules or model checking determine whether a query follows from recorded premises.",
   "limits": "Wynik zależy od poprawności przesłanek i formalizacji. Brak faktu nie zawsze oznacza fałsz, a bardziej ekspresyjny język może zwiększać koszt lub uniemożliwiać ogólny algorytm rozstrzygający.",
   "limits_en": "Results depend on premise and formalisation correctness. Missing facts need not imply falsity, while richer languages can increase costs or prevent general decision procedures.",
   "terms": [
    {
     "gloss": "Reguły budowania poprawnych wyrażeń w języku formalnym.",
     "term": "składnia"
    },
    {
     "gloss": "Zasady interpretacji znaczenia wyrażeń i warunków ich prawdziwości.",
     "term": "semantyka"
    }
   ],
   "terms_en": [
    {
     "gloss": "Rules for constructing valid expressions in a formal language.",
     "term": "syntax"
    },
    {
     "gloss": "Rules interpreting expression meanings and conditions of truth.",
     "term": "semantics"
    }
   ],
   "keywords": [
    "first-order logic",
    "resolution",
    "unification",
    "RDF",
    "OWL",
    "SPARQL",
    "knowledge graphs",
    "proof assistants"
   ],
   "source_ids": [
    "cs221",
    "cs229"
   ],
   "url": "https://aiatlasgraph.com/t/logic",
   "markdown_url": "https://aiatlasgraph.com/t/logic.md",
   "updated": "2026-10-30"
  },
  "logicprogramming": {
   "id": "logicprogramming",
   "parent_id": "logic",
   "label": "Programowanie logiczne",
   "canonical_name": "Logic programming",
   "aliases": [
    "logic programming",
    "programowanie logiczne",
    "programowanie w logice"
   ],
   "description": "Paradygmat deklaratywny: program to zbiór klauzul logicznych, a obliczenie to wnioskowanie (rezolucja, punkt stały lub modele stabilne).",
   "description_en": "Declarative paradigm: a program is a set of logical clauses and computation is inference (resolution, fixpoint or stable models).",
   "plain": "Programowanie przez opisanie faktów i reguł zamiast kroków; komputer sam dochodzi do odpowiedzi, wyciągając wnioski.",
   "plain_en": "Programming by stating facts and rules instead of steps; the computer reaches answers by drawing conclusions itself.",
   "solves": "Zasady biznesowe, przepisy i łamigłówki z wieloma warunkami trudno zakodować krok po kroku bez gubienia przypadków.",
   "solves_en": "Business rules, regulations and puzzles with many conditions are hard to code step by step without missing cases.",
   "does": "Podajesz jak w podręczniku: kto jest czyim rodzicem i kim jest dziadek, a system sam znajduje wszystkich dziadków.",
   "does_en": "You state, as in a textbook, who is whose parent and what a grandparent is, and the system finds every grandparent itself.",
   "example": "System kadrowy z zapisanych reguł urlopowych sam wylicza, komu przysługuje dodatkowy dzień wolny.",
   "example_en": "An HR system works out from written leave rules who is entitled to an extra day off.",
   "for_you": [
    "zapisujesz złożone reguły, które muszą być spójne",
    "układasz plany lub grafiki z wieloma warunkami"
   ],
   "for_you_en": [
    "write complex rules that must stay consistent",
    "build plans or rosters with many conditions"
   ],
   "how": "Prolog odpowiada na zapytania rezolucją SLD z przeszukiwaniem w głąb i unifikacją termów. Datalog to podzbiór bez symboli funkcyjnych, wyliczany od dołu do punktu stałego, popularny w bazach danych i analizie programów. Programowanie zbiorów odpowiedzi najpierw ugruntowuje reguły do postaci zdaniowej, a potem solwer zbliżony do SAT wylicza modele stabilne jako rozwiązania problemów kombinatorycznych.",
   "how_en": "Prolog answers queries by SLD resolution with depth-first search and term unification. Datalog is a function-free subset evaluated bottom-up to a fixpoint, popular in databases and program analysis. Answer set programming first grounds rules into propositional form, then a SAT-like solver computes stable models as solutions to combinatorial problems.",
   "limits": "Kolejność reguł w Prologu wpływa na wynik i może prowadzić do nieskończonych pętli. Ugruntowanie w ASP potrafi eksplodować rozmiarem, a ręczne pisanie reguł słabo radzi sobie z niepewnymi, zaszumionymi danymi.",
   "limits_en": "Rule order in Prolog affects results and can cause infinite loops. Grounding in ASP can explode in size, and hand-written rules cope poorly with uncertain, noisy data.",
   "terms": [
    {
     "gloss": "Dopasowanie dwóch wyrażeń przez dobranie wartości zmiennych.",
     "term": "unifikacja"
    },
    {
     "gloss": "Zastąpienie zmiennych w regułach wszystkimi konkretnymi wartościami.",
     "term": "ugruntowanie"
    },
    {
     "gloss": "Spójny zbiór faktów wynikający z reguł, traktowany jako rozwiązanie.",
     "term": "model stabilny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Matching two expressions by choosing variable values.",
     "term": "unification"
    },
    {
     "gloss": "Replacing rule variables with all concrete values.",
     "term": "grounding"
    },
    {
     "gloss": "A consistent set of facts following from rules, treated as a solution.",
     "term": "stable model"
    }
   ],
   "prereq": [
    "fol"
   ],
   "keywords": [
    "Prolog",
    "SWI-Prolog",
    "Datalog",
    "clingo",
    "answer set programming",
    "SLD resolution",
    "negation as failure",
    "Potassco",
    "Soufflé"
   ],
   "source_ids": [
    "potassco-guide",
    "swi-prolog-sld-glossary",
    "souffle-datalog-docs"
   ],
   "url": "https://aiatlasgraph.com/t/logicprogramming",
   "markdown_url": "https://aiatlasgraph.com/t/logicprogramming.md",
   "updated": "2026-10-30"
  },
  "logitdistill": {
   "id": "logitdistill",
   "parent_id": "distillation",
   "label": "Destylacja na miękkich etykietach (logity nauczyciela)",
   "canonical_name": "Soft-label (logit) distillation",
   "aliases": [
    "soft targets",
    "logit distillation",
    "Hinton distillation",
    "white-box distillation"
   ],
   "description": "Uczeń uczy się odtwarzać pełny rozkład prawdopodobieństw nauczyciela, a nie tylko jego najlepszą odpowiedź. Wymaga dostępu do wyjść (logitów) nauczyciela.",
   "description_en": "The student learns to reproduce the teacher's full probability distribution, not just its top answer. Requires access to the teacher's outputs (logits).",
   "examples": "temperatura · dywergencja KL do nauczyciela · kompresja zespołu modeli do jednego",
   "examples_en": "temperature · KL divergence to the teacher · compressing an ensemble into one model",
   "plain": "To uczenie modelu na prawdopodobieństwach różnych odpowiedzi nauczyciela, a nie tylko na jego najlepszym wyborze.",
   "plain_en": "This teaches a model from the teacher's probabilities across alternatives, rather than only its top choice.",
   "solves": "Jedna wskazana odpowiedź gubi informację o innych pasujących możliwościach i stopniu ich podobieństwa.",
   "solves_en": "One selected answer loses information about other suitable possibilities and how similar they are.",
   "does": "Uczeń zbliża swój rozkład wyborów do rozkładu nauczyciela, korzystając również ze słabszych alternatyw; potrzebny jest dostęp do takich sygnałów.",
   "does_en": "The student matches its choice distribution to the teacher's, including less likely alternatives; access to those signals is required.",
   "example": "Mały model obrazów uczy się, że zdjęcie może przypominać zarówno kubek, jak i filiżankę, zamiast otrzymać tylko jedną etykietę.",
   "example_en": "A small image model learns that a photo resembles both a mug and a cup instead of receiving just one label.",
   "for_you": [
    "masz dostęp do prawdopodobieństw nauczyciela",
    "chcesz przekazać więcej niż jedną poprawną etykietę"
   ],
   "for_you_en": [
    "can access the teacher's probabilities",
    "want to transfer more than a single label"
   ],
   "how": "Logity nauczyciela i ucznia przekształca się w rozkłady, opcjonalnie z regulowaną temperaturą. Minimalizacja rozbieżności uczy nie tylko najlepszego tokenu, lecz również względnej wiarygodności alternatyw w tym samym kontekście.",
   "how_en": "Teacher and student logits become distributions, optionally with adjusted temperatures. Minimising divergence teaches both the best token and the relative plausibility of alternatives within the same context.",
   "limits": "Potrzebny jest dostęp do rozkładów oraz zgodne lub mapowane słowniki. Przechowywanie pełnych wyników kosztuje pamięć; temperatura i kierunek rozbieżności wpływają na to, które alternatywy uczeń zachowuje.",
   "limits_en": "Distribution access and compatible or mapped vocabularies are required. Storing full outputs costs memory; temperature and divergence direction affect which alternatives students retain.",
   "terms": [
    {
     "gloss": "Rozkład prawdopodobieństwa nauczyciela używany zamiast pojedynczej etykiety.",
     "term": "soft target"
    },
    {
     "gloss": "Parametr regulujący wyrównanie prawdopodobieństw przed porównaniem rozkładów.",
     "term": "temperatura destylacji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A teacher probability distribution used instead of a single label.",
     "term": "soft target"
    },
    {
     "gloss": "A parameter controlling probability smoothing before distribution comparison.",
     "term": "distillation temperature"
    }
   ],
   "prereq": [
    "probability",
    "lossfunctions"
   ],
   "keywords": [
    "soft targets",
    "KL divergence",
    "temperature",
    "Hinton distillation",
    "forward KL",
    "reverse KL"
   ],
   "source_ids": [
    "hinton-kd-2015",
    "xu-kd-llm-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/logitdistill",
   "markdown_url": "https://aiatlasgraph.com/t/logitdistill.md",
   "updated": "2026-10-30"
  },
  "logparsing": {
   "id": "logparsing",
   "parent_id": "loganomaly",
   "label": "Parsowanie logów do szablonów zdarzeń",
   "canonical_name": "Automated log parsing",
   "aliases": [
    "log parsing",
    "log template extraction",
    "LLM-based log parsing",
    "structured log extraction",
    "parsowanie logów"
   ],
   "description": "Automatyczne rozbijanie surowych komunikatów logów na stały szablon zdarzenia i zmienne parametry, jako pierwszy krok wykrywania anomalii i diagnostyki.",
   "description_en": "Automatically splitting raw log messages into a fixed event template and variable parameters, as the first step in anomaly detection and diagnostics.",
   "plain": "Porządkowanie milionów linijek z dzienników systemów w kilka setek powtarzających się typów zdarzeń.",
   "plain_en": "Sorting millions of lines from system journals into a few hundred recurring kinds of events.",
   "solves": "Dzienniki systemów są ogromne i nieuporządkowane, a ręcznie pisane wzorce psują się przy każdej aktualizacji oprogramowania.",
   "solves_en": "System journals are huge and messy, and hand-written patterns break with every software update.",
   "does": "Jak segregowanie poczty do przegródek według wzoru listu: treść wzoru się powtarza, zmieniają się tylko nazwiska i kwoty.",
   "does_en": "Like sorting mail into pigeonholes by letter template: the template repeats, only names and amounts change.",
   "example": "Po awarii aplikacji administrator zamiast przewijać dziennik widzi tabelę: ten typ błędu pojawił się dziś tysiąc razy, a wczoraj ani razu.",
   "example_en": "After an app failure, instead of scrolling the journal the admin sees a table: this error type appeared a thousand times today and never yesterday.",
   "for_you": [
    "przeglądasz dzienniki serwerów lub aplikacji",
    "budujesz wykrywanie anomalii na logach",
    "chcesz użyć modelu językowego do porządkowania tekstu"
   ],
   "for_you_en": [
    "read server or application journals",
    "build anomaly detection on logs",
    "want to use a language model to structure text"
   ],
   "how": "Parser oddziela stały szablon, np. „Received block <*> of size <*>”, od parametrów. Klasyczne metody grupują komunikaty heurystycznie, np. drzewem o stałej głębokości według długości i pierwszych słów. Nowsze używają modeli językowych z przykładami w poleceniu i pamięcią podręczną szablonów, by ograniczyć liczbę kosztownych zapytań.",
   "how_en": "The parser separates a fixed template, e.g. 'Received block <*> of size <*>', from parameters. Classic methods group messages heuristically, e.g. with a fixed-depth tree keyed on length and leading tokens. Newer ones use language models with in-prompt examples and a template cache to limit costly queries.",
   "limits": "Żaden parser nie jest najlepszy na wszystkich rodzajach logów; parametry dobrane na próbce słabo przenoszą się na duże wolumeny. Modele językowe bywają niespójne i drogie bez pamięci podręcznej. Błędy parsowania przenoszą się na dalsze wykrywanie anomalii.",
   "limits_en": "No parser is best on every log type; parameters tuned on a sample transfer poorly to large volumes. Language models can be inconsistent and costly without a cache. Parsing errors propagate into downstream anomaly detection.",
   "terms": [
    {
     "gloss": "Stała część komunikatu, wspólna dla wszystkich wystąpień tego zdarzenia.",
     "term": "szablon zdarzenia"
    },
    {
     "gloss": "Zmienna wartość w komunikacie, np. numer, adres lub rozmiar.",
     "term": "parametr"
    },
    {
     "gloss": "Odsetek komunikatów przypisanych do właściwego szablonu.",
     "term": "dokładność grupowania"
    }
   ],
   "terms_en": [
    {
     "gloss": "The fixed part of a message shared by all occurrences of that event.",
     "term": "event template"
    },
    {
     "gloss": "A variable value in a message, e.g. a number, address or size.",
     "term": "parameter"
    },
    {
     "gloss": "The share of messages assigned to the right template.",
     "term": "grouping accuracy"
    }
   ],
   "prereq": [
    "fewshotprompting",
    "clustering"
   ],
   "keywords": [
    "Drain",
    "Loghub",
    "logparser",
    "LILAC",
    "Spell",
    "IPLoM",
    "in-context learning",
    "template cache",
    "AIOps"
   ],
   "source_ids": [
    "zhu-log-parsing-benchmark-2019",
    "jiang-lilac-llm-log-parsing-2024"
   ],
   "url": "https://aiatlasgraph.com/t/logparsing",
   "markdown_url": "https://aiatlasgraph.com/t/logparsing.md",
   "updated": "2026-10-30"
  },
  "longcontextbench": {
   "id": "longcontextbench",
   "parent_id": "llmbenchmarks",
   "label": "Benchmarki długiego kontekstu (igła w stogu siana i dalej)",
   "canonical_name": "Long-context benchmarks (needle-in-a-haystack and beyond)",
   "aliases": [
    "needle in a haystack",
    "NIAH",
    "long-context evaluation",
    "effective context length",
    "igła w stogu siana"
   ],
   "description": "Syntetyczne i realistyczne testy efektywnej długości kontekstu: wyszukiwanie ukrytych faktów, śledzenie wieloetapowe i agregacja.",
   "description_en": "Synthetic and realistic tests of effective context length: retrieving planted facts, multi-hop tracing and aggregation.",
   "plain": "Testy sprawdzają, czy model naprawdę korzysta z bardzo długiego tekstu, który dostaje, czy gubi informacje ze środka.",
   "plain_en": "Tests that check whether a model really uses the very long text it is given, or loses information from the middle.",
   "solves": "Deklarowana długość tekstu, który model może przyjąć, często jest większa niż ta, z którą faktycznie dobrze pracuje.",
   "solves_en": "The advertised amount of text a model can take in is often larger than the amount it actually handles well.",
   "does": "Ukrywa w długim tekście fakty do znalezienia, połączenia albo zliczenia, jak zagadki w grubej książce, i patrzy, kiedy wyniki zaczynają spadać.",
   "does_en": "It hides facts to find, link or count inside long text, like puzzles in a thick book, and watches when scores start to drop.",
   "example": "Wrzucasz do asystenta całą umowę z załącznikami i pytasz o karę umowną z pięćdziesiątej strony; test pokazuje, czy taka odpowiedź jest wiarygodna.",
   "example_en": "You give an assistant a whole contract with appendices and ask about a penalty on page fifty; the test shows whether such an answer is trustworthy.",
   "for_you": [
    "wklejasz do modelu bardzo długie dokumenty",
    "wybierasz model do pracy na całych repozytoriach lub archiwach"
   ],
   "for_you_en": [
    "you paste very long documents into a model",
    "you pick a model to work across whole repositories or archives"
   ],
   "how": "Podstawowy test „igły w stogu siana” umieszcza jeden fakt w długim tekście wypełniającym na różnych głębokościach. Rozszerzenia dodają wiele igieł i dystraktorów, śledzenie łańcuchów zmiennych oraz zliczanie częstych słów, mierząc spadek wyniku wraz z długością. Efektywna długość to największa, przy której wynik zostaje powyżej progu.",
   "how_en": "The basic needle-in-a-haystack test plants one fact in long filler text at varying depths. Extensions add multiple needles and distractors, variable-chain tracing and frequent-word counting, measuring score decline as length grows. Effective length is the largest length at which the score stays above a threshold.",
   "limits": "Proste wyszukiwanie igły jest już prawie nasycone i nie mówi o rozumieniu całości. Syntetyczne zadania są dalekie od prawdziwych dokumentów. Wyniki zależą od tekstu wypełniającego i progu przyjętego za „dobrze”.",
   "limits_en": "Simple needle retrieval is nearly saturated and says little about whole-text understanding. Synthetic tasks are far from real documents. Results depend on the filler text and the threshold taken as 'good enough'.",
   "terms": [
    {
     "gloss": "Jeden fakt ukryty w długim tekście do odnalezienia.",
     "term": "igła w stogu siana"
    },
    {
     "gloss": "Długość tekstu, przy której model nadal działa dobrze.",
     "term": "efektywna długość kontekstu"
    },
    {
     "gloss": "Podobna, ale fałszywa informacja utrudniająca znalezienie właściwej.",
     "term": "dystraktor"
    }
   ],
   "terms_en": [
    {
     "gloss": "One fact hidden in long text to be found.",
     "term": "needle in a haystack"
    },
    {
     "gloss": "Text length at which the model still works well.",
     "term": "effective context length"
    },
    {
     "gloss": "Similar but false information that hides the right one.",
     "term": "distractor"
    }
   ],
   "prereq": [
    "contextextension",
    "contextmanagement"
   ],
   "keywords": [
    "needle in a haystack",
    "RULER",
    "multi-hop tracing",
    "effective context length",
    "aggregation tasks"
   ],
   "source_ids": [
    "ruler-2024"
   ],
   "url": "https://aiatlasgraph.com/t/longcontextbench",
   "markdown_url": "https://aiatlasgraph.com/t/longcontextbench.md",
   "updated": "2026-10-30"
  },
  "longcotsft": {
   "id": "longcotsft",
   "parent_id": "reasoningtraining",
   "label": "SFT na długich łańcuchach myśli",
   "canonical_name": "Long chain-of-thought fine-tuning",
   "description": "Dostrajanie nadzorowane na starannie dobranych przykładach z długim rozumowaniem; często jako „zimny start” przed RL albo jako tani sposób na model rozumujący z niewielkiej liczby przykładów.",
   "description_en": "Supervised fine-tuning on curated examples with long reasoning traces; often a “cold start” before RL, or a cheap route to a reasoning model from few examples.",
   "examples": "cold-start SFT · ~1000 trudnych przykładów (s1K)",
   "examples_en": "cold-start SFT · ~1,000 hard examples (s1K)",
   "plain": "To uczenie modelu na starannie dobranych przykładach zawierających długie, rozpisane rozwiązania.",
   "plain_en": "This trains a model on carefully selected examples containing long worked solutions.",
   "solves": "Model potrzebuje przykładów prowadzenia wieloetapowego rozwiązania, zanim będzie skuteczniej ćwiczył trudne zadania.",
   "solves_en": "A model needs examples of multi-step solutions before it can practise difficult tasks more effectively.",
   "does": "Trening uczy przewidywać kolejne fragmenty dobrych rozwiązań, kształtując sposób zapisywania etapów i poprawiania prób.",
   "does_en": "Training teaches prediction of successive parts of good solutions, shaping how the model writes steps and revises attempts.",
   "example": "Przygotowujesz sprawdzone rozwiązania zadań z kilkoma warunkami i używasz ich do dostrojenia modelu.",
   "example_en": "You prepare verified solutions to tasks with several constraints and use them to adapt a model.",
   "for_you": [
    "masz sprawdzone długie rozwiązania",
    "przygotowujesz model do dalszego treningu rozumowania"
   ],
   "for_you_en": [
    "have verified long worked solutions",
    "prepare a model for further reasoning training"
   ],
   "how": "Dane łączą pytania z rozbudowanymi krokami i odpowiedziami, a strata tokenowa uczy odtwarzania tych sekwencji. Selekcja poprawnych śladów i maskowanie części wejściowej określają wzorce oraz fragmenty, za które odpowiada trening.",
   "how_en": "Data pairs questions with extended steps and answers, and token loss teaches sequence reproduction. Selecting correct traces and masking input portions determine learned patterns and which segments receive training supervision.",
   "limits": "Długie ślady zwiększają koszt i mogą utrwalać zbędne kroki. Imitacja poprawnej odpowiedzi nie gwarantuje samodzielnej weryfikacji; błędne lub przeciekające przykłady zniekształcają ocenę.",
   "limits_en": "Long traces increase cost and can reinforce unnecessary steps. Imitating correct answers does not guarantee independent verification; incorrect or leaked examples distort evaluation.",
   "terms": [
    {
     "gloss": "Wybór tokenów, których błędy uczestniczą w aktualizacji parametrów.",
     "term": "maska straty"
    },
    {
     "gloss": "Dobór rozwiązań pod kątem jakości, poprawności i przydatności treningowej.",
     "term": "selekcja śladów"
    }
   ],
   "terms_en": [
    {
     "gloss": "Selecting tokens whose errors contribute to parameter updates.",
     "term": "loss mask"
    },
    {
     "gloss": "Choosing solutions for quality, correctness and training usefulness.",
     "term": "trace selection"
    }
   ],
   "prereq": [
    "sft",
    "evalsets"
   ],
   "keywords": [
    "cold-start SFT",
    "s1K",
    "reasoning traces",
    "loss masking",
    "trace filtering"
   ],
   "source_ids": [
    "deepseek-r1-2025",
    "s1-budget-forcing-2025"
   ],
   "url": "https://aiatlasgraph.com/t/longcotsft",
   "markdown_url": "https://aiatlasgraph.com/t/longcotsft.md",
   "updated": "2026-10-30"
  },
  "lookaheaddefense": {
   "id": "lookaheaddefense",
   "parent_id": "poisoning",
   "label": "Podgląd aktualizacji dla bezpiecznego dostrajania",
   "canonical_name": "Update-preview defense for safe fine-tuning",
   "aliases": [
    "LookAhead Defense",
    "update-preview defense",
    "obrona z podglądem aktualizacji"
   ],
   "description": "Przewiduje i karze aktualizacje dostrajania osłabiające bezpieczne zachowanie z bufora.",
   "description_en": "Previews and penalizes fine-tuning updates that weaken safe behaviour from a buffer.",
   "plain": "Przed przyjęciem kroku dostrajania sprawdza, czy osłabi on bezpieczne zachowanie ukrycie zatrutego modelu.",
   "plain_en": "Before accepting a fine-tuning step, it checks whether the update would weaken the apparently safe behavior of a dormantly poisoned model.",
   "solves": "Ukryte szkodliwe zachowanie może pozostać nieaktywne przy wydaniu modelu i ujawnić się dopiero po zwykłym dostrajaniu.",
   "solves_en": "A hidden harmful behavior can remain inactive at model release and emerge only after ordinary downstream fine-tuning.",
   "does": "Buduje z wydanego modelu bufor odniesienia i karze tylko kandydackie aktualizacje przewidywane jako osłabiające bezpieczeństwo.",
   "does_en": "It builds a reference buffer from the released model and penalizes only candidate updates predicted to weaken safety.",
   "example": "Dostrajasz agenta na zwykłych zadaniach matematycznych; podgląd aktualizacji ogranicza ryzyko, że uśpione zatrucie uaktywni wysyłanie poufnych danych.",
   "example_en": "You fine-tune an agent on ordinary math tasks; update preview limits the risk that dormant poisoning activates the sending of private data.",
   "for_you": [
    "dostrajasz wydany model na własnych danych",
    "martwisz się, że bezpieczny model stanie się niebezpieczny po fine-tuningu",
    "agent ma dostęp do narzędzi i może wykonać szkodliwe akcje"
   ],
   "for_you_en": [
    "fine-tune a released model on your own data",
    "worry a safe model will become unsafe after fine-tuning",
    "the agent has tool access and can perform harmful actions"
   ],
   "how": "Safety Buffer łączy szkodliwe wejścia z odpowiedziami wydanego modelu oraz łagodnymi wersjami wejść wygenerowanymi przez ten sam model. Każdy kandydacki krok jest przybliżany ruchem w kierunku znaku gradientu zadania. Kara pojawia się, gdy podgląd zmniejsza prawdopodobieństwo bezpiecznej odpowiedzi na szkodliwym wejściu albo zwiększa je dla łagodnej wersji, co sygnalizuje nadmierną odmowę.",
   "how_en": "The Safety Buffer pairs harmful inputs with the released model's responses and benign input versions generated by the same model. Each candidate step is approximated along the sign of the task gradient. A penalty is applied if the preview lowers the safe response probability on the harmful input or raises it on the benign version, indicating over-refusal.",
   "limits": "Ewaluacja obejmuje kilka modeli językowych oraz agentów językowych i multimodalnych w skali 3B–8B. Obrona wymaga reprezentatywnych szkodliwych wejść, dodaje koszt podglądu aktualizacji i nie gwarantuje ochrony przed ryzykami nieobecnymi w buforze ani przed innymi klasami ataków.",
   "limits_en": "Evaluation covers several language models plus language and multimodal agents at 3B–8B scale. The defense needs representative harmful inputs, adds update-preview cost, and does not guarantee protection from risks absent from the buffer or from other attack classes.",
   "terms": [
    {
     "gloss": "Zestaw szkodliwych wejść z bezpiecznymi odpowiedziami modelu i ich łagodnymi wersjami.",
     "term": "Safety Buffer"
    },
    {
     "gloss": "Symulacja jednego kroku dostrajania, żeby ocenić wpływ na bezpieczeństwo.",
     "term": "podgląd aktualizacji"
    },
    {
     "gloss": "Ukryte szkodliwe zachowanie, które aktywuje się dopiero po zwykłym dostrajaniu.",
     "term": "uśpione zatrucie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A set of harmful inputs with the model's safe responses and their benign versions.",
     "term": "Safety Buffer"
    },
    {
     "gloss": "Simulation of one fine-tuning step to assess its effect on safety.",
     "term": "update preview"
    },
    {
     "gloss": "Hidden harmful behaviour that activates only after ordinary fine-tuning.",
     "term": "dormant poisoning"
    }
   ],
   "prereq": [
    "sft"
   ],
   "keywords": [
    "LookAhead Defense",
    "Safety Buffer",
    "dormant poisoning",
    "safe fine-tuning",
    "update preview",
    "over-refusal",
    "agent poisoning"
   ],
   "source_ids": [
    "lookahead-arxiv-2610-24379"
   ],
   "url": "https://aiatlasgraph.com/t/lookaheaddefense",
   "markdown_url": "https://aiatlasgraph.com/t/lookaheaddefense.md",
   "updated": "2026-10-30"
  },
  "loopedtf": {
   "id": "loopedtf",
   "parent_id": "latentloops",
   "label": "Transformery w pętli",
   "canonical_name": "Looped transformers",
   "aliases": [
    "Universal Transformer",
    "weight-tied transformer"
   ],
   "description": "Współdzielony blok transformera stosowany rekurencyjnie do reprezentacji sekwencji, czasem z osobnym zatrzymaniem pozycji.",
   "description_en": "A shared transformer block applied recurrently to sequence representations, sometimes with per-position halting.",
   "plain": "Te same warstwy uwagi liczą się wielokrotnie, zamiast dokładać nową warstwę na każdy krok.",
   "plain_en": "The same attention layers run many times, instead of adding a new layer for each step.",
   "solves": "Głębsza sieć kosztuje osobne wagi, a zadanie wymaga różnej liczby powtórzeń.",
   "solves_en": "A deeper network costs separate weights, and the task needs a varying number of repeats.",
   "does": "Jeden blok poprawia reprezentację całej sekwencji w kolejnych obrotach, czasem kończąc pozycje wcześniej.",
   "does_en": "One block revises the whole sequence over successive passes, sometimes finishing positions early.",
   "example": "Przy poprawianiu tabeli model kilkukrotnie przelicza te same warstwy, za każdym razem aktualizując reprezentację układu.",
   "example_en": "When fixing a table, the model reruns the same layers several times, updating the layout representation on each pass.",
   "for_you": [
    "chcesz głębokość bez nowych wag",
    "zadanie ma kroki o różnej trudności",
    "ten sam blok ma liczyć iteracyjnie"
   ],
   "for_you_en": [
    "want depth without new weights",
    "a task has steps of varying difficulty",
    "the same block should run iteratively"
   ],
   "how": "W każdym obrocie uwaga łączy pozycje, a wspólne wagi poprawiają ich stany. Mechanizm zatrzymania może skończyć pracę pozycji wcześniej. Osobna linia prac pokazuje, że zapętlony płytki transformer z ustalonymi wagami może wykonywać programy zapisane na wejściu.",
   "how_en": "Each pass uses attention to mix positions, and shared weights revise their states. A halting mechanism can stop a position early. A separate line of work shows a looped shallow transformer with fixed weights can run programs written in the input.",
   "limits": "Za mało obrotów może zostawić błąd, a za dużo marnuje obliczenia. Mechanizm zatrzymania trzeba wyuczyć lub skonfigurować. Programowalność modelu ze stałymi wagami nie jest tym samym co uczenie modelu językowego od zera.",
   "limits_en": "Too few passes can leave errors, while too many waste compute. The halting mechanism must be trained or configured. Programmability with fixed weights is not the same as training a language model from scratch.",
   "terms": [
    {
     "gloss": "Użycie tych samych wag w kolejnych powtórzeniach bloku.",
     "term": "wiązanie wag"
    },
    {
     "gloss": "Osobna decyzja, czy dana pozycja sekwencji kończy liczenie.",
     "term": "zatrzymanie pozycji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Using the same weights on successive repeats of a block.",
     "term": "weight tying"
    },
    {
     "gloss": "A separate decision on whether a sequence position stops computing.",
     "term": "position halting"
    }
   ],
   "prereq": [
    "transformers"
   ],
   "keywords": [
    "Universal Transformer",
    "weight tying",
    "adaptive computation time",
    "recurrent self-attention",
    "looped transformer",
    "Turing completeness",
    "instruction-set emulation"
   ],
   "source_ids": [
    "dehghani-ut-2018",
    "giannou-looped-2023",
    "liu-loopcd-2026"
   ],
   "url": "https://aiatlasgraph.com/t/loopedtf",
   "markdown_url": "https://aiatlasgraph.com/t/loopedtf.md",
   "updated": "2026-10-30"
  },
  "lora": {
   "id": "lora",
   "parent_id": "peft",
   "label": "LoRA",
   "canonical_name": "Low-rank adaptation",
   "description": "Dostrajanie z użyciem adapterów o niskim rzędzie. Technika stosowana m.in. do modeli języka i obrazu.",
   "description_en": "Fine-tuning with low-rank adapters. Used for language and image models alike.",
   "examples": "Nie jest synonimem całego fine-tuningu. W sesji użytkownik opisał wcześniejszą praktykę przy obrazie.",
   "examples_en": "Not a synonym for fine-tuning as a whole. In this session the user described earlier practice on images.",
   "plain": "To dostrajanie modelu przez mały zestaw zmian dodawanych do jego dużych tabel ustawień.",
   "plain_en": "This adapts a model using small updates added to its large parameter matrices.",
   "solves": "Pełne dostrajanie dużych tabel modelu zużywa zbyt dużo pamięci i wymaga przechowywania dużych zmian.",
   "solves_en": "Adapting full parameter matrices uses too much memory and requires storing large updates.",
   "does": "Zmianę dużej tabeli opisuje iloczyn mniejszych tabel, a trening uczy tylko ten zwarty zapis zamiast wszystkich oryginalnych ustawień.",
   "does_en": "The update to a large matrix is represented by smaller matrices, and training learns this compact update rather than all original parameters.",
   "example": "Uczysz model pisać krótkie opisy sklepu i zapisujesz mały adapter, który można dołączyć do wspólnej wersji bazowej.",
   "example_en": "You teach a model to write brief shop descriptions and save a small adapter that attaches to the shared base version.",
   "for_you": [
    "chcesz dostrajać model przy mniejszej pamięci",
    "potrzebujesz małego pliku zmian dla zadania"
   ],
   "for_you_en": [
    "want model adaptation with less memory",
    "need a small task-specific update file"
   ],
   "how": "Do zamrożonej macierzy wag dodaje się skalowany iloczyn dwóch mniejszych macierzy. Trening aktualizuje wyłącznie te czynniki, a ich iloczyn można później scalić z wagą bazową lub stosować jako osobną poprawkę.",
   "how_en": "A scaled product of two smaller matrices is added to a frozen weight matrix. Training updates only these factors, whose product can later merge into base weights or remain a separate adjustment.",
   "limits": "Niski rząd ogranicza klasę dostępnych aktualizacji, a wybór warstw wpływa na jakość. Nadal potrzebna jest pamięć aktywacji; adapter musi pasować do użytej bazy i jej przekształceń.",
   "limits_en": "Low rank restricts available updates, while layer selection affects quality. Activation memory is still needed; adapters must match the base and its transformations.",
   "terms": [
    {
     "gloss": "Liczba niezależnych kierunków reprezentowanych przez macierz zmiany wag.",
     "term": "rząd aktualizacji"
    },
    {
     "gloss": "Mniejsze macierze, których iloczyn tworzy aktualizację wagi.",
     "term": "czynniki macierzowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "The number of independent directions represented by a weight-change matrix.",
     "term": "update rank"
    },
    {
     "gloss": "Smaller matrices whose product forms a weight update.",
     "term": "matrix factors"
    }
   ],
   "prereq": [
    "linearalgebra",
    "backprop"
   ],
   "keywords": [
    "PEFT library",
    "rank r",
    "lora_alpha",
    "target modules",
    "merge adapter weights",
    "low-rank decomposition"
   ],
   "source_ids": [
    "peft"
   ],
   "url": "https://aiatlasgraph.com/t/lora",
   "markdown_url": "https://aiatlasgraph.com/t/lora.md",
   "updated": "2026-10-30"
  },
  "loravariants": {
   "id": "loravariants",
   "parent_id": "lora",
   "label": "Warianty LoRA (DoRA, LoRA+, AdaLoRA)",
   "canonical_name": "LoRA variants",
   "aliases": [
    "DoRA",
    "LoRA+",
    "AdaLoRA",
    "VeRA",
    "LoRA variants"
   ],
   "description": "Ulepszenia podstawowej LoRA: rozdzielenie wielkości i kierunku wag, różne kroki uczenia dla dwóch macierzy adaptera, adaptacyjny dobór rzędu. Mają zbliżyć wyniki do pełnego dostrajania.",
   "description_en": "Refinements of basic LoRA: separating weight magnitude and direction, different learning rates for the two adapter matrices, adaptive rank allocation. They aim to close the gap to full fine-tuning.",
   "examples": "DoRA · LoRA+ · AdaLoRA · VeRA",
   "examples_en": "DoRA · LoRA+ · AdaLoRA · VeRA",
   "plain": "To odmiany małych adapterów zmieniające sposób zapisu lub uczenia poprawek modelu.",
   "plain_en": "These small-adapter variants change how model updates are represented or trained.",
   "solves": "Podstawowy adapter oszczędza zasoby, ale nie zawsze daje potrzebną jakość lub tempo uczenia.",
   "solves_en": "A basic adapter saves resources but does not always provide the needed quality or learning speed.",
   "does": "Metody rozdzielają kierunek i wielkość zmian, dobierają różne kroki uczenia albo dostosowują rozmiar zapisu do ważności poszczególnych części.",
   "does_en": "Methods separate update direction and magnitude, choose different learning rates or adapt representation size to the importance of individual components.",
   "example": "Porównujesz warianty adaptera na tych samych opisach produktów, mierząc jakość odpowiedzi i czas treningu.",
   "example_en": "You compare adapter variants on the same product descriptions, measuring response quality and training time.",
   "for_you": [
    "podstawowy adapter nie daje oczekiwanych wyników",
    "porównujesz różne sposoby oszczędnego dostrajania"
   ],
   "for_you_en": [
    "find a basic adapter underperforms",
    "compare different efficient adaptation methods"
   ],
   "how": "Warianty zmieniają parametryzację lub optymalizację aktualizacji niskiego rzędu. DoRA rozdziela wielkość i kierunek wag, LoRA+ dobiera różne kroki dla czynników, a AdaLoRA przydziela budżet rzędu między macierzami podczas treningu.",
   "how_en": "Variants change low-rank update parameterisation or optimisation. DoRA separates weight magnitude and direction, LoRA+ uses different learning rates for factors, and AdaLoRA allocates rank budgets across matrices during training.",
   "limits": "Dodatkowe mechanizmy zwiększają liczbę ustawień oraz wymagania implementacji. Korzyść zależy od zadania i budżetu; zgodność zapisanych adapterów oraz możliwość scalania różnią się między wariantami.",
   "limits_en": "Additional mechanisms increase settings and implementation requirements. Benefits depend on tasks and budgets; saved-adapter compatibility and merge options vary across variants.",
   "terms": [
    {
     "gloss": "Oddzielne sterowanie skalą wektora wagi i jego orientacją.",
     "term": "dekompozycja wielkości i kierunku"
    },
    {
     "gloss": "Zmiana liczby kierunków aktualizacji przypisanych poszczególnym macierzom.",
     "term": "adaptacyjny rząd"
    }
   ],
   "terms_en": [
    {
     "gloss": "Separate control of a weight vector's scale and orientation.",
     "term": "magnitude-direction decomposition"
    },
    {
     "gloss": "Changing the number of update directions assigned to individual matrices.",
     "term": "adaptive rank"
    }
   ],
   "prereq": [
    "optimizers",
    "linearalgebra"
   ],
   "keywords": [
    "DoRA",
    "LoRA+",
    "AdaLoRA",
    "rsLoRA",
    "PiSSA",
    "VeRA"
   ],
   "source_ids": [
    "peft-survey-2024",
    "hf-peft-docs",
    "dora-2024",
    "loraplus-2024"
   ],
   "url": "https://aiatlasgraph.com/t/loravariants",
   "markdown_url": "https://aiatlasgraph.com/t/loravariants.md",
   "updated": "2026-10-30"
  },
  "lossfunctions": {
   "id": "lossfunctions",
   "parent_id": "neuralbasics",
   "label": "Funkcje straty (entropia krzyżowa, MSE)",
   "canonical_name": "Loss functions (cross-entropy, MSE)",
   "aliases": [
    "loss function",
    "funkcja straty",
    "funkcja kosztu",
    "cross-entropy",
    "entropia krzyżowa",
    "MSE",
    "mean squared error"
   ],
   "description": "Liczba, którą trening minimalizuje: mówi, jak bardzo przewidywania odbiegają od celu. Entropia krzyżowa służy do klasyfikacji i przewidywania następnego tokenu, błąd średniokwadratowy (MSE) do regresji i m.in. do przewidywania szumu w modelach dyfuzyjnych.",
   "description_en": "The number training minimises: how far predictions are from the target. Cross-entropy is used for classification and next-token prediction; mean squared error (MSE) for regression and, among others, noise prediction in diffusion models.",
   "examples": "entropia krzyżowa (log loss) · MSE · wygładzanie etykiet (label smoothing)",
   "examples_en": "cross-entropy (log loss) · MSE · label smoothing",
   "plain": "To sposób zapisania błędu modelu jako liczby, którą trening próbuje zmniejszyć.",
   "plain_en": "This expresses a model's error as a number that training tries to reduce.",
   "solves": "Musisz określić, które pomyłki są kosztowne, zanim model będzie mógł poprawiać swoje przewidywania.",
   "solves_en": "You need to specify which mistakes are costly before a model can improve its predictions.",
   "does": "Porównuje przewidywania z oczekiwanym wynikiem i nadaje pomyłkom koszt według wybranej reguły.",
   "does_en": "It compares predictions with expected outcomes and assigns mistakes a cost according to a chosen rule.",
   "example": "Ucząc prognozy czasu dostawy, wybierasz miarę, która mocniej karze duże pomyłki niż niewielkie odchylenia.",
   "example_en": "When training delivery-time predictions, you choose a measure that penalises large mistakes more than small deviations.",
   "for_you": [
    "wybierasz cel treningu",
    "różne błędy mają dla ciebie różne znaczenie"
   ],
   "for_you_en": [
    "choose a training objective",
    "care differently about different kinds of mistakes"
   ],
   "how": "Strata przypisuje koszt przewidywaniu i celowi, a agregacja po przykładach definiuje optymalizowany cel. Entropia krzyżowa ocenia przypisaną prawdopodobność właściwego wyniku, natomiast strata kwadratowa penalizuje odległość liczbową i silniej waży duże błędy.",
   "how_en": "A loss assigns cost to predictions and targets, and aggregation over examples defines the objective. Cross-entropy evaluates probability assigned to the correct outcome, while squared loss penalises numerical distance and weights large errors more heavily.",
   "limits": "Cel zastępczy może nie odpowiadać ocenie użytkowej. Wagi klas, redukcja i wartości odstające zmieniają gradienty; błędne etykiety uczą model niewłaściwego zachowania.",
   "limits_en": "A surrogate objective may not match practical evaluation. Class weights, reduction and outliers alter gradients; incorrect labels train inappropriate behaviour.",
   "terms": [
    {
     "gloss": "Różniczkowalny koszt używany zamiast bezpośredniej miary sukcesu zadania.",
     "term": "cel zastępczy"
    },
    {
     "gloss": "Sposób łączenia kosztów elementów lub przykładów w jeden wynik.",
     "term": "redukcja straty"
    }
   ],
   "terms_en": [
    {
     "gloss": "A differentiable cost used instead of a direct task-success measure.",
     "term": "surrogate objective"
    },
    {
     "gloss": "The method of combining element or example costs into one value.",
     "term": "loss reduction"
    }
   ],
   "prereq": [
    "distributions",
    "mathoptimization"
   ],
   "keywords": [
    "cross-entropy",
    "MSE",
    "label smoothing",
    "Huber loss",
    "loss reduction",
    "class-weighted loss"
   ],
   "source_ids": [
    "udlbook-toc",
    "pytorch-loss-docs",
    "ddpm-2020"
   ],
   "url": "https://aiatlasgraph.com/t/lossfunctions",
   "markdown_url": "https://aiatlasgraph.com/t/lossfunctions.md",
   "updated": "2026-10-30"
  },
  "lrschedules": {
   "id": "lrschedules",
   "parent_id": "optimization",
   "label": "Harmonogram learning rate (rozgrzewka, cosinus, WSD)",
   "canonical_name": "Learning-rate schedules",
   "aliases": [
    "learning rate schedule",
    "LR schedule",
    "warmup",
    "cosine schedule",
    "WSD",
    "harmonogram uczenia"
   ],
   "description": "Plan zmiany kroku uczenia w trakcie treningu. Częste schematy obejmują rozgrzewkę i późniejsze wygaszanie; WSD dodaje dłuższą fazę stałego kroku przed końcowym spadkiem, co ułatwia przedłużanie treningu.",
   "description_en": "A plan for changing the learning rate during training. Common patterns include warm-up followed by decay; WSD adds a longer stable-rate phase before the final decay, making training runs easier to extend.",
   "examples": "warmup · spadek cosinusowy · warmup–stable–decay (WSD) · cooldown",
   "examples_en": "warmup · cosine decay · warmup–stable–decay (WSD) · cooldown",
   "plain": "To plan zmieniania wielkości poprawek modelu w trakcie treningu.",
   "plain_en": "This schedules changes to the size of model updates during training.",
   "solves": "Duże kroki pomagają na początku, ale później mogą psuć wynik; zbyt małe od początku spowalniają naukę.",
   "solves_en": "Large steps can help early but later damage results; starting too small slows learning.",
   "does": "Harmonogram może stopniowo zwiększać krok, utrzymywać go przez część treningu, a potem zmniejszać, dopasowując tempo do etapu nauki.",
   "does_en": "A schedule can gradually raise the step size, hold it for part of training and then lower it as learning progresses.",
   "example": "W długim treningu zaczynasz od łagodnych aktualizacji, a pod koniec zmniejszasz krok, żeby dopracować model.",
   "example_en": "In a long training run, you begin with gentle updates and reduce the step size near the end to refine the model.",
   "for_you": [
    "planujesz dłuższy trening",
    "chcesz zmieniać tempo aktualizacji między etapami"
   ],
   "for_you_en": [
    "plan a longer training run",
    "want update speed to vary across stages"
   ],
   "how": "Funkcja czasu lub postępu danych zmienia learning rate kolejnych aktualizacji. Rozgrzewka ogranicza początkowy krok, faza stała utrzymuje tempo, a wygaszanie zmniejsza ruch parametrów pod koniec wybranego odcinka treningu.",
   "how_en": "A time or data-progress function changes successive-update learning rates. Warmup limits initial steps, a stable phase maintains pace, and decay reduces parameter movement near a chosen training segment's end.",
   "limits": "Harmonogram zależy od całkowitego budżetu, batcha i optymalizatora. Przedłużenie po wygaszeniu może wymagać nowego planu; zbyt duży krok destabilizuje, a zbyt mały spowalnia uczenie.",
   "limits_en": "Schedules depend on total budgets, batch sizes and optimisers. Extending after decay can require replanning; excessive steps destabilise while tiny steps slow learning.",
   "terms": [
    {
     "gloss": "Stopniowe zwiększanie kroku uczenia na początku przebiegu.",
     "term": "warmup"
    },
    {
     "gloss": "Zaplanowane zmniejszanie kroku uczenia w kolejnych aktualizacjach.",
     "term": "decay"
    }
   ],
   "terms_en": [
    {
     "gloss": "Gradually increasing learning rates at the start of a run.",
     "term": "warmup"
    },
    {
     "gloss": "A planned decrease in learning rates across updates.",
     "term": "decay"
    }
   ],
   "prereq": [
    "optimizers",
    "biasvariance"
   ],
   "keywords": [
    "linear warmup",
    "cosine decay",
    "WSD schedule",
    "one-cycle policy",
    "inverse square root schedule",
    "learning rate finder"
   ],
   "source_ids": [
    "wsd-hagele-2024",
    "d2l-optimization"
   ],
   "url": "https://aiatlasgraph.com/t/lrschedules",
   "markdown_url": "https://aiatlasgraph.com/t/lrschedules.md",
   "updated": "2026-10-30"
  },
  "lstmgru": {
   "id": "lstmgru",
   "parent_id": "cnn",
   "label": "LSTM i GRU — sieci z bramkami pamięci",
   "canonical_name": "LSTM and GRU (gated recurrent networks)",
   "aliases": [
    "LSTM",
    "long short-term memory",
    "GRU",
    "gated recurrent unit",
    "gated RNN"
   ],
   "description": "Rekurencyjne sieci z mechanizmami bramkującymi, które sterują przepływem i przechowywaniem informacji w stanie ukrytym. LSTM używa osobnego stanu komórki oraz bramek wejścia, zapominania i wyjścia; GRU łączy część tych mechanizmów w prostszej konstrukcji z bramkami resetu i aktualizacji.",
   "description_en": "Recurrent networks with gating mechanisms that control how information flows into and remains in hidden state. LSTM uses a separate cell state with input, forget and output gates; GRU combines some of these mechanisms in a simpler design with reset and update gates.",
   "examples": "LSTM · GRU · dwukierunkowe RNN",
   "examples_en": "LSTM · GRU · bidirectional RNN",
   "plain": "To sieci sekwencyjne z bramkami decydującymi, jakie wcześniejsze informacje zachować, zmienić lub zapomnieć.",
   "plain_en": "These sequence networks use gates to decide which earlier information to retain, update or forget.",
   "solves": "Zwykła sieć sekwencyjna może gubić informacje potrzebne wiele kroków później.",
   "solves_en": "A basic sequence network can lose information needed many steps later.",
   "does": "Wyuczone bramki regulują przepływ do pamięci i z pamięci, pomagając utrzymać wybrane sygnały przez dłuższy czas.",
   "does_en": "Learned gates regulate information flowing into and out of memory, helping selected signals persist longer.",
   "example": "Model śledzi nagranie wypowiedzi i zachowuje informacje potrzebne do zinterpretowania jej dalszej części.",
   "example_en": "A model follows a speech recording and retains information needed to interpret later parts.",
   "for_you": [
    "ważne informacje są rozdzielone w czasie",
    "poznajesz sposoby utrzymywania pamięci w sieci"
   ],
   "for_you_en": [
    "work with important information separated in time",
    "study ways to maintain network memory"
   ],
   "how": "Bramki zależne od wejścia i stanu regulują zachowanie, dodawanie i ujawnianie informacji. LSTM oddziela stan komórki od wyjścia, a GRU łączy aktualizację pamięci w prostszą rekurencję z bramkami resetu i aktualizacji.",
   "how_en": "Input- and state-dependent gates regulate information retention, addition and exposure. LSTM separates cell state from output, while GRU combines memory updates into a simpler recurrence with reset and update gates.",
   "limits": "Bramkowanie łagodzi problemy pamięci, ale nie usuwa sekwencyjnego kosztu obliczeń. Długie zależności nadal bywają trudne, a dodatkowe macierze zwiększają liczbę parametrów.",
   "limits_en": "Gating mitigates memory problems but does not remove sequential computation costs. Long dependencies remain challenging, and additional matrices increase parameter count.",
   "terms": [
    {
     "gloss": "Osobna ścieżka pamięci regulowana przez bramki w LSTM.",
     "term": "stan komórki"
    },
    {
     "gloss": "Współczynnik określający udział wcześniejszego stanu i nowych informacji.",
     "term": "bramka aktualizacji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A separate memory path regulated by gates in LSTM.",
     "term": "cell state"
    },
    {
     "gloss": "A coefficient controlling contributions from previous state and new information.",
     "term": "update gate"
    }
   ],
   "prereq": [
    "rnn",
    "calculus"
   ],
   "keywords": [
    "LSTM",
    "GRU",
    "forget gates",
    "cell state",
    "update gates",
    "bidirectional RNN"
   ],
   "source_ids": [
    "d2l-toc",
    "colah-lstm-2015",
    "cho-gru-2014"
   ],
   "url": "https://aiatlasgraph.com/t/lstmgru",
   "markdown_url": "https://aiatlasgraph.com/t/lstmgru.md",
   "updated": "2026-10-30"
  },
  "machinediagnostics": {
   "id": "machinediagnostics",
   "parent_id": "predictivemaint",
   "label": "Diagnostyka maszyn z drgań i dźwięku",
   "canonical_name": "Machine fault diagnosis from vibration and acoustic signals",
   "aliases": [
    "fault diagnosis",
    "vibration analysis",
    "bearing fault detection",
    "acoustic condition monitoring",
    "machine health monitoring",
    "analiza drgań",
    "diagnostyka łożysk"
   ],
   "description": "Klasyfikacja typu i miejsca uszkodzenia (łożyska, przekładnie, niewyważenie) z sygnałów drgań, prądu i dźwięku, metodami klasycznymi i głębokim uczeniem.",
   "description_en": "Classifying fault type and location (bearings, gears, imbalance) from vibration, current and acoustic signals, with classical methods and deep learning.",
   "plain": "Rozpoznawanie, co dokładnie psuje się w maszynie, po tym, jak drga, brzęczy albo szumi podczas pracy.",
   "plain_en": "Working out exactly what is failing in a machine from how it shakes, rattles or hums while running.",
   "solves": "Wiadomo, że maszyna pracuje dziwnie, ale nie wiadomo, czy winne jest łożysko, przekładnia, czy niewyważony wirnik, a rozbiórka kosztuje dzień przestoju.",
   "solves_en": "A machine runs oddly, but is it the bearing, the gearbox or an unbalanced rotor? Taking it apart costs a day of downtime.",
   "does": "Jak mechanik, który przykłada śrubokręt do silnika i po samym dźwięku mówi, która część się kończy, tyle że słucha bez przerwy.",
   "does_en": "Like a mechanic who puts a screwdriver to an engine and tells from the sound which part is going, except it listens nonstop.",
   "example": "Czujnik przyklejony do silnika wentylatora w hali wysyła drgania do programu, który rozpoznaje uszkodzenie łożyska i pokazuje je na tablicy technika.",
   "example_en": "A sensor stuck to a fan motor in the hall sends vibrations to software that recognises a bearing fault and shows it on the technician's board.",
   "for_you": [
    "pracujesz z silnikami, pompami, przekładniami lub wentylatorami",
    "słyszysz, że maszyna brzmi inaczej, i chcesz wiedzieć dlaczego"
   ],
   "for_you_en": [
    "work with motors, pumps, gearboxes or fans",
    "hear a machine sound different and want to know why"
   ],
   "how": "Sygnał z akcelerometru przekształca się do dziedziny częstotliwości lub czas–częstotliwość (widmo, obwiednia, spektrogram) i szuka charakterystycznych częstotliwości uszkodzeń. Autoenkodery, sieci konwolucyjne i rekurencyjne uczą się cech wprost z surowego sygnału lub spektrogramu. Popularne są publiczne zbiory z uszkodzeniami łożysk wprowadzanymi celowo w laboratorium.",
   "how_en": "The accelerometer signal is transformed into the frequency or time–frequency domain (spectrum, envelope, spectrogram) to look for characteristic fault frequencies. Autoencoders, convolutional and recurrent networks learn features directly from the raw signal or spectrogram. Public datasets with bearing faults seeded deliberately in the lab are popular.",
   "limits": "Uszkodzenia laboratoryjne są sztuczne i wyraźniejsze niż prawdziwe, więc wysoka trafność na benchmarku nie oznacza skuteczności w hali. Zmiana prędkości obrotowej i obciążenia zmienia sygnał. Czujniki trzeba dobrze zamocować i zasilić.",
   "limits_en": "Lab-seeded faults are artificial and clearer than real ones, so high benchmark accuracy does not mean success on the shop floor. Changes in speed and load alter the signal. Sensors must be mounted and powered properly.",
   "terms": [
    {
     "gloss": "Wyciąganie z drgań rytmicznych uderzeń typowych dla uszkodzonego łożyska.",
     "term": "analiza obwiedni"
    },
    {
     "gloss": "Obraz pokazujący, jak częstotliwości sygnału zmieniają się w czasie.",
     "term": "spektrogram"
    },
    {
     "gloss": "Czujnik mierzący drgania obudowy maszyny.",
     "term": "akcelerometr"
    }
   ],
   "terms_en": [
    {
     "gloss": "Extracting the rhythmic impacts typical of a damaged bearing from vibration.",
     "term": "envelope analysis"
    },
    {
     "gloss": "An image showing how a signal's frequencies change over time.",
     "term": "spectrogram"
    },
    {
     "gloss": "A sensor measuring vibration of a machine's housing.",
     "term": "accelerometer"
    }
   ],
   "prereq": [
    "cnn",
    "anomalydetection"
   ],
   "keywords": [
    "vibration analysis",
    "envelope analysis",
    "CWRU bearing dataset",
    "Paderborn bearing dataset",
    "spectrogram CNN",
    "autoencoder",
    "order tracking",
    "domain adaptation"
   ],
   "source_ids": [
    "zhao-dl-machine-health-2016",
    "cwru-bearing-data-center"
   ],
   "url": "https://aiatlasgraph.com/t/machinediagnostics",
   "markdown_url": "https://aiatlasgraph.com/t/machinediagnostics.md",
   "updated": "2026-10-30"
  },
  "machinereadablelaw": {
   "id": "machinereadablelaw",
   "parent_id": "computationallaw",
   "label": "Ustrukturyzowane dokumenty prawne",
   "canonical_name": "Structured legal documents",
   "aliases": [
    "machine-readable legislation",
    "Akoma Ntoso",
    "LegalDocML",
    "European Legislation Identifier",
    "ELI",
    "legislative XML",
    "structured legislation",
    "ustrukturyzowane akty prawne"
   ],
   "description": "Standardy ustrukturyzowanego zapisu i identyfikacji dokumentów prawnych w XML i RDF, umożliwiające precyzyjne linkowanie, wersjonowanie i konsolidację.",
   "description_en": "Standards for structured encoding and identification of legal documents in XML and RDF, enabling precise linking, versioning and consolidation.",
   "plain": "Ustawy i wyroki zapisane tak, żeby komputer widział ich budowę: artykuły, paragrafy, wersje, zmiany i stałe adresy w sieci.",
   "plain_en": "Laws and rulings recorded so a computer sees their structure: articles, paragraphs, versions, amendments and permanent web addresses.",
   "solves": "Akty publikowane jako zwykłe dokumenty trudno precyzyjnie przeszukiwać, linkować do konkretnego przepisu i sprawdzić, jak brzmiały w danym dniu.",
   "solves_en": "Laws published as plain documents are hard to search precisely, link to a specific provision, or read as they stood on a given day.",
   "does": "Jak porządny katalog biblioteczny z historią wydań: każdy przepis ma swoje miejsce, adres i daty obowiązywania.",
   "does_en": "Like a good library catalogue with edition history: every provision has its place, address and dates in force.",
   "example": "Asystent prawny podaje brzmienie przepisu sprzed nowelizacji z dokładnym linkiem do artykułu, bo baza zna wszystkie wersje ustawy.",
   "example_en": "A legal assistant gives a provision's wording from before an amendment, with an exact link to the article, because the database knows every version of the law.",
   "for_you": [
    "budujesz wyszukiwarkę lub asystenta opartego na przepisach",
    "potrzebujesz brzmienia przepisu z konkretnej daty",
    "publikujesz akty prawne lub decyzje"
   ],
   "for_you_en": [
    "build a search engine or assistant based on legislation",
    "need a provision's wording as of a specific date",
    "publish legal acts or decisions"
   ],
   "how": "Akoma Ntoso (standard OASIS z 2018 r.) to słownik XML dla ustaw, projektów, debat, wyroków i dzienników urzędowych, ze wspólną strukturą części i czterema poziomami FRBR: dzieło, wersja, manifestacja, egzemplarz. ELI daje szablony trwałych identyfikatorów i ontologię metadanych osadzanych w stronach urzędowych. Systemy AI mogą dzięki temu dzielić tekst po jednostkach redakcyjnych i cytować dokładne przepisy.",
   "how_en": "Akoma Ntoso (an OASIS standard, 2018) is an XML vocabulary for acts, bills, debates, judgments and gazettes, with a common part structure and four FRBR levels: work, expression, manifestation, item. ELI provides persistent identifier templates and a metadata ontology embedded in official pages. AI systems can then split text by legal units and cite exact provisions.",
   "limits": "Wdrożenie jest dobrowolne i nierówne między krajami, a jakość znakowania zależy od wydawcy. Wiele archiwów istnieje tylko jako skany lub PDF. Standard opisuje strukturę i metadane, a nie logikę normy, więc sam nie pozwala niczego wnioskować.",
   "limits_en": "Adoption is voluntary and uneven across countries, and markup quality depends on the publisher. Many archives exist only as scans or PDFs. The standard describes structure and metadata, not the logic of a norm, so on its own it supports no inference.",
   "terms": [
    {
     "gloss": "Brzmienie ustawy z naniesionymi wszystkimi zmianami.",
     "term": "tekst jednolity (konsolidacja)"
    },
    {
     "gloss": "Model rozróżniający dzieło, jego wersje i konkretne pliki.",
     "term": "FRBR"
    },
    {
     "gloss": "Artykuł, ustęp lub punkt aktu prawnego.",
     "term": "jednostka redakcyjna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A law's text with all amendments incorporated.",
     "term": "consolidation"
    },
    {
     "gloss": "A model distinguishing a work, its versions and concrete files.",
     "term": "FRBR"
    },
    {
     "gloss": "An article, paragraph or point of a legal act.",
     "term": "legal unit"
    }
   ],
   "prereq": [
    "ontologies",
    "chunking"
   ],
   "keywords": [
    "Akoma Ntoso",
    "LegalDocML",
    "European Legislation Identifier",
    "ELI ontology",
    "FRBR",
    "XML",
    "JSON-LD",
    "consolidation",
    "point-in-time legislation",
    "LegalRuleML"
   ],
   "source_ids": [
    "oasis-akoma-ntoso-2018",
    "eurlex-eli-about"
   ],
   "url": "https://aiatlasgraph.com/t/machinereadablelaw",
   "markdown_url": "https://aiatlasgraph.com/t/machinereadablelaw.md",
   "updated": "2026-10-30"
  },
  "machinetranslation": {
   "id": "machinetranslation",
   "parent_id": "nlp",
   "label": "Tłumaczenie maszynowe",
   "canonical_name": "Machine translation",
   "aliases": [
    "machine translation",
    "MT",
    "neural machine translation",
    "NMT",
    "LLM translation",
    "tłumaczenie maszynowe",
    "przekład maszynowy",
    "tłumacz automatyczny"
   ],
   "description": "Automatyczny przekład tekstu między językami. Droga rozwoju: systemy statystyczne → neuronowe enkoder–dekoder z mechanizmem uwagi i Transformery → masowo wielojęzyczne modele oraz LLM tłumaczące na podstawie promptu.",
   "description_en": "Automatic translation of text between languages. It evolved from statistical systems to neural encoder–decoders with attention and Transformers, then to massively multilingual models and prompted LLMs.",
   "examples": "NMT · seq2seq z uwagą · modele wielojęzyczne (NLLB) · FLORES-200 · BLEU, COMET · tłumaczenie przez LLM",
   "examples_en": "NMT · seq2seq with attention · multilingual models (NLLB) · FLORES-200 · BLEU, COMET · LLM translation",
   "plain": "To przekładanie tekstu z jednego języka na drugi przez program, bez udziału tłumacza.",
   "plain_en": "This is software translating text from one language into another without a human translator.",
   "solves": "Ważne informacje są napisane w językach, których nie znasz, a profesjonalny przekład trwa i kosztuje.",
   "solves_en": "Useful information is written in languages you do not know, and professional translation takes time and money.",
   "does": "Wykorzystuje kontekst i poznane przykłady, żeby dobierać wyrażenia w drugim języku; idiomy i szczegóły znaczenia mogą wymagać korekty.",
   "does_en": "It uses context and learned examples to choose expressions in another language; idioms and subtle meanings may need correction.",
   "example": "Czytasz instrukcję obsługi po japońsku, robisz zdjęcie telefonem i widzisz tekst po polsku nałożony na oryginał.",
   "example_en": "Faced with a manual in an unfamiliar language, you point your phone at it and see translated text over the original.",
   "for_you": [
    "czytasz lub piszesz w obcym języku",
    "publikujesz treści dla odbiorców z różnych krajów",
    "sprawdzasz, czy automatyczny przekład można wysłać bez poprawek"
   ],
   "for_you_en": [
    "read or write in a foreign language",
    "publish content for readers in several countries",
    "check whether a machine translation is safe to send as is"
   ],
   "how": "Model koduje zdanie źródłowe i przewiduje tekst docelowy warunkowany jego reprezentacją. Uwaga lub wspólny kontekst językowy wiążą generowane fragmenty z odpowiednimi częściami wejścia, uwzględniając zależności poza dosłowną kolejnością słów.",
   "how_en": "The model encodes source sentences and predicts target text conditioned on their representations. Attention or shared language context links generated passages to relevant input parts beyond literal word order.",
   "limits": "Nazwy, idiomy i nieobecny kontekst mogą zmienić znaczenie przekładu. Płynność nie dowodzi wierności, a jakość różni się między kierunkami i domenami.",
   "limits_en": "Names, idioms and missing context can alter translated meaning. Fluency does not prove faithfulness, and quality varies across directions and domains.",
   "terms": [
    {
     "gloss": "Powiązanie fragmentów tekstu źródłowego i docelowego.",
     "term": "alignment"
    },
    {
     "gloss": "Pary treści o odpowiadającym znaczeniu w różnych językach.",
     "term": "tekst równoległy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Correspondences between source-text and target-text segments.",
     "term": "alignment"
    },
    {
     "gloss": "Pairs of content with corresponding meanings in different languages.",
     "term": "parallel text"
    }
   ],
   "prereq": [
    "transformers",
    "tokenization"
   ],
   "keywords": [
    "NLLB",
    "FLORES-200",
    "BLEU",
    "COMET",
    "encoder-decoder attention",
    "parallel corpora",
    "neural machine translation"
   ],
   "source_ids": [
    "hf-tasks-nlp",
    "jurafsky-martin-slp3",
    "bahdanau-2014-attention-nmt",
    "nllb-2022",
    "hendy-2023-gpt-mt"
   ],
   "url": "https://aiatlasgraph.com/t/machinetranslation",
   "markdown_url": "https://aiatlasgraph.com/t/machinetranslation.md",
   "updated": "2026-10-30"
  },
  "maintenancerag": {
   "id": "maintenancerag",
   "parent_id": "industrialassistants",
   "label": "Asystent awarii oparty na instrukcjach serwisowych (RAG)",
   "canonical_name": "Retrieval-augmented troubleshooting over technical manuals",
   "aliases": [
    "RAG for maintenance",
    "technical manual RAG",
    "fault code recommendation",
    "troubleshooting assistant",
    "asystent serwisowy RAG",
    "wyszukiwanie w dokumentacji technicznej"
   ],
   "description": "Zastosowanie RAG do diagnozy usterek: odpowiedź modelu językowego jest ugruntowana we fragmentach instrukcji technicznych lub tabelach kodów usterek.",
   "description_en": "Applying RAG to fault diagnosis: the language model's answer is grounded in technical-manual passages or fault-code tables.",
   "plain": "Asystent, który na opis usterki odpowiada fragmentami z instrukcji serwisowych tej konkretnej maszyny, a nie ogólną wiedzą z internetu.",
   "plain_en": "An assistant that answers a fault description with passages from this particular machine's service manuals, not general internet knowledge.",
   "solves": "Instrukcje mają setki stron, mechanik stoi przy zepsutej maszynie, a ogólny czatbot potrafi z pełnym przekonaniem zmyślić procedurę.",
   "solves_en": "Manuals run to hundreds of pages, the mechanic is standing at a broken machine, and a general chatbot can confidently invent a procedure.",
   "does": "Jak doświadczony kolega, który zanim coś doradzi, otwiera segregator z dokumentacją na właściwej stronie i pokazuje palcem.",
   "does_en": "Like an experienced colleague who, before advising, opens the binder at the right page and points to it.",
   "example": "Operator wpisuje „pompa hydrauliczna głośno pracuje po rozruchu” i dostaje prawdopodobny kod usterki z odnośnikiem do rozdziału instrukcji.",
   "example_en": "An operator types 'hydraulic pump runs loud after start-up' and gets a likely fault code with a link to the manual chapter.",
   "for_you": [
    "szukasz rozwiązań w grubych instrukcjach maszyn",
    "budujesz czatbota dla serwisu lub utrzymania ruchu",
    "boisz się, że AI wymyśli procedurę naprawy"
   ],
   "for_you_en": [
    "search thick machine manuals for fixes",
    "are building a chatbot for service or maintenance",
    "worry AI will invent a repair procedure"
   ],
   "how": "Tekst instrukcji wyciąga się z PDF, dzieli na fragmenty, zamienia na wektory i indeksuje; tabele usterek można indeksować po kodzie. Opis objawów służy jako zapytanie, a znalezione fragmenty trafiają do modelu, który proponuje diagnozę. Ewaluację warto prowadzić na zestawie scenariuszy, nie na pokazach.",
   "how_en": "Manual text is extracted from PDFs, chunked, embedded and indexed; fault tables can be indexed by code. The symptom description serves as the query and retrieved passages go to the model, which proposes a diagnosis. Evaluation should use a scenario set, not demos.",
   "limits": "W badaniu na instrukcji pojazdów RAG zmniejszył zmyślenia w swobodnej rozmowie, ale przy wyborze z ustalonej listy kodów samo wyszukiwanie wypadło lepiej niż RAG. Instrukcje bywają skanami z tabelami i rysunkami, a historia napraw często nie jest podłączona.",
   "limits_en": "In a study on a vehicle manual, RAG cut fabrications in free chat, but for picking from a fixed list of codes plain retrieval beat RAG. Manuals are often scans with tables and drawings, and repair history is often not connected.",
   "terms": [
    {
     "gloss": "Model najpierw wyszukuje dokumenty, potem odpowiada na ich podstawie.",
     "term": "RAG"
    },
    {
     "gloss": "Ustalony numer opisujący konkretny rodzaj awarii w dokumentacji.",
     "term": "kod usterki"
    },
    {
     "gloss": "Cięcie długiego dokumentu na kawałki do wyszukiwania.",
     "term": "fragmentacja (chunking)"
    }
   ],
   "terms_en": [
    {
     "gloss": "The model first retrieves documents, then answers from them.",
     "term": "RAG"
    },
    {
     "gloss": "A fixed number naming a specific failure type in documentation.",
     "term": "fault code"
    },
    {
     "gloss": "Cutting a long document into pieces for search.",
     "term": "chunking"
    }
   ],
   "prereq": [
    "retrieval",
    "textextraction"
   ],
   "keywords": [
    "retrieval-augmented generation",
    "fault code recommendation",
    "technical manuals",
    "sentence-transformers",
    "vector database",
    "LLM-as-judge",
    "hallucination rate",
    "PyMuPDF"
   ],
   "source_ids": [
    "lukens-rag-fault-diagnosis-manuals-2025"
   ],
   "url": "https://aiatlasgraph.com/t/maintenancerag",
   "markdown_url": "https://aiatlasgraph.com/t/maintenancerag.md",
   "updated": "2026-10-30"
  },
  "maintenancetlp": {
   "id": "maintenancetlp",
   "parent_id": "industrialassistants",
   "label": "Analiza notatek serwisowych i zleceń napraw (technical language processing)",
   "canonical_name": "Technical language processing of maintenance work orders",
   "aliases": [
    "technical language processing",
    "TLP",
    "maintenance work orders",
    "MWO",
    "maintenance text mining",
    "analiza zleceń utrzymania ruchu"
   ],
   "description": "Dziedzinowe podejście do NLP dla tekstów inżynierskich, zwłaszcza zleceń utrzymania ruchu, oparte na słownikach, typach encji i adnotacji z udziałem ludzi.",
   "description_en": "A domain-driven approach to NLP for engineering text, especially maintenance work orders, built on vocabularies, entity types and human-in-the-loop annotation.",
   "plain": "Zamienianie krótkich, pełnych skrótów i literówek notatek mechaników w uporządkowane dane o tym, co się psuło i jak to naprawiano.",
   "plain_en": "Turning mechanics' short notes, full of abbreviations and typos, into tidy data on what broke and how it was fixed.",
   "solves": "Lata historii napraw leżą w polach tekstowych typu „wymn. łoż. pomp 2”, których zwykłe narzędzia do tekstu nie rozumieją.",
   "solves_en": "Years of repair history sit in text fields like 'repl brg pmp 2', which ordinary text tools cannot understand.",
   "does": "Jak tłumacz zakorzeniony w warsztacie, który zna żargon zmiany nocnej i przepisuje go na wspólny słownik całej firmy.",
   "does_en": "Like a translator who grew up in the workshop, knows the night-shift slang and rewrites it into a company-wide vocabulary.",
   "example": "Dział niezawodności po raz pierwszy liczy, ile razy w ciągu pięciu lat wymieniano uszczelki w jednej pompie, choć każdy mechanik zapisywał to inaczej.",
   "example_en": "The reliability team counts for the first time how often one pump's seals were replaced over five years, although every mechanic wrote it differently.",
   "for_you": [
    "masz system zleceń napraw pełen wolnego tekstu",
    "chcesz z historii napraw wyciągnąć statystyki awarii",
    "przygotowujesz dane pod asystenta utrzymania ruchu"
   ],
   "for_you_en": [
    "have a work-order system full of free text",
    "want failure statistics from repair history",
    "are preparing data for a maintenance assistant"
   ],
   "how": "Teksty normalizuje się (skróty, literówki), a następnie oznacza encje takie jak element, problem i czynność, korzystając ze słowników dziedzinowych i tagowania wspomaganego przez ludzi. Wynik trafia do analiz niezawodności, np. liczenia awarii danego typu. Podejście zakłada wspólne, adnotowane zbiory danych dla całej branży.",
   "how_en": "Texts are normalised (abbreviations, typos) and then tagged for entities such as item, problem and action, using domain vocabularies and human-assisted tagging. The output feeds reliability analysis, e.g. counting failures of a given type. The approach calls for shared, annotated industry datasets.",
   "limits": "Zbiory zleceń napraw są zwykle poufne, więc adnotowanych danych publicznych jest mało. Gotowe narzędzia NLP słabo radzą sobie z żargonem bez dostosowania. Bez weryfikacji przez praktyków wyniki tracą zaufanie służb utrzymania ruchu.",
   "limits_en": "Work-order datasets are usually confidential, so public annotated data is scarce. Off-the-shelf NLP tools handle the jargon poorly without adaptation. Without checks by practitioners the results lose maintenance staff's trust.",
   "terms": [
    {
     "gloss": "Wpis w systemie utrzymania ruchu o zgłoszonej i wykonanej naprawie.",
     "term": "zlecenie pracy (MWO)"
    },
    {
     "gloss": "Zamiana skrótów i literówek na jednolitą formę.",
     "term": "normalizacja tekstu"
    },
    {
     "gloss": "Oznaczona w tekście rzecz, np. część, usterka lub czynność.",
     "term": "encja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A maintenance-system record of a reported and completed repair.",
     "term": "work order (MWO)"
    },
    {
     "gloss": "Turning abbreviations and typos into a uniform form.",
     "term": "text normalisation"
    },
    {
     "gloss": "A tagged thing in text, e.g. a part, fault or action.",
     "term": "entity"
    }
   ],
   "prereq": [
    "infoextraction"
   ],
   "keywords": [
    "maintenance work orders",
    "Nestor",
    "MaintNorm",
    "MaintIE",
    "named entity recognition",
    "text normalization",
    "CMMS",
    "reliability analysis"
   ],
   "source_ids": [
    "brundage-tlp-maintenance-2021"
   ],
   "url": "https://aiatlasgraph.com/t/maintenancetlp",
   "markdown_url": "https://aiatlasgraph.com/t/maintenancetlp.md",
   "updated": "2026-10-30"
  },
  "makerchecker": {
   "id": "makerchecker",
   "parent_id": "agentsnode",
   "label": "Autor i recenzent",
   "canonical_name": "Maker–checker review",
   "description": "Żaden agent nie ocenia własnej pracy; drugi zakłada, że wynik jest błędny, i szuka gdzie.",
   "description_en": "No agent grades its own work; a second one assumes the output is broken and looks for where.",
   "examples": "generator–krytyk · odrzucenie z powodem",
   "examples_en": "generator–critic · rejection with a reason",
   "plain": "To sposób pracy, w którym jeden asystent przygotowuje wynik, a drugi go sprawdza.",
   "plain_en": "In this approach, one assistant produces the work and another checks it.",
   "solves": "Błąd w przygotowanej odpowiedzi może przejść dalej niezauważony, gdy nikt osobno jej nie sprawdza.",
   "solves_en": "A mistake in a draft can pass unnoticed when nobody reviews the work separately.",
   "does": "Recenzent szuka sprzeczności i braków, a uwagi trafiają do autora jako wskazówki do poprawy.",
   "does_en": "The reviewer looks for contradictions and missing information, then returns specific reasons for the writer to revise the draft.",
   "example": "Jeden asystent pisze ofertę z twoich notatek, a drugi sprawdza, czy zgadzają się ceny i warunki.",
   "example_en": "One assistant drafts an offer from your notes, while another checks that the prices and terms match them.",
   "for_you": [
    "korzystasz z odpowiedzi, które mogą zawierać kosztowne błędy",
    "chcesz dodatkowego sprawdzenia przed użyciem przygotowanego wyniku"
   ],
   "for_you_en": [
    "use answers where mistakes could be costly",
    "want an extra review before using a draft"
   ],
   "how": "Autor tworzy wynik, a oddzielny recenzent sprawdza go według jawnych kryteriów i dostępnych dowodów. Odrzucenie wraca z konkretną przyczyną do kolejnej iteracji, natomiast akceptacja pozwala przejść do następnego etapu.",
   "how_en": "An author produces an output, and a separate reviewer checks it against explicit criteria and available evidence. Rejection returns a specific reason for another iteration, while approval allows progression to the next stage.",
   "limits": "Recenzent oparty na podobnym modelu może podzielać błędy autora. Rozdzielenie ról nie zapewnia niezależności ocen; potrzebne są testy zewnętrzne, mierzalne kryteria i limit iteracji.",
   "limits_en": "A reviewer based on a similar model can share the author's errors. Separate roles do not guarantee independent judgments; external tests, measurable criteria and iteration limits are needed.",
   "terms": [
    {
     "gloss": "Sprawdzalny warunek dopuszczenia wyniku do dalszego użycia.",
     "term": "kryterium akceptacji"
    },
    {
     "gloss": "Układ, w którym jeden komponent tworzy, a drugi ocenia.",
     "term": "generator–krytyk"
    },
    {
     "gloss": "Ocena wyniku używana do przygotowania kolejnej wersji.",
     "term": "sprzężenie zwrotne"
    }
   ],
   "terms_en": [
    {
     "gloss": "A checkable condition for allowing an output to proceed.",
     "term": "acceptance criterion"
    },
    {
     "gloss": "An arrangement where one component generates and another evaluates.",
     "term": "generator–critic"
    },
    {
     "gloss": "An output evaluation used to prepare the next version.",
     "term": "feedback"
    }
   ],
   "prereq": [
    "evalsets",
    "judges"
   ],
   "keywords": [
    "evaluator-optimizer",
    "generator-critic",
    "LLM-as-a-judge",
    "rubric-based evaluation",
    "iterative refinement"
   ],
   "source_ids": [
    "machina-x-agents"
   ],
   "url": "https://aiatlasgraph.com/t/makerchecker",
   "markdown_url": "https://aiatlasgraph.com/t/makerchecker.md",
   "updated": "2026-10-30"
  },
  "malwaredrift": {
   "id": "malwaredrift",
   "parent_id": "malwareml",
   "label": "Starzenie się detektorów i realistyczna ocena w czasie",
   "canonical_name": "Concept drift and time-aware evaluation of malware detectors",
   "aliases": [
    "temporal bias in malware classification",
    "TESSERACT",
    "time-aware evaluation",
    "model decay in security",
    "dryf w wykrywaniu malware"
   ],
   "description": "Metody oceny i utrzymania detektorów malware, uwzględniające chronologię danych, realistyczne proporcje klas i spadek skuteczności w czasie.",
   "description_en": "Methods for evaluating and maintaining malware detectors that respect data chronology, realistic class ratios and performance decay over time.",
   "plain": "Sposób uczciwego sprawdzania, jak długo detektor wirusów zachowa skuteczność, gdy przestępcy zaczną pisać nowe szkodniki.",
   "plain_en": "A fair way to check how long a virus detector keeps working once criminals start writing new malware.",
   "solves": "Detektory chwalone w publikacjach za niemal stuprocentową skuteczność po wdrożeniu szybko przestają wyłapywać nowe zagrożenia.",
   "solves_en": "Detectors praised in papers for near-perfect accuracy quickly stop catching new threats once deployed.",
   "does": "Jak egzamin z pytań, których uczeń nie mógł widzieć: model uczy się na starszych próbkach i jest sprawdzany wyłącznie na późniejszych.",
   "does_en": "Like an exam with questions the student could not have seen: the model learns from older samples and is tested only on later ones.",
   "example": "Zespół trenuje detektor na aplikacjach z zeszłego roku i sprawdza go miesiąc po miesiącu na nowych; wykres pokazuje, kiedy trzeba go douczyć.",
   "example_en": "A team trains a detector on last year's apps and tests it month by month on new ones; the chart shows when it needs retraining.",
   "for_you": [
    "publikujesz lub recenzujesz wyniki modeli bezpieczeństwa",
    "utrzymujesz detektor w produkcji",
    "chcesz uniknąć przecieku danych w ocenie"
   ],
   "for_you_en": [
    "publish or review security model results",
    "maintain a detector in production",
    "want to avoid data leakage in evaluation"
   ],
   "how": "Dane dzieli się chronologicznie, tak by wszystkie próbki testowe były późniejsze od treningowych, a proporcje malware w teście odpowiadały rzeczywistości. Skuteczność mierzy się w kolejnych okresach i podsumowuje pole pod krzywą w czasie; spadek łagodzi się douczaniem, uczeniem aktywnym i odrzucaniem niepewnych decyzji.",
   "how_en": "Data are split chronologically so that all test samples postdate training ones, and the malware share in testing matches reality. Performance is measured over successive periods and summarised as area under the curve over time; decay is mitigated by retraining, active learning and rejecting uncertain decisions.",
   "limits": "Realistyczna ocena wymaga dokładnych dat pojawienia się próbek, których często brakuje. Częste douczanie potrzebuje świeżych etykiet, a te przychodzą z opóźnieniem. Uczciwe wyniki są niższe od publikowanych, co zniechęca do ich raportowania.",
   "limits_en": "Realistic evaluation needs accurate first-seen dates for samples, which are often missing. Frequent retraining needs fresh labels, which arrive late. Honest results are lower than published ones, which discourages reporting them.",
   "terms": [
    {
     "gloss": "Zmiana tego, jak wyglądają przykłady danej klasy, w czasie.",
     "term": "dryf pojęć"
    },
    {
     "gloss": "Błąd oceny, gdy test zawiera dane starsze niż trening.",
     "term": "obciążenie czasowe"
    },
    {
     "gloss": "Model sam wskazuje, które nowe próbki warto ręcznie oznaczyć.",
     "term": "uczenie aktywne"
    }
   ],
   "terms_en": [
    {
     "gloss": "The way examples of a class change over time.",
     "term": "concept drift"
    },
    {
     "gloss": "An evaluation error when testing on data older than training.",
     "term": "temporal bias"
    },
    {
     "gloss": "The model picks which new samples are worth labelling by hand.",
     "term": "active learning"
    }
   ],
   "prereq": [
    "driftdetection",
    "leakagetypes"
   ],
   "keywords": [
    "TESSERACT",
    "temporal split",
    "AUT metric",
    "spatial bias",
    "active learning",
    "classification with rejection",
    "Dos and Don'ts of ML in security"
   ],
   "source_ids": [
    "pendlebury-tesseract-2019",
    "arp-dos-donts-ml-security-2020"
   ],
   "url": "https://aiatlasgraph.com/t/malwaredrift",
   "markdown_url": "https://aiatlasgraph.com/t/malwaredrift.md",
   "updated": "2026-10-30"
  },
  "malwareml": {
   "id": "malwareml",
   "parent_id": "cyberai",
   "label": "Wykrywanie złośliwego oprogramowania",
   "canonical_name": "Machine-learning malware detection",
   "aliases": [
    "malware detection",
    "ML malware classification",
    "antivirus machine learning",
    "wykrywanie malware",
    "next-gen antivirus"
   ],
   "description": "Klasyfikacja plików i zachowań programów jako złośliwych lub nieszkodliwych na podstawie cech statycznych i dynamicznych.",
   "description_en": "Classifying files and program behaviour as malicious or benign from static and dynamic features.",
   "plain": "Programy antywirusowe, które rozpoznają szkodliwe pliki po ich budowie i zachowaniu, a nie tylko po liście znanych wirusów.",
   "plain_en": "Antivirus software that recognises harmful files by how they are built and behave, not just from a list of known viruses.",
   "solves": "Każdego dnia powstają setki tysięcy nowych wariantów wirusów, a lista znanych zagrożeń zawsze jest o krok za nimi.",
   "solves_en": "Hundreds of thousands of new virus variants appear every day, and a list of known threats is always a step behind.",
   "does": "Jak doświadczony celnik, który nie potrzebuje listu gończego: po wyglądzie paczki i zachowaniu nadawcy wyczuwa, że coś jest nie tak.",
   "does_en": "Like an experienced customs officer who needs no wanted poster: the look of a parcel and the sender's behaviour tell them something is off.",
   "example": "Pobierasz z sieci „darmową” wersję programu, a ochrona w systemie usuwa plik, choć nikt wcześniej nie widział dokładnie tego wirusa.",
   "example_en": "You download a 'free' version of a program and your system's protection deletes it, though nobody had seen that exact virus before.",
   "for_you": [
    "masz antywirusa na komputerze lub telefonie",
    "instalujesz programy spoza oficjalnych sklepów",
    "pracujesz w zespole bezpieczeństwa"
   ],
   "for_you_en": [
    "have antivirus on your computer or phone",
    "install software from outside official stores",
    "work on a security team"
   ],
   "how": "Statyczne klasyfikatory uczą się na cechach wyciągniętych z pliku, takich jak nagłówki, importy, sekcje i ciągi znaków. Dynamiczne modele analizują zachowanie programu w piaskownicy, na przykład wywołania systemowe. Stosuje się między innymi zespoły drzew i sieci uczone na surowych bajtach.",
   "how_en": "Static classifiers learn from file features such as headers, imports, sections and strings. Dynamic models analyse program behaviour in a sandbox, for example system calls. Common approaches include tree ensembles and neural networks trained on raw bytes.",
   "limits": "Autorzy malware celowo zaciemniają kod i zmieniają go, by ominąć model. Rodziny szkodników ewoluują, więc dokładność spada z czasem. Etykiety z serwisów skanujących bywają sprzeczne, a fałszywy alarm na popularnym programie jest bardzo kosztowny.",
   "limits_en": "Malware authors deliberately obfuscate and mutate code to evade the model. Families evolve, so accuracy decays over time. Labels from scanning services often disagree, and a false alarm on popular software is very costly.",
   "terms": [
    {
     "gloss": "Badanie pliku bez jego uruchamiania.",
     "term": "analiza statyczna"
    },
    {
     "gloss": "Odizolowane środowisko, w którym bezpiecznie uruchamia się podejrzany program.",
     "term": "piaskownica"
    },
    {
     "gloss": "Przekształcanie programu, by trudniej było zrozumieć, co robi.",
     "term": "zaciemnianie kodu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Examining a file without running it.",
     "term": "static analysis"
    },
    {
     "gloss": "An isolated environment for safely running a suspicious program.",
     "term": "sandbox"
    },
    {
     "gloss": "Transforming a program so it is harder to understand what it does.",
     "term": "obfuscation"
    }
   ],
   "prereq": [
    "gradientboosting",
    "driftdetection"
   ],
   "keywords": [
    "EMBER",
    "MalConv",
    "PE file features",
    "LightGBM",
    "dynamic analysis",
    "sandbox",
    "VirusTotal",
    "concept drift",
    "TESSERACT",
    "adversarial malware"
   ],
   "source_ids": [
    "xu-llm4security-survey-2024",
    "anderson-roth-ember-2018",
    "pendlebury-tesseract-2019"
   ],
   "url": "https://aiatlasgraph.com/t/malwareml",
   "markdown_url": "https://aiatlasgraph.com/t/malwareml.md",
   "updated": "2026-10-30"
  },
  "mammographyai": {
   "id": "mammographyai",
   "parent_id": "radiologyai",
   "label": "AI w przesiewowej mammografii",
   "canonical_name": "AI in mammography screening",
   "aliases": [
    "AI-supported mammography",
    "breast cancer screening AI",
    "mammografia z AI",
    "AI triage mammography"
   ],
   "description": "Wsparcie przesiewowej mammografii przez modele oceniające ryzyko raka, używane do triażu między pojedynczym a podwójnym odczytem i do oznaczania podejrzanych obszarów.",
   "description_en": "Supporting screening mammography with models that score cancer risk, used to triage between single and double reading and to mark suspicious regions.",
   "plain": "W badaniach przesiewowych piersi program ocenia zdjęcia i wskazuje, które wymagają uważniejszego obejrzenia przez radiologa.",
   "plain_en": "In breast screening, software scores the images and flags which ones need a closer look by a radiologist.",
   "solves": "Każde zdjęcie piersi zwykle oglądają dwie osoby, a radiologów brakuje, przez co programy przesiewowe się korkują.",
   "solves_en": "Each breast image is usually read by two people, and radiologists are scarce, so screening programmes get backed up.",
   "does": "Zdjęcia z niskim ryzykiem kieruje do jednego czytającego, a podejrzane do dwóch, i zaznacza miejsca, na które warto spojrzeć.",
   "does_en": "Routes low-risk images to one reader and suspicious ones to two, marking the spots worth a look.",
   "example": "Kobieta przychodzi na rutynowe badanie piersi; jej zdjęcia dostają od programu ocenę ryzyka, zanim zobaczy je lekarz.",
   "example_en": "A woman goes for a routine breast screening; her images get a risk score from the software before a doctor sees them.",
   "for_you": [
    "chodzisz na przesiewowe badania piersi",
    "organizujesz program badań przesiewowych"
   ],
   "for_you_en": [
    "go for regular breast screening",
    "run a screening programme"
   ],
   "how": "Model wykrywania (CADe) przypisuje badaniu wynik ryzyka i lokalizuje zmiany. W schemacie triażu badania o niskim wyniku czyta jeden radiolog, a o wysokim dwóch, z podglądem oznaczeń. Skuteczność ocenia się w randomizowanych badaniach przesiewowych: wykrywalność raka, liczba wezwań i raki interwałowe.",
   "how_en": "A detection model (CADe) assigns an exam risk score and localises lesions. In a triage scheme low-score exams get one reader and high-score exams two, with marks shown. Effectiveness is judged in randomised screening trials: cancer detection, recall rate and interval cancers.",
   "limits": "Korzyść zależy od progu triażu i lokalnego programu; wyniki z jednego kraju i jednego producenta nie przenoszą się automatycznie. Więcej wykrytych zmian może oznaczać też nadrozpoznania. Radiolodzy mogą nadmiernie ufać oznaczeniom.",
   "limits_en": "The benefit depends on the triage threshold and the local programme; results from one country and one vendor do not transfer automatically. More detected lesions can also mean overdiagnosis. Radiologists may over-trust the marks.",
   "terms": [
    {
     "gloss": "Każde badanie niezależnie oceniają dwaj radiolodzy.",
     "term": "podwójny odczyt"
    },
    {
     "gloss": "Rak wykryty między badaniami przesiewowymi, przeoczony lub szybko rosnący.",
     "term": "rak interwałowy"
    },
    {
     "gloss": "Zaproszenie pacjentki na dodatkowe badania po podejrzanym wyniku.",
     "term": "wezwanie (recall)"
    }
   ],
   "terms_en": [
    {
     "gloss": "Each exam is read independently by two radiologists.",
     "term": "double reading"
    },
    {
     "gloss": "Cancer found between screens, missed or fast-growing.",
     "term": "interval cancer"
    },
    {
     "gloss": "Inviting the woman back for more tests after a suspicious result.",
     "term": "recall"
    }
   ],
   "prereq": [
    "objectdetection"
   ],
   "keywords": [
    "MASAI trial",
    "Transpara",
    "double reading",
    "interval cancer rate",
    "recall rate",
    "digital breast tomosynthesis",
    "BI-RADS",
    "PRAIM study"
   ],
   "source_ids": [
    "masai-lancet-2026"
   ],
   "url": "https://aiatlasgraph.com/t/mammographyai",
   "markdown_url": "https://aiatlasgraph.com/t/mammographyai.md",
   "updated": "2026-10-30"
  },
  "manifoldviz": {
   "id": "manifoldviz",
   "parent_id": "dimreduction",
   "label": "Mapy danych w 2D: t-SNE i UMAP",
   "canonical_name": "Nonlinear embedding for visualisation (t-SNE, UMAP)",
   "description": "Nieliniowe metody układające punkty na płaszczyźnie tak, by sąsiedzi zostali blisko siebie. Popularne do oglądania embeddingów i skupisk; odległości między grupami na takiej mapie łatwo nadinterpretować.",
   "description_en": "Non-linear methods that lay points out in 2D so that neighbours stay close. Popular for inspecting embeddings and clusters; distances between groups on such maps are easy to over-interpret.",
   "examples": "t-SNE · UMAP · wizualizacja embeddingów",
   "examples_en": "t-SNE · UMAP · embedding visualisation",
   "plain": "To układanie złożonych danych na mapie, na której podobne przykłady mają znaleźć się blisko siebie.",
   "plain_en": "This arranges complex data on a map intended to place similar examples near one another.",
   "solves": "Nie da się bezpośrednio obejrzeć danych opisanych wieloma cechami, a tabela nie pokazuje łatwo skupisk podobieństw.",
   "solves_en": "Data described by many features cannot be viewed directly, and a table does not readily show clusters of similarities.",
   "does": "Przesuwa punkty na płaskiej mapie, starając się zachować sąsiedztwa; duże odległości między grupami mogą jednak mylić.",
   "does_en": "It moves points on a flat map to preserve neighbourhoods; large distances between groups can nevertheless be misleading.",
   "example": "Oglądasz mapę zgłoszeń klientów i sprawdzasz podobne wiadomości w skupiskach, bez uznawania odległych grup za dokładną miarę różnic.",
   "example_en": "You inspect a map of customer messages and similar examples within clusters, without treating distant groups as an exact measure of differences.",
   "for_you": [
    "chcesz obejrzeć podobieństwa w wielowymiarowych danych",
    "traktujesz mapę jako wskazówkę do dalszego sprawdzania"
   ],
   "for_you_en": [
    "want to view similarities in data with many features",
    "use a map as a clue for further investigation"
   ],
   "how": "Metody budują relacje sąsiedztwa w oryginalnej przestrzeni i dopasowują do nich układ w mniejszym wymiarze. Cele oparte na podobieństwach probabilistycznych lub ważonym grafie równoważą przyciąganie bliskich punktów i odpychanie pozostałych.",
   "how_en": "Methods build neighbourhood relationships in the original space and fit a lower-dimensional layout. Objectives based on probabilistic similarities or weighted graphs balance attraction between nearby points and repulsion elsewhere.",
   "limits": "Odległości między grupami i ich rozmiary mogą nie odpowiadać danym źródłowym. Parametry oraz inicjalizacja zmieniają układ; widoczna wyspa nie dowodzi istnienia osobnej klasy.",
   "limits_en": "Group distances and sizes may not match the source data. Parameters and initialisation change layouts; a visible island does not prove a separate class exists.",
   "terms": [
    {
     "gloss": "Próbki najbliższe danemu punktowi według wybranej miary.",
     "term": "sąsiedztwo lokalne"
    },
    {
     "gloss": "Parametr podobieństw w t-SNE związany z efektywną liczbą sąsiadów.",
     "term": "perplexity"
    }
   ],
   "terms_en": [
    {
     "gloss": "Samples closest to a point under a chosen measure.",
     "term": "local neighbourhood"
    },
    {
     "gloss": "A t-SNE similarity parameter related to the effective neighbour count.",
     "term": "perplexity"
    }
   ],
   "prereq": [
    "knn",
    "mathoptimization"
   ],
   "keywords": [
    "t-SNE",
    "UMAP",
    "perplexity",
    "neighborhood graphs",
    "trustworthiness"
   ],
   "source_ids": [
    "mcinnes-umap-2018"
   ],
   "url": "https://aiatlasgraph.com/t/manifoldviz",
   "markdown_url": "https://aiatlasgraph.com/t/manifoldviz.md",
   "updated": "2026-10-30"
  },
  "manipulation": {
   "id": "manipulation",
   "parent_id": "robotics",
   "label": "Manipulacja przedmiotami",
   "canonical_name": "Robotic manipulation",
   "aliases": [
    "robot manipulation",
    "pick and place",
    "manipulacja robotyczna",
    "chwytanie i przenoszenie"
   ],
   "description": "Dział robotyki o fizycznej interakcji z obiektami: percepcja pozy, wybór chwytu, ruch z kontaktem i uczenie umiejętności manipulacyjnych.",
   "description_en": "The branch of robotics about physical interaction with objects: pose perception, grasp selection, contact-rich motion and learning manipulation skills.",
   "plain": "Umiejętność robota, by chwytać, przenosić, układać i obracać przedmioty, tak jak robią to ludzkie dłonie.",
   "plain_en": "A robot's ability to grab, carry, place and turn objects the way human hands do.",
   "solves": "Przedmioty mają różne kształty i śliskie powierzchnie, leżą w bałaganie, więc sztywno zaprogramowany chwyt często zawodzi.",
   "solves_en": "Objects vary in shape, have slippery surfaces and lie in clutter, so a rigidly programmed grip often fails.",
   "does": "Łączy oko i rękę: kamera rozpoznaje przedmiot i jego ułożenie, a ramię dobiera ruch i siłę nacisku.",
   "does_en": "It links eye and hand: a camera recognises the object and how it lies, and the arm picks a motion and grip force.",
   "example": "Robot w centrum logistycznym wyjmuje z pojemnika różne produkty – butelkę, książkę, miękką paczkę – i pakuje je do kartonu.",
   "example_en": "A logistics robot picks mixed products from a bin—a bottle, a book, a soft pouch—and packs them into a box.",
   "for_you": [
    "automatyzujesz pakowanie, sortowanie lub montaż",
    "budujesz robota do pracy w domu",
    "chcesz wiedzieć, czemu złożenie ubrania jest dla robota trudne"
   ],
   "for_you_en": [
    "automate packing, sorting or assembly",
    "build a robot for household work",
    "wonder why folding clothes is hard for robots"
   ],
   "how": "Klasyczny potok: estymacja pozy obiektu z kamery RGB-D, wybór chwytu, planowanie ruchu i sterowanie siłą przy kontakcie. Podejścia uczone zastępują część etapów polityką, która z obrazu i stanu ramienia przewiduje akcje, ucząc się z demonstracji, symulacji lub prób.",
   "how_en": "The classical pipeline: estimate object pose from an RGB-D camera, choose a grasp, plan motion and control force during contact. Learned approaches replace stages with a policy predicting actions from images and arm state, trained on demonstrations, simulation or trials.",
   "limits": "Kontakt, tarcie i obiekty miękkie trudno modelować i symulować. Nowe przedmioty oraz przezroczyste lub błyszczące powierzchnie mylą percepcję. Uczone polityki potrzebują wielu demonstracji i słabo uogólniają się poza nie.",
   "limits_en": "Contact, friction and soft objects are hard to model and simulate. New items and transparent or shiny surfaces confuse perception. Learned policies need many demonstrations and generalise poorly beyond them.",
   "terms": [
    {
     "gloss": "Podstawowe zadanie: podnieś przedmiot i odłóż go w innym miejscu.",
     "term": "pick-and-place"
    },
    {
     "gloss": "Ruchy, w których robot celowo naciska, przesuwa lub obraca przedmiot.",
     "term": "manipulacja z kontaktem"
    },
    {
     "gloss": "Kamera dająca kolorowy obraz i odległość każdego piksela.",
     "term": "RGB-D"
    }
   ],
   "terms_en": [
    {
     "gloss": "The basic task: lift an object and set it down elsewhere.",
     "term": "pick-and-place"
    },
    {
     "gloss": "Motions where the robot deliberately pushes, slides or turns an object.",
     "term": "contact-rich manipulation"
    },
    {
     "gloss": "A camera giving a colour image plus each pixel's distance.",
     "term": "RGB-D"
    }
   ],
   "prereq": [
    "poseestimation",
    "behaviorcloning"
   ],
   "keywords": [
    "pick and place",
    "bin picking",
    "6-DoF pose estimation",
    "contact-rich manipulation",
    "tactile sensing",
    "PerAct",
    "Diffusion Policy",
    "mobile manipulation"
   ],
   "source_ids": [
    "tedrake-manipulation",
    "peract-2022"
   ],
   "url": "https://aiatlasgraph.com/t/manipulation",
   "markdown_url": "https://aiatlasgraph.com/t/manipulation.md",
   "updated": "2026-10-30"
  },
  "manyobjectiveevo": {
   "id": "manyobjectiveevo",
   "parent_id": "multiobjectiveevo",
   "label": "Optymalizacja przy wielu celach naraz (NSGA-III, MOEA/D)",
   "canonical_name": "Many-objective evolutionary optimisation (NSGA-III, MOEA/D)",
   "aliases": [
    "many-objective optimization",
    "many-objective evolutionary optimization",
    "many-objective EMO",
    "optymalizacja wielokryterialna z wieloma celami"
   ],
   "description": "Algorytmy ewolucyjne dla problemów zwykle z czterema lub więcej celami, oparte na punktach referencyjnych lub dekompozycji na podproblemy skalarne.",
   "description_en": "Evolutionary algorithms for problems with typically four or more objectives, built on reference points or decomposition into scalar subproblems.",
   "plain": "Metody szukania kompromisów, gdy celów jest cztery, pięć albo więcej i niemal każdy wariant w czymś wygrywa.",
   "plain_en": "Methods for finding trade-offs when there are four, five or more goals and almost every option wins at something.",
   "solves": "Przy wielu celach prawie żaden projekt nie jest wprost gorszy od innego, więc zwykłe porównywanie przestaje cokolwiek rozstrzygać.",
   "solves_en": "With many goals hardly any design is plainly worse than another, so ordinary comparison stops deciding anything.",
   "does": "Rozkłada zadanie na wiele kierunków kompromisu, jak tyczki na polu, i pilnuje, by przy każdej tyczce rozwijało się inne dobre rozwiązanie.",
   "does_en": "Splits the task into many trade-off directions, like stakes in a field, and keeps a different good solution growing at each stake.",
   "example": "Projektanci auta ważą masę, koszt, bezpieczeństwo, zużycie energii i hałas; program pokazuje rozproszony zestaw różnych kompromisów do wyboru.",
   "example_en": "Car designers weigh mass, cost, safety, energy use and noise; software shows a spread-out set of different trade-offs to choose from.",
   "for_you": [
    "porównujesz projekty według więcej niż trzech kryteriów",
    "chcesz zobaczyć różne kompromisy, nie jeden wynik"
   ],
   "for_you_en": [
    "compare designs by more than three criteria",
    "want to see varied trade-offs, not one answer"
   ],
   "how": "MOEA/D dzieli problem na podproblemy, każdy z własnym wektorem wag i funkcją skalaryzującą, np. Czebyszewa; potomek zastępuje sąsiadów, których przewyższa na ich funkcji. NSGA-III zachowuje sortowanie niezdominowane NSGA-II, ale zamiast odległości tłoku wybiera ocalałych tak, by równo obsadzić punkty referencyjne na znormalizowanej hiperpłaszczyźnie.",
   "how_en": "MOEA/D splits the problem into subproblems, each with its own weight vector and scalarising function such as Tchebycheff; an offspring replaces neighbours it beats on their function. NSGA-III keeps NSGA-II's non-dominated sorting but, instead of crowding distance, picks survivors to fill reference points on a normalised hyperplane evenly.",
   "limits": "Liczba punktów referencyjnych potrzebnych do pokrycia frontu szybko rośnie z liczbą celów. Wyniki zależą od normalizacji i kształtu frontu, a człowiekowi trudno ogarnąć i porównać setki kompromisów w wielu wymiarach.",
   "limits_en": "The number of reference points needed to cover the front grows fast with the number of objectives. Results depend on normalisation and front shape, and people struggle to grasp and compare hundreds of trade-offs in many dimensions.",
   "terms": [
    {
     "gloss": "Zadany kierunek kompromisu, przy którym algorytm utrzymuje rozwiązanie.",
     "term": "punkt referencyjny"
    },
    {
     "gloss": "Zastąpienie wielu celów wieloma zadaniami z jednym ważonym celem.",
     "term": "dekompozycja"
    },
    {
     "gloss": "Ocena według najgorzej spełnionego, ważonego celu.",
     "term": "funkcja Czebyszewa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A set trade-off direction where the algorithm keeps a solution.",
     "term": "reference point"
    },
    {
     "gloss": "Replacing many goals with many tasks that each have one weighted goal.",
     "term": "decomposition"
    },
    {
     "gloss": "Scoring by the worst-met weighted objective.",
     "term": "Tchebycheff function"
    }
   ],
   "prereq": [
    "evoselection"
   ],
   "keywords": [
    "NSGA-III",
    "MOEA/D",
    "Das-Dennis reference points",
    "Tchebycheff decomposition",
    "PBI",
    "DTLZ",
    "RVEA",
    "pymoo"
   ],
   "source_ids": [
    "moead-2007",
    "nsga3-runtime-2023"
   ],
   "url": "https://aiatlasgraph.com/t/manyobjectiveevo",
   "markdown_url": "https://aiatlasgraph.com/t/manyobjectiveevo.md",
   "updated": "2026-10-30"
  },
  "mapelites": {
   "id": "mapelites",
   "parent_id": "qualitydiversity",
   "label": "MAP-Elites: mapa najlepszych wariantów",
   "canonical_name": "MAP-Elites",
   "aliases": [
    "MAP-Elites",
    "illumination algorithms",
    "archiwum elit"
   ],
   "description": "Algorytm różnorodności jakościowej utrzymujący siatkę nisz wyznaczonych przez cechy zachowania i najlepsze rozwiązanie w każdej niszy.",
   "description_en": "A quality-diversity algorithm keeping a grid of niches defined by behaviour features and the best solution in each niche.",
   "plain": "Algorytm, który dzieli możliwe rozwiązania na szufladki według cech i w każdej trzyma najlepsze znalezione.",
   "plain_en": "An algorithm that sorts possible solutions into drawers by their traits and keeps the best one found in each.",
   "solves": "Jeden zwycięzca nie mówi, co by się stało, gdyby rozwiązanie było tańsze, mniejsze albo zachowywało się inaczej.",
   "solves_en": "A single winner does not show what happens if the solution were cheaper, smaller or behaved differently.",
   "does": "Działa jak tabela rekordów w różnych kategoriach wagowych: każdy nowy wariant trafia do swojej kategorii i zostaje, jeśli bije tamtejszy rekord.",
   "does_en": "It works like a record table across weight classes: each new variant goes to its class and stays if it beats that class record.",
   "example": "Robot uczy się chodzić: po treningu ma gotowe sposoby chodu na wypadek uszkodzenia każdej nogi i szybko przełącza się na inny.",
   "example_en": "A robot learns to walk: after training it has ready gaits for damage to each leg and quickly switches to another.",
   "for_you": [
    "chcesz zrozumieć kompromisy między cechami rozwiązań",
    "potrzebujesz zapasowych wariantów na wypadek zmian"
   ],
   "for_you_en": [
    "want to understand trade-offs between solution traits",
    "need backup options in case conditions change"
   ],
   "how": "Użytkownik wybiera kilka wymiarów cech i dzieli je na komórki. Algorytm losuje elity z archiwum, mutuje je, ocenia jakość i cechy potomka, po czym wstawia go do komórki, jeśli jest pusta albo potomek jest lepszy od obecnej elity. Warianty dodają gradienty, strategie ewolucyjne lub modele językowe jako mutację.",
   "how_en": "The user picks a few feature dimensions and splits them into cells. The algorithm samples elites from the archive, mutates them, scores quality and features of the offspring, then inserts it if the cell is empty or it beats the current elite. Variants add gradients, evolution strategies or language models as mutation.",
   "limits": "Liczba komórek rośnie wykładniczo z wymiarami cech, co wymaga podziałów adaptacyjnych. Wymaga wielu ocen i sensownie dobranych cech; w szumie elity mogą być wybrane przypadkiem.",
   "limits_en": "Cell counts grow exponentially with feature dimensions, requiring adaptive tessellations. It needs many evaluations and well-chosen features; with noisy scores elites may be lucky picks.",
   "terms": [
    {
     "gloss": "Komórka archiwum odpowiadająca jednemu zakresowi cech.",
     "term": "nisza"
    },
    {
     "gloss": "Najlepsze dotąd rozwiązanie w danej niszy.",
     "term": "elita"
    }
   ],
   "terms_en": [
    {
     "gloss": "An archive cell matching one range of features.",
     "term": "niche"
    },
    {
     "gloss": "The best solution so far in a given niche.",
     "term": "elite"
    }
   ],
   "prereq": [
    "noveltysearch"
   ],
   "keywords": [
    "CVT-MAP-Elites",
    "CMA-ME",
    "PGA-MAP-Elites",
    "pyribs",
    "QDax",
    "QD-score",
    "illumination"
   ],
   "source_ids": [
    "mapelites-2015",
    "openevolve-github"
   ],
   "url": "https://aiatlasgraph.com/t/mapelites",
   "markdown_url": "https://aiatlasgraph.com/t/mapelites.md",
   "updated": "2026-10-30"
  },
  "mapf": {
   "id": "mapf",
   "parent_id": "multirobot",
   "label": "Planowanie tras wielu robotów bez kolizji (MAPF)",
   "canonical_name": "Multi-agent path finding (MAPF)",
   "aliases": [
    "multi-agent path finding",
    "MAPF",
    "multi-robot path planning",
    "planowanie tras wielu agentów",
    "planowanie tras wielu robotów"
   ],
   "description": "Wyznaczanie bezkolizyjnych ścieżek dla wielu agentów od startów do celów: metody przeszukiwania (CBS, PBS, LNS), kompilacyjne (SAT, MIP) i uczone.",
   "description_en": "Computing collision-free paths for many agents from starts to goals: search-based (CBS, PBS, LNS), compilation-based (SAT, MIP) and learned methods.",
   "plain": "Algorytm wyznacza trasy dla wielu robotów naraz tak, żeby każdy dojechał do celu, a żadne dwa nie spotkały się w tym samym miejscu.",
   "plain_en": "An algorithm plans routes for many robots at once so each reaches its goal and no two meet in the same spot.",
   "solves": "Gdy każdy robot planuje drogę sam, w wąskich alejkach powstają korki i blokady, z których nikt nie umie wyjechać.",
   "solves_en": "When each robot plans alone, narrow aisles fill with jams and deadlocks nobody can get out of.",
   "does": "Najpierw daje każdemu najkrótszą trasę, a potem rozwiązuje spory: kto czeka, kto objedzie, jak przy rozkładzie jazdy pociągów.",
   "does_en": "It first gives everyone the shortest route, then settles disputes – who waits, who detours – much like a train timetable.",
   "example": "W automatycznym magazynie dziesiątki robotów mijają się w alejkach, ustępując sobie na skrzyżowaniach jak dobrze zsynchronizowane światła.",
   "example_en": "In an automated warehouse dozens of robots pass in the aisles, yielding at junctions like well-timed traffic lights.",
   "for_you": [
    "projektujesz ruch wielu robotów w ciasnej przestrzeni",
    "interesują cię algorytmy przeszukiwania w praktyce",
    "tworzysz grę z wieloma jednostkami na mapie"
   ],
   "for_you_en": [
    "design movement of many robots in a tight space",
    "are interested in search algorithms in practice",
    "make a game with many units on a map"
   ],
   "how": "Mapa to zwykle graf lub siatka, a czas dzieli się na kroki. Conflict-Based Search planuje każdego agenta osobno algorytmem A*, wykrywa konflikty i rozgałęzia się, dodając ograniczenia dla jednej ze stron. Wersje przybliżone i przeszukiwanie dużych sąsiedztw obsługują tysiące agentów, a podejścia uczone trenują lokalne polityki RL lub imitacją planera.",
   "how_en": "The map is usually a graph or grid and time is split into steps. Conflict-Based Search plans each agent separately with A*, detects conflicts and branches by adding constraints for one side. Bounded-suboptimal variants and large neighbourhood search handle thousands of agents, while learned approaches train local policies with RL or by imitating a planner.",
   "limits": "Optymalne rozwiązanie jest obliczeniowo trudne, więc duże instancje rozwiązuje się przybliżenie. Model siatki z równymi krokami upraszcza prawdziwą kinematykę i opóźnienia robotów. Metody uczone są zwykle testowane na znacznie mniejszych mapach i flotach niż klasyczne.",
   "limits_en": "Optimal solutions are computationally hard, so large instances are solved approximately. A grid with uniform steps simplifies real robot kinematics and delays. Learned methods are usually tested on much smaller maps and fleets than classical ones.",
   "terms": [
    {
     "gloss": "Dwa roboty w tym samym miejscu lub na tej samej krawędzi w tej samej chwili.",
     "term": "konflikt"
    },
    {
     "gloss": "Conflict-Based Search: rozwiązywanie konfliktów przez dodawanie zakazów.",
     "term": "CBS"
    },
    {
     "gloss": "Sytuacja, w której roboty blokują się nawzajem i żaden nie może ruszyć.",
     "term": "zakleszczenie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Two robots at the same place or edge at the same time.",
     "term": "conflict"
    },
    {
     "gloss": "Conflict-Based Search: resolving conflicts by adding constraints.",
     "term": "CBS"
    },
    {
     "gloss": "Robots blocking each other so none can move.",
     "term": "deadlock"
    }
   ],
   "prereq": [
    "astar"
   ],
   "keywords": [
    "conflict-based search",
    "priority-based search",
    "MAPF-LNS",
    "ECBS",
    "lifelong MAPF",
    "PRIMAL",
    "SAT-based MAPF",
    "MovingAI benchmarks"
   ],
   "source_ids": [
    "mapf-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/mapf",
   "markdown_url": "https://aiatlasgraph.com/t/mapf.md",
   "updated": "2026-10-30"
  },
  "maplocalization": {
   "id": "maplocalization",
   "parent_id": "admapping",
   "label": "Lokalizacja pojazdu na mapie",
   "canonical_name": "Map-based vehicle localisation",
   "aliases": [
    "vehicle localization",
    "map matching",
    "LiDAR localization",
    "state estimation",
    "lokalizacja na mapie",
    "estymacja stanu pojazdu"
   ],
   "description": "Estymacja pozycji i orientacji pojazdu przez fuzję GNSS, czujników inercyjnych, odometrii i dopasowania obserwacji do mapy referencyjnej.",
   "description_en": "Estimating the vehicle's position and orientation by fusing GNSS, inertial sensors, odometry and matching observations to a reference map.",
   "plain": "Ustalanie położenia auta względem pasa i mapy przez łączenie pomiarów ruchu z obserwacjami z czujników.",
   "plain_en": "Locating the car relative to its lane and map by combining motion measurements with sensor observations.",
   "solves": "Sygnał satelitarny gubi się między wieżowcami i w tunelach, a błąd o metr oznacza już inny pas ruchu.",
   "solves_en": "Satellite signals get lost between tall buildings and in tunnels, and an error of one metre already means a different lane.",
   "does": "Jak dopasowywanie zdjęcia do fragmentu panoramy: system przesuwa i obraca to, co widzą czujniki, aż nałoży się na mapę.",
   "does_en": "Like fitting a photo into a panorama, the system shifts and turns what the sensors see until it lines up with the map.",
   "example": "Między wysokimi biurowcami auto nie gubi pasa, choć nawigacja w telefonie pokazuje je na sąsiedniej ulicy.",
   "example_en": "Among tall office blocks the car stays in its lane, even though phone navigation shows it on the next street.",
   "for_you": [
    "chcesz wiedzieć, czemu samo GPS nie wystarcza autom",
    "budujesz roboty dostawcze lub magazynowe",
    "pracujesz z danymi o położeniu i ruchu"
   ],
   "for_you_en": [
    "want to know why GPS alone is not enough for cars",
    "build delivery or warehouse robots",
    "work with position and motion data"
   ],
   "how": "System łączy przewidywanie ruchu pojazdu z pomiarami GNSS, IMU i odometrii, a następnie koryguje położenie przez dopasowanie obserwacji z kamer lub LiDAR-u do mapy referencyjnej.",
   "how_en": "The system combines a vehicle-motion prediction with GNSS, IMU and odometry measurements, then corrects the pose by matching camera or LiDAR observations to a reference map.",
   "limits": "Wymaga aktualnej mapy referencyjnej; zmiany otoczenia, śnieg czy powtarzalne otoczenie mylą dopasowanie. Gdy brakuje dobrych pomiarów, błąd narasta (dryf).",
   "limits_en": "It needs an up-to-date reference map; changed surroundings, snow or repetitive scenery confuse matching. Without good measurements the error grows (drift).",
   "terms": [
    {
     "gloss": "Łączenie modelu ruchu i niepewnych pomiarów w oszacowanie położenia.",
     "term": "estymacja stanu"
    },
    {
     "gloss": "Czujnik mierzący przyspieszenia i obroty pojazdu.",
     "term": "IMU"
    },
    {
     "gloss": "Korygowanie położenia przez porównanie obserwacji z mapą referencyjną.",
     "term": "dopasowanie do mapy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Combining a motion model and noisy measurements into a pose estimate.",
     "term": "state estimation"
    },
    {
     "gloss": "A sensor measuring the vehicle's accelerations and rotations.",
     "term": "IMU"
    },
    {
     "gloss": "Correcting pose by comparing observations with a reference map.",
     "term": "map matching"
    }
   ],
   "prereq": [
    "slam"
   ],
   "keywords": [
    "vehicle localisation",
    "map matching",
    "GNSS/INS",
    "IMU",
    "odometry",
    "LiDAR localisation",
    "visual localisation",
    "state estimation"
   ],
   "source_ids": [
    "coursera-sdc-toronto"
   ],
   "url": "https://aiatlasgraph.com/t/maplocalization",
   "markdown_url": "https://aiatlasgraph.com/t/maplocalization.md",
   "updated": "2026-10-30"
  },
  "mapmatching": {
   "id": "mapmatching",
   "parent_id": "mobilityai",
   "label": "Dopasowanie śladu GPS do sieci dróg",
   "canonical_name": "Map matching",
   "aliases": [
    "GPS map matching",
    "HMM map matching",
    "trajectory map matching",
    "snap to road",
    "dopasowanie do mapy"
   ],
   "description": "Przypisanie zaszumionych i rzadkich pomiarów pozycji do najbardziej prawdopodobnej ścieżki w grafie sieci drogowej.",
   "description_en": "Assigning noisy, sparse position fixes to the most probable path in a road-network graph.",
   "plain": "Ustalanie, którymi dokładnie ulicami jechał pojazd, gdy zapisane punkty GPS skaczą i lądują obok jezdni.",
   "plain_en": "Working out exactly which streets a vehicle used when its recorded GPS points jump around and land beside the road.",
   "solves": "Surowy ślad GPS przecina budynki i parki, więc bez poprawki nie da się policzyć przejechanej trasy, opłat ani prędkości na odcinkach.",
   "solves_en": "A raw GPS trail cuts through buildings and parks, so without correction you cannot compute the route driven, tolls or segment speeds.",
   "does": "Wybiera trasę, która jest jednocześnie blisko punktów i sensowna do przejechania, tak jak ktoś, kto po śladach opon odtwarza drogę auta po mapie.",
   "does_en": "Picks a route that is both close to the points and drivable, like someone retracing a car's path from tyre marks on a map.",
   "example": "Aplikacja do biegania pokazuje trasę równo po ścieżkach w parku, choć telefon zgubił sygnał między drzewami.",
   "example_en": "A running app shows the route neatly along park paths, although the phone lost signal among the trees.",
   "for_you": [
    "analizujesz trasy flot pojazdów lub kurierów",
    "budujesz aplikację rejestrującą trasy"
   ],
   "for_you_en": [
    "analyse routes of vehicle or courier fleets",
    "build an app that records routes"
   ],
   "how": "Klasyczne podejście to ukryty model Markowa: stany to kandydackie odcinki dróg wokół każdego punktu, prawdopodobieństwo emisji zależy od odległości od drogi, a przejścia od zgodności odległości po sieci z odległością w linii prostej. Algorytm Viterbiego wybiera najlepszą ścieżkę. Nowsze metody uczą to dopasowanie sieciami sekwencyjnymi.",
   "how_en": "The classic approach is a hidden Markov model: states are candidate road segments near each fix, emission probability depends on distance to the road, and transitions on how well network distance matches straight-line distance. The Viterbi algorithm picks the best path. Newer methods learn the matching with sequence networks.",
   "limits": "Przy rzadkim próbkowaniu, np. co minutę, możliwych tras między punktami jest wiele i trafność spada. Błędy mapy, np. brakujące drogi, przenoszą się na wynik. Przy dużych flotach liczenie ścieżek po sieci jest kosztowne.",
   "limits_en": "With sparse sampling, e.g. once a minute, many routes fit between points and accuracy falls. Map errors such as missing roads carry into results. For large fleets, computing network paths is costly.",
   "terms": [
    {
     "gloss": "model wnioskujący ukryty stan, tu odcinek drogi, z obserwacji",
     "term": "HMM"
    },
    {
     "gloss": "algorytm wybierający najbardziej prawdopodobny ciąg ukrytych stanów",
     "term": "Viterbi"
    },
    {
     "gloss": "jak często urządzenie zapisuje pozycję",
     "term": "sampling rate"
    }
   ],
   "terms_en": [
    {
     "gloss": "model inferring a hidden state, here a road segment, from observations",
     "term": "HMM"
    },
    {
     "gloss": "algorithm choosing the most probable sequence of hidden states",
     "term": "Viterbi"
    },
    {
     "gloss": "how often a device records its position",
     "term": "sampling rate"
    }
   ],
   "prereq": [
    "hmm"
   ],
   "keywords": [
    "Newson-Krumm HMM",
    "Viterbi",
    "FMM",
    "Valhalla Meili",
    "OSRM match",
    "barefoot",
    "DiffMM",
    "OpenStreetMap"
   ],
   "source_ids": [
    "hmm-mapmatching-2009",
    "trajectory-survey-llm-2024"
   ],
   "url": "https://aiatlasgraph.com/t/mapmatching",
   "markdown_url": "https://aiatlasgraph.com/t/mapmatching.md",
   "updated": "2026-10-30"
  },
  "marl": {
   "id": "marl",
   "parent_id": "decisions",
   "label": "Uczenie wieloagentowe (MARL)",
   "canonical_name": "Multi-agent reinforcement learning (MARL)",
   "description": "Wielu uczących się agentów w jednym środowisku: współpraca, rywalizacja i gra z samym sobą. Łączy RL z teorią gier.",
   "description_en": "Many learning agents in one environment: cooperation, competition and self-play. Combines RL with game theory.",
   "examples": "Self-play · scentralizowany trening, zdecentralizowane działanie · MAPPO · teoria gier",
   "examples_en": "Self-play · centralised training, decentralised execution · MAPPO · game theory",
   "plain": "To uczenie wielu programów wyboru działań, gdy współpracują lub rywalizują w jednym otoczeniu.",
   "plain_en": "This teaches several programs to choose actions while cooperating or competing in one environment.",
   "solves": "Wynik twojego działania zależy od innych uczestników, którzy również uczą się i zmieniają swoje zachowanie.",
   "solves_en": "Your action's outcome depends on other participants who also learn and change their behaviour.",
   "does": "Ćwiczy interakcje wielu uczestników, ocenia indywidualne lub wspólne wyniki i aktualizuje ich wybory z uwzględnieniem pozostałych.",
   "does_en": "It practises interactions among participants, scores individual or shared outcomes and updates their choices while accounting for the others.",
   "example": "W symulowanym magazynie wózki uczą się ustępować sobie na skrzyżowaniach i dzielić zadania, żeby wspólnie dostarczać paczki.",
   "example_en": "In a simulated warehouse, carts learn to yield at junctions and share tasks to deliver parcels together.",
   "for_you": [
    "kilku uczestników wpływa wzajemnie na swoje wyniki",
    "chcesz uczyć współpracy, rywalizacji lub podziału zadań"
   ],
   "for_you_en": [
    "have participants whose actions affect each other's outcomes",
    "want to learn cooperation, competition or task sharing"
   ],
   "how": "Polityki wielu agentów wspólnie wpływają na przejścia i nagrody środowiska. Uczenie niezależne, wspólny krytyk lub self-play aktualizują zachowania wobec partnerów i przeciwników, czasem przy scentralizowanym treningu i rozproszonym wykonaniu.",
   "how_en": "Multiple agents' policies jointly influence environment transitions and rewards. Independent learning, shared critics or self-play update behaviour against partners and opponents, sometimes combining centralised training with decentralised execution.",
   "limits": "Zmiany innych agentów powodują niestacjonarność danych. Wspólna nagroda utrudnia przypisanie zasługi, a współpraca z wyuczonym partnerem nie gwarantuje współpracy z nowym.",
   "limits_en": "Other agents' changes make data nonstationary. Shared rewards complicate credit assignment, and cooperation with a trained partner does not guarantee cooperation with a new one.",
   "terms": [
    {
     "gloss": "Uczenie przez interakcję z własnymi lub historycznymi wersjami polityk.",
     "term": "self-play"
    },
    {
     "gloss": "Ustalanie, które działania lub agenci odpowiadają za otrzymany wynik.",
     "term": "credit assignment"
    }
   ],
   "terms_en": [
    {
     "gloss": "Learning through interaction with current or historical versions of policies.",
     "term": "self-play"
    },
    {
     "gloss": "Determining which actions or agents contributed to an outcome.",
     "term": "credit assignment"
    }
   ],
   "prereq": [
    "mdp",
    "actorcritic"
   ],
   "keywords": [
    "self-play",
    "centralized training decentralized execution",
    "MAPPO",
    "credit assignment",
    "Markov games",
    "opponent modeling",
    "QMIX"
   ],
   "source_ids": [
    "hf-deep-rl-course",
    "marl-book-2024"
   ],
   "url": "https://aiatlasgraph.com/t/marl",
   "markdown_url": "https://aiatlasgraph.com/t/marl.md",
   "updated": "2026-10-30"
  },
  "marlctde": {
   "id": "marlctde",
   "parent_id": "marl",
   "label": "Scentralizowany trening, zdecentralizowane działanie (CTDE)",
   "canonical_name": "Centralised training for decentralised execution (CTDE)",
   "aliases": [
    "CTDE",
    "centralized training decentralized execution",
    "scentralizowany trening"
   ],
   "description": "Paradygmat kooperacyjnego MARL: w treningu dostępny jest stan globalny i dane innych agentów, a wykonanie opiera się wyłącznie na lokalnych historiach obserwacji.",
   "description_en": "A cooperative MARL paradigm: training may use global state and other agents' data, while execution relies only on local observation histories.",
   "plain": "Agenci ćwiczą razem z dostępem do pełnego obrazu sytuacji, a potem każdy działa sam, widząc tylko swoje otoczenie.",
   "plain_en": "Agents practise together with a full view of the situation, then each acts alone, seeing only its own surroundings.",
   "solves": "W prawdziwym świecie członkowie zespołu nie widzą wszystkiego i nie mogą się stale naradzać, a uczenie każdego osobno bywa chaotyczne.",
   "solves_en": "In the real world team members cannot see everything or keep conferring, and training each of them separately is often chaotic.",
   "does": "Jak drużyna, która analizuje mecz z nagrania z lotu ptaka, a na boisku każdy gra według tego, co sam widzi.",
   "does_en": "Like a team that studies a match from an overhead recording, then on the pitch each player acts on what they see themselves.",
   "example": "Roboty sprzątające w biurowcu trenują w symulacji ze wspólną mapą, a po wdrożeniu każdy jeździ, korzystając tylko z własnych czujników.",
   "example_en": "Office cleaning robots train in simulation with a shared map, and once deployed each drives using only its own sensors.",
   "for_you": [
    "twoje programy lub roboty muszą działać bez stałej łączności",
    "możesz ćwiczyć zespół w symulacji przed wdrożeniem"
   ],
   "for_you_en": [
    "your programs or robots must work without constant connection",
    "you can rehearse a team in simulation before deployment"
   ],
   "how": "Problem modeluje się jako Dec-POMDP. Informacja dostępna tylko w treningu trafia do krytyka lub sieci mieszającej wartości, a polityki agentów warunkuje się na lokalnych historiach, często ze współdzielonymi parametrami. Dwie główne rodziny to faktoryzacja wartości i scentralizowani krytycy.",
   "how_en": "The problem is modelled as a Dec-POMDP. Training-only information feeds a critic or value-mixing network, while agent policies condition on local histories, often with shared parameters. The two main families are value factorisation and centralised critics.",
   "limits": "Krytyk oparty tylko na stanie globalnym bywa obciążony przy częściowej obserwowalności. Scentralizowana informacja rośnie z liczbą agentów, a polityka wyuczona z pełnym obrazem nie zawsze daje się zdecentralizować bez straty.",
   "limits_en": "Critics using only global state can be biased under partial observability. Centralised information grows with agent count, and a policy learned with a full view cannot always be decentralised without loss.",
   "terms": [
    {
     "gloss": "Model zespołu, w którym każdy agent widzi tylko część stanu świata.",
     "term": "Dec-POMDP"
    },
    {
     "gloss": "Wszyscy agenci używają tej samej sieci, różniąc się tylko wejściem.",
     "term": "parameter sharing"
    },
    {
     "gloss": "Środowisko zmienia się z punktu widzenia agenta, bo inni też się uczą.",
     "term": "niestacjonarność"
    }
   ],
   "terms_en": [
    {
     "gloss": "A team model where each agent sees only part of the world state.",
     "term": "Dec-POMDP"
    },
    {
     "gloss": "All agents use the same network, differing only in their inputs.",
     "term": "parameter sharing"
    },
    {
     "gloss": "The environment shifts from one agent's view because the others are learning too.",
     "term": "nonstationarity"
    }
   ],
   "prereq": [
    "pomdp"
   ],
   "keywords": [
    "Dec-POMDP",
    "parameter sharing",
    "centralized critic",
    "value factorization",
    "IPPO",
    "HAPPO",
    "EPyMARL",
    "SMAC"
   ],
   "source_ids": [
    "ctde-intro-amato-2024"
   ],
   "url": "https://aiatlasgraph.com/t/marlctde",
   "markdown_url": "https://aiatlasgraph.com/t/marlctde.md",
   "updated": "2026-10-30"
  },
  "maskdiffusion": {
   "id": "maskdiffusion",
   "parent_id": "dllm",
   "label": "Maskowana dyfuzja tekstu",
   "canonical_name": "Masked diffusion language models",
   "aliases": [
    "MDLM",
    "masked diffusion",
    "absorbing diffusion",
    "LLaDA",
    "mask predictor"
   ],
   "description": "Dyfuzja z maską jako jedynym uszkodzeniem: cel to ważona mieszanka strat modelu maskowego.",
   "description_en": "Diffusion whose only corruption is a mask token: the objective is a weighted mixture of masked-language losses.",
   "plain": "Model uczy się uzupełniać losowo zakryte słowa i z tego ćwiczenia generuje cały tekst, zaczynając od samych masek.",
   "plain_en": "A model learns to fill randomly hidden words, then generates a whole text by starting from masks alone.",
   "solves": "Chcesz modelu, który widzi kontekst z obu stron, a zwykłe dopisywanie kolejnego słowa tego nie daje.",
   "solves_en": "You want a model that sees context on both sides, and ordinary next-word writing does not provide that.",
   "does": "W treningu zakrywa się losową część słów, a sieć zgaduje tylko zakryte miejsca. Generowanie zaczyna od masek i odkrywa je partiami.",
   "does_en": "Training hides a random share of words, and the network guesses only the hidden spots. Generation starts from masks and reveals them in batches.",
   "example": "Zaczynasz od pustej notatki o podróży. Model w kilku turach odsłania kolejne słowa, poprawiając te, których jeszcze nie zatwierdził.",
   "example_en": "You start from a blank trip note. Over a few turns the model reveals words, revising those it has not yet committed.",
   "for_you": [
    "piszesz tekst z lukami po obu stronach",
    "chcesz generować wiele słów w jednym kroku",
    "uczysz model na zakrytych fragmentach"
   ],
   "for_you_en": [
    "write text with gaps on both sides",
    "want to generate many words in one step",
    "train a model on hidden spans"
   ],
   "how": "Token trafia do maski z prawdopodobieństwem zależnym od czasu, a czyste pozycje zostają. Sieć bez maski przyczynowej przewiduje tokeny na maskach. Uproszczony cel, po redukcji wariancji, jest ważoną entropią krzyżową tylko na zakrytych miejscach. Odkrywanie może iść partiami albo blokami.",
   "how_en": "A token becomes a mask with a time-dependent probability, while clean positions stay. A network without a causal mask predicts tokens at masks. The simplified, variance-reduced objective is weighted cross-entropy on masked positions only. Unmasking can proceed in batches or blocks.",
   "limits": "W pełni równoległe generowanie zaczyna od płótna o zadanej długości; samplery półautoregresyjne i blokowe mogą tworzyć tekst o długości zmiennej, ale wprowadzają kolejne etapy. Równoległe przewidywanie sąsiadów bywa niespójne, a jakość i koszt zależą od liczby kroków oraz reguły wyboru odkrywanych tokenów.",
   "limits_en": "Fully parallel generation starts from a canvas of specified length; semi-autoregressive and block samplers can produce flexible-length text but introduce successive stages. Parallel prediction of neighbouring tokens can be inconsistent, while quality and cost depend on step count and the rule used to select tokens for unmasking.",
   "terms": [
    {
     "gloss": "Sieć zgaduje tylko zakryte słowa, widząc resztę zdania.",
     "term": "model maskowy"
    },
    {
     "gloss": "Cofnięcie części odgadniętych słów, zwykle tych najmniej pewnych.",
     "term": "remasking"
    }
   ],
   "terms_en": [
    {
     "gloss": "A network guesses only hidden words, seeing the rest of the sentence.",
     "term": "masked model"
    },
    {
     "gloss": "Putting some guessed words back under a mask, usually the least sure.",
     "term": "remasking"
    }
   ],
   "prereq": [
    "tokenization",
    "transformerfamilies"
   ],
   "keywords": [
    "MDLM",
    "masked language modeling",
    "absorbing diffusion",
    "SUBS parameterization",
    "Rao-Blackwellized ELBO",
    "LLaDA",
    "mask predictor"
   ],
   "source_ids": [
    "sahoo-mdlm-2024",
    "nie-llada-2025"
   ],
   "url": "https://aiatlasgraph.com/t/maskdiffusion",
   "markdown_url": "https://aiatlasgraph.com/t/maskdiffusion.md",
   "updated": "2026-10-30"
  },
  "maskgit": {
   "id": "maskgit",
   "parent_id": "argen",
   "label": "Maskowane transformery generatywne (MaskGIT)",
   "canonical_name": "Masked generative image transformers (MaskGIT)",
   "aliases": [
    "MaskGIT",
    "masked generative transformer",
    "Muse",
    "parallel iterative decoding",
    "maskowane dekodowanie"
   ],
   "description": "Dwukierunkowy transformer generujący tokeny obrazu równolegle, w kilku iteracjach odsłaniania najpewniejszych predykcji z maskowanej siatki.",
   "description_en": "A bidirectional transformer generating image tokens in parallel over a few iterations, unmasking the most confident predictions from a masked grid.",
   "plain": "Generator, który zaczyna od całkiem zakrytego obrazu i w kilku rundach odsłania najpewniejsze fragmenty, aż całość jest gotowa.",
   "plain_en": "A generator that starts from a fully covered image and uncovers its most confident pieces over a few rounds until the whole is done.",
   "solves": "Rysowanie obrazu po jednym fragmencie, wiersz po wierszu, jest wolne i nie pozwala modelowi patrzeć na całą kompozycję.",
   "solves_en": "Drawing an image one fragment at a time, row by row, is slow and keeps the model from seeing the whole composition.",
   "does": "Jak uzupełnianie krzyżówki: najpierw wpisujesz hasła, których jesteś pewien, a one podpowiadają kolejne.",
   "does_en": "Like filling in a crossword: first you write the answers you are sure of, and they hint at the rest.",
   "example": "Narzędzie dorysowuje brakujący fragment zdjęcia, patrząc naraz na wszystko dookoła, a nie tylko na to, co powyżej.",
   "example_en": "A tool fills in a missing part of a photo by looking at everything around it at once, not just what lies above.",
   "for_you": [
    "uzupełniasz brakujące fragmenty zdjęć",
    "chcesz zobaczyć alternatywę dla dyfuzji w generowaniu obrazów"
   ],
   "for_you_en": [
    "fill in missing parts of photos",
    "want to see an alternative to diffusion for image generation"
   ],
   "how": "Podczas treningu losowa część tokenów obrazu z tokenizera kwantyzującego jest maskowana, a transformer przewiduje je z kontekstu w obu kierunkach. Przy generowaniu zaczyna od samych masek, przewiduje wszystkie tokeny naraz, zatrzymuje najpewniejsze i maskuje resztę zgodnie z harmonogramem; po kilku rundach siatka jest pełna.",
   "how_en": "In training a random share of image tokens from a quantising tokenizer is masked and a transformer predicts them from context in both directions. At generation it starts from all masks, predicts every token at once, keeps the most confident and re-masks the rest by a schedule; after a few rounds the grid is complete.",
   "limits": "Dekodowanie nadal wymaga kilku kolejnych rund, choć w każdej tokeny są przewidywane równolegle. Raportowane przyspieszenie i jakość pochodzą z porównań na konkretnych benchmarkach, a wynik zależy od reprezentacji tokenów obrazu.",
   "limits_en": "Decoding still needs several sequential rounds, although tokens are predicted in parallel within each round. Reported speedups and quality come from specific benchmarks, and results depend on the image-token representation.",
   "terms": [
    {
     "gloss": "Zasada, ile tokenów pozostaje zakrytych w każdej rundzie generowania.",
     "term": "harmonogram maskowania"
    },
    {
     "gloss": "Każdy token widzi wszystkie inne, a nie tylko wcześniejsze.",
     "term": "uwaga dwukierunkowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "The rule for how many tokens stay hidden in each round.",
     "term": "masking schedule"
    },
    {
     "gloss": "Each token sees all others, not only earlier ones.",
     "term": "bidirectional attention"
    }
   ],
   "prereq": [
    "selfattention"
   ],
   "keywords": [
    "MaskGIT",
    "Muse",
    "masked token modeling",
    "cosine masking schedule",
    "iterative parallel decoding",
    "VQGAN tokens"
   ],
   "source_ids": [
    "chang-maskgit-2022"
   ],
   "url": "https://aiatlasgraph.com/t/maskgit",
   "markdown_url": "https://aiatlasgraph.com/t/maskgit.md",
   "updated": "2026-10-30"
  },
  "mass": {
   "id": "mass",
   "parent_id": "subagents",
   "label": "Samonadzór wieloagentowy (MASS)",
   "canonical_name": "Multi-agent self-supervision (MASS)",
   "aliases": [
    "MASS",
    "multi-agent self-supervision",
    "samonadzór wieloagentowy"
   ],
   "description": "Metoda rekurencyjnego samodoskonalenia, w której jeden model naprzemiennie ulepsza wieloagentowe przepływy pracy i dostraja własne wagi na wybranych trajektoriach.",
   "description_en": "A recursive self-improvement method in which one model alternates between improving multi-agent workflows and fine-tuning its own weights on selected trajectories.",
   "plain": "Jeden model uczy się lepiej rozwiązywać otwarte zadania, organizując kopie siebie w zespoły i trenując na ich najlepszych przebiegach.",
   "plain_en": "One model learns to solve open tasks better by organizing copies of itself into teams and training on their best runs.",
   "solves": "W otwartych zadaniach trudno zapisać pełną automatyczną regułę oceny, więc trening na jednej poprawnej odpowiedzi nie wystarcza.",
   "solves_en": "Open-ended tasks often lack a complete automatic scoring rule, so training against a single correct answer is not enough.",
   "does": "Model szuka lepszych podziałów pracy między swoimi kopiami, a potem uczy się na wybranych śladach tych zespołów.",
   "does_en": "The model searches for better work divisions among its copies, then learns from the selected traces of those teams.",
   "example": "Model bada nowe dane finansowe: kopie siebie zbierają, modelują i sprawdzają wyniki, a najlepsze przebiegi służą do dalszego treningu.",
   "example_en": "A model researches new financial data: its copies collect, model and check results, and the best runs feed further training.",
   "for_you": [
    "pracujesz nad zadaniami bez jasnej poprawnej odpowiedzi",
    "chcesz, by model poprawiał się sam na otwartych problemach",
    "używasz zespołów asystentów do złożonej pracy"
   ],
   "for_you_en": [
    "work on tasks without a clear correct answer",
    "want a model to improve itself on open problems",
    "use teams of assistants for complex work"
   ],
   "how": "W pętli wewnętrznej model jako optymalizator iteracyjnie proponuje przepływy pracy określające role, instrukcje, kontrakty wyjścia i kolejność wywołań subagentów. Ten sam model porównuje rezultaty z dotychczasowym zwycięzcą. W pętli zewnętrznej wielokrotnie wykonuje najlepszy przepływ, przelicza porównania parami modelem Bradleya–Terry’ego, wybiera najlepsze trajektorie i dostraja wspólne wagi przez SFT z LoRA. Tekst przepływu usuwa się z przykładów treningowych, a zaktualizowany model przejmuje wszystkie role w kolejnym cyklu.",
   "how_en": "In the inner loop, the model as optimizer iteratively proposes workflows defining subagent roles, instructions, output contracts and call order. The same model compares results against the current champion. In the outer loop, it repeatedly runs the best workflow, converts pairwise preferences into scores with a Bradley–Terry model, selects the best trajectories and fine-tunes the shared weights using SFT with LoRA. The workflow text is removed from training examples, and the updated model takes every role in the next cycle.",
   "limits": "Badanie objęło jeden model 27B i dwa cykle, z danymi z syntetycznych zadań badawczych. Zysk przeniósł się na cztery podobne benchmarki badawcze, lecz wynik na token lekko spadł na dwóch benchmarkach programistycznych. Optymalizator bywa wąskim gardłem, wyszukiwanie przepływów jest niestabilne, a wspólne ślepe plamy samooceny mogą się wzmacniać. Metoda wymaga wielu wykonań i niezależnej weryfikacji.",
   "limits_en": "The study covered one 27B model and two cycles, using data from synthetic research tasks. Gains transferred to four similar research benchmarks, while score per token slightly fell on two software-engineering benchmarks. The optimizer can be a bottleneck, workflow search is unstable, and shared blind spots in self-evaluation can reinforce themselves. The method requires many executions and independent verification.",
   "terms": [
    {
     "gloss": "Tekstowa specyfikacja ról, instrukcji, kontraktów wyjścia i kolejności wywołań subagentów.",
     "term": "przepływ pracy"
    },
    {
     "gloss": "Najlepszy dotychczas znaleziony podział pracy dla zadania.",
     "term": "zwycięski przepływ"
    },
    {
     "gloss": "Recursive Heuristic Improvement — iteracyjne poszukiwanie lepszego przepływu przy stałych wagach.",
     "term": "RHI"
    }
   ],
   "terms_en": [
    {
     "gloss": "A textual specification of subagent roles, instructions, output contracts and call order.",
     "term": "workflow"
    },
    {
     "gloss": "The best work division found so far for a task.",
     "term": "champion workflow"
    },
    {
     "gloss": "Recursive Heuristic Improvement — iterative workflow search with fixed weights.",
     "term": "RHI"
    }
   ],
   "prereq": [
    "sft"
   ],
   "keywords": [
    "MASS",
    "multi-agent self-supervision",
    "recursive self-improvement",
    "RSI",
    "workflow optimization",
    "evolutionary workflow search",
    "Bradley-Terry ranking",
    "LoRA fine-tuning",
    "homogeneous RSI",
    "multi-agent trajectories"
   ],
   "source_ids": [
    "mass-arxiv-2610.12176",
    "mass-sakana-blog",
    "mass-github"
   ],
   "url": "https://aiatlasgraph.com/t/mass",
   "markdown_url": "https://aiatlasgraph.com/t/mass.md",
   "updated": "2026-10-30"
  },
  "materials": {
   "id": "materials",
   "parent_id": "aiscience",
   "label": "Odkrywanie materiałów",
   "canonical_name": "Materials discovery",
   "aliases": [
    "materials informatics",
    "AI for materials",
    "materiałoznawstwo z AI",
    "computational materials science"
   ],
   "description": "Uczenie maszynowe dla materiałów nieorganicznych: przewidywanie stabilności i właściwości kryształów, uczone potencjały międzyatomowe i generowanie struktur.",
   "description_en": "Machine learning for inorganic materials: predicting crystal stability and properties, learned interatomic potentials and structure generation.",
   "plain": "Szukanie z pomocą modeli nowych kryształów i związków do baterii, ogniw słonecznych czy chipów.",
   "plain_en": "Using models to find new crystals and compounds for batteries, solar cells or chips.",
   "solves": "Znalezienie stabilnego materiału o konkretnych cechach wymagało lat prób i ogromnych obliczeń dla każdego kandydata.",
   "solves_en": "Finding a stable material with specific traits used to take years of trials and huge calculations for every candidate.",
   "does": "Model zastępuje kosztowne obliczenia fizyczne szybkim przybliżeniem, więc można sprawdzić miliony układów zamiast tysięcy.",
   "does_en": "The model replaces costly physics calculations with a fast approximation, so millions of arrangements can be checked instead of thousands.",
   "example": "Zespół pracujący nad lepszą baterią do samochodu elektrycznego dostaje od modelu listę kandydatów do sprawdzenia w laboratorium.",
   "example_en": "A team working on a better electric-car battery gets a list of candidate materials from a model to test in the lab.",
   "for_you": [
    "pracujesz z bateriami, katalizatorami lub półprzewodnikami",
    "chcesz przyspieszyć symulacje atomowe"
   ],
   "for_you_en": [
    "work with batteries, catalysts or semiconductors",
    "want to speed up atomistic simulations"
   ],
   "how": "Kryształy koduje się jako grafy atomów z warunkami periodycznymi. GNN uczone na wynikach DFT przewidują energię i stabilność, a aktywne uczenie z weryfikacją DFT stopniowo poszerza zbiór; modele dyfuzyjne generują naraz typy atomów, współrzędne i sieć krystaliczną.",
   "how_en": "Crystals are encoded as atom graphs with periodic boundary conditions. GNNs trained on DFT results predict energy and stability, and active learning with DFT verification gradually expands the dataset; diffusion models jointly generate atom types, coordinates and the lattice.",
   "limits": "Stabilność w obliczeniach nie znaczy, że materiał da się zsyntetyzować. Dane DFT mają systematyczne błędy, a liczba „odkrytych” struktur nie mówi o ich użyteczności; synteza i charakterystyka pozostają wąskim gardłem.",
   "limits_en": "Computed stability does not mean a material can be synthesised. DFT data has systematic errors, and the number of 'discovered' structures says nothing about usefulness; synthesis and characterisation remain the bottleneck.",
   "terms": [
    {
     "gloss": "Granica energii, poniżej której związek uznaje się za stabilny.",
     "term": "otoczka wypukła (convex hull)"
    },
    {
     "gloss": "Najmniejszy powtarzający się fragment kryształu.",
     "term": "komórka elementarna"
    },
    {
     "gloss": "Model wskazuje, które struktury warto dokładnie przeliczyć w następnej rundzie.",
     "term": "aktywne uczenie"
    }
   ],
   "terms_en": [
    {
     "gloss": "The energy boundary below which a compound is considered stable.",
     "term": "convex hull"
    },
    {
     "gloss": "The smallest repeating piece of a crystal.",
     "term": "unit cell"
    },
    {
     "gloss": "The model picks which structures are worth computing precisely in the next round.",
     "term": "active learning"
    }
   ],
   "prereq": [
    "activelearning"
   ],
   "keywords": [
    "GNoME",
    "MatterGen",
    "Materials Project",
    "MACE",
    "CHGNet",
    "Open Catalyst",
    "Matbench",
    "pymatgen"
   ],
   "source_ids": [
    "gnome-2023",
    "mattergen-2025"
   ],
   "url": "https://aiatlasgraph.com/t/materials",
   "markdown_url": "https://aiatlasgraph.com/t/materials.md",
   "updated": "2026-10-30"
  },
  "math": {
   "id": "math",
   "parent_id": "foundations",
   "label": "Matematyka i optymalizacja",
   "canonical_name": "Mathematics and optimization",
   "description": "Jak opisywać i optymalizować modele.",
   "description_en": "How to describe and optimise models.",
   "examples": "Algebra liniowa · rachunek różniczkowy · optymalizacja",
   "examples_en": "Linear algebra · calculus · optimisation",
   "plain": "To narzędzia matematyczne do opisywania danych, obliczeń i uczenia modeli.",
   "plain_en": "These mathematical tools describe data, computations and how models learn.",
   "solves": "Bez wspólnego języka liczb trudno zrozumieć, jak model przekształca dane i zmienia się podczas nauki.",
   "solves_en": "Without a shared language of numbers, it is hard to understand how a model transforms data and changes while learning.",
   "does": "Przedstawia dane jako liczby, opisuje ich przekształcenia, mierzy informację i pomaga szukać ustawień zmniejszających błąd.",
   "does_en": "It represents data as numbers, describes transformations, measures information and helps find settings that reduce error.",
   "example": "Sprawdzasz, jak model przewidujący czas dostawy przelicza dane i jak zmiana jego ustawień wpływa na pomyłki.",
   "example_en": "You examine how a delivery time model processes data and how changing its settings affects prediction errors.",
   "for_you": [
    "chcesz rozumieć obliczenia ukryte w modelach",
    "porównujesz sposoby przedstawiania danych i uczenia modeli"
   ],
   "for_you_en": [
    "want to understand the calculations inside models",
    "compare ways of representing data and teaching models"
   ],
   "how": "Wektory i macierze kodują dane oraz parametry, a funkcje opisują obliczenia i ich cel. Pochodne, rachunek informacji i metody optymalizacji umożliwiają analizę zmian oraz dobór parametrów.",
   "how_en": "Vectors and matrices encode data and parameters, while functions describe computations and objectives. Derivatives, information measures and optimisation methods support change analysis and parameter selection.",
   "limits": "Model matematyczny upraszcza rzeczywisty problem. Uwarunkowanie numeryczne, brak wypukłości i niepoprawne założenia mogą ograniczać dokładność oraz gwarancje rozwiązania.",
   "limits_en": "Mathematical models simplify real problems. Numerical conditioning, nonconvexity and invalid assumptions can limit accuracy and solution guarantees.",
   "terms": [
    {
     "gloss": "Wielkość określająca konkretną postać modelu lub funkcji.",
     "term": "parametr"
    },
    {
     "gloss": "Wielkość optymalizowana przy wyborze rozwiązania.",
     "term": "funkcja celu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A quantity determining a particular model or function.",
     "term": "parameter"
    },
    {
     "gloss": "The quantity optimised when choosing a solution.",
     "term": "objective function"
    }
   ],
   "keywords": [
    "matrix factorization",
    "singular value decomposition",
    "automatic differentiation",
    "gradients",
    "convex optimization",
    "Lagrange multipliers",
    "Shannon entropy",
    "KL divergence"
   ],
   "courses": [
    {
     "title": "Mathematics for Machine Learning and Data Science",
     "url": "https://www.deeplearning.ai/specializations/mathematics-for-machine-learning-and-data-science"
    }
   ],
   "source_ids": [
    "cs221",
    "cs229",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/math",
   "markdown_url": "https://aiatlasgraph.com/t/math.md",
   "updated": "2026-10-30"
  },
  "mathoptimization": {
   "id": "mathoptimization",
   "parent_id": "math",
   "label": "Spadek gradientu i optymalizacja ciągła",
   "canonical_name": "Gradient descent and continuous optimisation",
   "description": "Matematyczne podstawy szukania minimum funkcji straty: spadek gradientu, funkcje wypukłe, ograniczenia. Praktyka strojenia treningu jest w „Proces uczenia”.",
   "description_en": "Mathematical foundations of minimising a loss: gradient descent, convexity, constraints. Practical training tuning lives under “Training optimization”.",
   "examples": "Spadek gradientu · SGD · wypukłość · mnożniki Lagrange’a",
   "examples_en": "Gradient descent · SGD · convexity · Lagrange multipliers",
   "plain": "To szukanie wartości liczbowych, które dają możliwie dobry wynik według wybranego kryterium.",
   "plain_en": "This searches for numerical values that produce a good result according to a chosen criterion.",
   "solves": "Możliwych ustawień jest zbyt wiele, żeby sprawdzać każde po kolei i wybrać najlepsze.",
   "solves_en": "There are too many possible settings to check each one and select the best.",
   "does": "Zmienia liczby w kierunku poprawy wybranego wyniku, czasem korzystając z nachylenia jego zmian i uwzględniając ograniczenia.",
   "does_en": "It changes numbers towards a better result, sometimes using the slope of those changes and accounting for constraints.",
   "example": "Model przewidujący czas dostawy stopniowo zmienia swoje ustawienia, żeby zmniejszyć łączny błąd na zapisanych przykładach.",
   "example_en": "A delivery time model gradually changes its settings to reduce the total error across recorded examples.",
   "for_you": [
    "dobierasz liczby według jasno określonego celu",
    "chcesz rozumieć szukanie lepszych ustawień modelu"
   ],
   "for_you_en": [
    "choose numerical values for a clearly defined goal",
    "want to understand how better model settings are found"
   ],
   "how": "Algorytm aktualizuje kandydackie parametry według gradientu lub innych informacji o funkcji celu. Ograniczenia, wielkość kroku i warunki zatrzymania określają dopuszczalny kierunek oraz przebieg poszukiwania minimum.",
   "how_en": "An algorithm updates candidate parameters using gradients or other objective information. Constraints, step sizes and stopping conditions determine allowable directions and the course of minimisation.",
   "limits": "W problemach niewypukłych wynik zależy od startu i przebiegu. Gradient zaszumiony lub źle uwarunkowany utrudnia postęp, a zatrzymanie algorytmu nie dowodzi znalezienia minimum globalnego.",
   "limits_en": "Nonconvex outcomes depend on initialisation and trajectory. Noisy or poorly conditioned gradients impede progress, and stopping does not prove a global minimum was found.",
   "terms": [
    {
     "gloss": "Własność funkcji pozwalająca traktować minimum lokalne jako globalne.",
     "term": "wypukłość"
    },
    {
     "gloss": "Skala zmiany parametrów w jednej aktualizacji optymalizatora.",
     "term": "wielkość kroku"
    }
   ],
   "terms_en": [
    {
     "gloss": "A function property under which a local minimum is also global.",
     "term": "convexity"
    },
    {
     "gloss": "The scale of a parameter change in one optimiser update.",
     "term": "step size"
    }
   ],
   "prereq": [
    "calculus",
    "linearalgebra"
   ],
   "keywords": [
    "SGD",
    "convex optimization",
    "Lagrange multipliers",
    "Karush-Kuhn-Tucker conditions",
    "line search",
    "momentum"
   ],
   "source_ids": [
    "mmlbook"
   ],
   "url": "https://aiatlasgraph.com/t/mathoptimization",
   "markdown_url": "https://aiatlasgraph.com/t/mathoptimization.md",
   "updated": "2026-10-30"
  },
  "matrixdecomp": {
   "id": "matrixdecomp",
   "parent_id": "linearalgebra",
   "label": "Rozkłady macierzy: wartości własne i SVD",
   "canonical_name": "Matrix decompositions: eigendecomposition and SVD",
   "aliases": [
    "matrix decomposition",
    "matrix factorization",
    "matrix factorisation",
    "rozkład macierzy",
    "faktoryzacja macierzy"
   ],
   "description": "Faktoryzacje macierzy (własna, SVD, QR, Cholesky'ego) ujawniające strukturę, rząd i kierunki dominujące danych.",
   "description_en": "Matrix factorisations (eigen, SVD, QR, Cholesky) revealing structure, rank and dominant directions of data.",
   "plain": "Rozbijanie tabeli liczb na prostsze części, które pokazują jej najważniejsze kierunki i pozwalają ją skrócić bez dużej straty.",
   "plain_en": "Breaking a table of numbers into simpler parts that reveal its main directions and let it be shrunk without much loss.",
   "solves": "Duże tabele danych są ogromne i zaszumione, a to, co w nich istotne, ginie wśród milionów liczb.",
   "solves_en": "Large data tables are huge and noisy, and what matters in them gets lost among millions of numbers.",
   "does": "Jak rozłożenie akordu na pojedyncze dźwięki: widać, które składowe grają najgłośniej, a cichsze można pominąć.",
   "does_en": "Like splitting a chord into single notes: you see which components are loudest and can drop the quieter ones.",
   "example": "Serwis z filmami odgaduje twoje gusta, rozkładając ogromną tabelę ocen na kilka ukrytych upodobań widzów.",
   "example_en": "A film service guesses your tastes by breaking a huge ratings table into a few hidden viewer preferences.",
   "for_you": [
    "kompresujesz dane lub modele",
    "chcesz rozumieć, jak działa redukcja wymiarów"
   ],
   "for_you_en": [
    "compress data or models",
    "want to understand how dimensionality reduction works"
   ],
   "how": "Rozkład własny macierzy symetrycznej przedstawia ją jako obrót, skalowanie wzdłuż osi własnych i obrót powrotny. SVD uogólnia to na dowolną macierz: A = UΣVᵀ, gdzie wartości osobliwe w Σ porządkują kierunki od najważniejszego. Obcięcie do k największych wartości daje najlepsze przybliżenie niskiego rzędu, na którym opiera się PCA, faktoryzacja w rekomendacjach i adaptery niskiego rzędu.",
   "how_en": "The eigendecomposition of a symmetric matrix expresses it as a rotation, scaling along eigen-axes and rotation back. SVD generalises this to any matrix: A = UΣVᵀ, with singular values in Σ ordering directions by importance. Truncating to the k largest gives the best low-rank approximation, underlying PCA, recommender factorisation and low-rank adapters.",
   "limits": "Pełny rozkład dużych macierzy jest kosztowny obliczeniowo, więc stosuje się metody przybliżone lub losowe. Rozkład liniowy nie uchwyci nieliniowej struktury danych.",
   "limits_en": "Full decomposition of large matrices is computationally expensive, so approximate or randomised methods are used. A linear decomposition cannot capture nonlinear data structure.",
   "terms": [
    {
     "gloss": "Mnożnik, o jaki macierz rozciąga wektor wzdłuż jego kierunku.",
     "term": "wartość własna"
    },
    {
     "gloss": "Siła danego kierunku w macierzy; większa znaczy ważniejszy.",
     "term": "wartość osobliwa"
    },
    {
     "gloss": "Liczba niezależnych kierunków zawartych w macierzy.",
     "term": "rząd macierzy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Factor by which a matrix stretches a vector along its own direction.",
     "term": "eigenvalue"
    },
    {
     "gloss": "Strength of a direction in a matrix; larger means more important.",
     "term": "singular value"
    },
    {
     "gloss": "Number of independent directions a matrix contains.",
     "term": "matrix rank"
    }
   ],
   "keywords": [
    "SVD",
    "eigendecomposition",
    "truncated SVD",
    "low-rank approximation",
    "QR decomposition",
    "Cholesky decomposition",
    "randomized SVD",
    "Eckart-Young theorem"
   ],
   "source_ids": [
    "mmlbook"
   ],
   "url": "https://aiatlasgraph.com/t/matrixdecomp",
   "markdown_url": "https://aiatlasgraph.com/t/matrixdecomp.md",
   "updated": "2026-10-30"
  },
  "mcp": {
   "id": "mcp",
   "parent_id": "tools",
   "label": "MCP",
   "canonical_name": "Model Context Protocol",
   "description": "Protokół udostępniania narzędzi i kontekstu aplikacjom korzystającym z modeli.",
   "description_en": "A protocol for exposing tools and context to model-based applications.",
   "examples": "Serwer · klient · tools · resources",
   "examples_en": "Server · client · tools · resources",
   "plain": "To wspólny sposób udostępniania asystentom narzędzi i informacji z innych programów.",
   "plain_en": "This is a shared way to give assistants access to tools and information from other programs.",
   "solves": "Łączenie każdego asystenta z każdym programem osobno wymaga wielu podobnych przeróbek.",
   "solves_en": "Connecting every assistant to every program separately requires many similar changes.",
   "does": "Działa jak wspólne gniazdo: aplikacja poznaje dostępne funkcje i dane, a potem potrafi poprosić o ich użycie.",
   "does_en": "Like a shared socket, it lets an application discover available functions and data, then request their use.",
   "example": "Dodajesz do asystenta połączenie z firmowym archiwum i możesz pytać go o zapisane tam dokumenty.",
   "example_en": "You connect your workplace archive to an assistant and ask it to find documents stored there.",
   "for_you": [
    "chcesz podłączyć własne dokumenty lub narzędzia do asystenta",
    "łączysz różne programy z kilkoma asystentami"
   ],
   "for_you_en": [
    "want to connect your documents or tools to an assistant",
    "connect several assistants to different programs"
   ],
   "how": "Host łączy się przez klientów z serwerami udostępniającymi narzędzia, zasoby i szablony promptów. Wiadomości JSON-RPC opisują dostępne możliwości, żądania wykonania i wyniki, dzięki czemu integracje mogą działać przez wspólny protokół.",
   "how_en": "A host connects through clients to servers exposing tools, resources and prompt templates. JSON-RPC messages describe available capabilities, execution requests and results, allowing integrations to operate through a shared protocol.",
   "limits": "Protokół nie zastępuje autoryzacji ani zgody użytkownika na działanie. Wsparcie możliwości i rozszerzeń zależy od implementacji; niezaufane opisy i wyniki narzędzi wymagają oddzielnych granic bezpieczeństwa.",
   "limits_en": "The protocol does not replace authorization or user consent to act. Capability and extension support depends on implementations; untrusted tool descriptions and results require separate security boundaries.",
   "terms": [
    {
     "gloss": "Aplikacja zarządzająca modelem i jego dostępem do integracji.",
     "term": "host"
    },
    {
     "gloss": "Komponent hosta komunikujący się z określonym serwerem.",
     "term": "klient"
    },
    {
     "gloss": "Usługa udostępniająca możliwości przez uzgodniony protokół.",
     "term": "serwer"
    }
   ],
   "terms_en": [
    {
     "gloss": "The application managing the model and its access to integrations.",
     "term": "host"
    },
    {
     "gloss": "A host component communicating with a particular server.",
     "term": "client"
    },
    {
     "gloss": "A service exposing capabilities through an agreed protocol.",
     "term": "server"
    }
   ],
   "prereq": [
    "structured",
    "agentsecurity"
   ],
   "keywords": [
    "JSON-RPC 2.0",
    "Streamable HTTP",
    "stdio",
    "tool discovery",
    "resource URIs",
    "prompt templates",
    "capability negotiation"
   ],
   "courses": [
    {
     "title": "MCP: Build Rich-Context AI Apps with Anthropic",
     "url": "https://www.deeplearning.ai/courses/mcp-build-rich-context-ai-apps-with-anthropic"
    }
   ],
   "source_ids": [
    "mcp",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/mcp",
   "markdown_url": "https://aiatlasgraph.com/t/mcp.md",
   "updated": "2026-10-30"
  },
  "mctsplanning": {
   "id": "mctsplanning",
   "parent_id": "modelbased",
   "label": "Planowanie z przeszukiwaniem drzewa (AlphaZero, MuZero)",
   "canonical_name": "Tree-search planning with learned models",
   "description": "Łączenie przeszukiwania drzewa Monte Carlo z sieciami przewidującymi wartość i politykę, a w MuZero także z wyuczonym modelem reguł. Klucz do sukcesów w grach planszowych.",
   "description_en": "Combining Monte Carlo tree search with networks that predict value and policy, and in MuZero also a learned model of the rules. Key to the successes in board games.",
   "examples": "MCTS · AlphaZero · MuZero · iteracja eksperta (self-play)",
   "examples_en": "MCTS · AlphaZero · MuZero · expert iteration (self-play)",
   "plain": "To wybieranie ruchu przez próbowanie możliwych dalszych przebiegów z pomocą wyuczonych ocen.",
   "plain_en": "This chooses a move by exploring possible future sequences with help from learned assessments.",
   "solves": "Sama szybka ocena ruchu może przeoczyć ważny skutek, a pełne sprawdzenie wszystkich dalszych przebiegów jest zbyt kosztowne.",
   "solves_en": "A quick move assessment may miss an important consequence, while exploring every future sequence is too costly.",
   "does": "Rozwija wybrane gałęzie możliwych działań, wykorzystując wyuczone wskazówki i oceny, a czasem także model przewidujący następną sytuację.",
   "does_en": "It explores selected action branches using learned guidance and values, sometimes also a model predicting the next situation.",
   "example": "Program grający w grę planszową przed ruchem sprawdza obiecujące odpowiedzi obu stron, łącząc próby dalszej gry z wyuczonym ocenianiem pozycji.",
   "example_en": "Before moving, board game software explores promising responses from both sides, combining future play trials with learned position assessments.",
   "for_you": [
    "chcesz połączyć wyuczone wskazówki ze sprawdzaniem wariantów",
    "możesz poświęcić obliczenia na plan przed ruchem"
   ],
   "for_you_en": [
    "want learned guidance combined with exploring alternatives",
    "can spend computation on planning before an action"
   ],
   "how": "Przeszukiwanie drzewa wybiera gałęzie, rozwija nowe stany i propaguje ich ocenę do wcześniejszych decyzji. Sieć podpowiada priorytety akcji oraz wartości liści, a wyuczony model może zastępować część symulacji przejść.",
   "how_en": "Tree search selects branches, expands new states and backs their evaluations up to earlier decisions. A network supplies action priors and leaf values, while a learned model may replace some transition simulation.",
   "limits": "Więcej przeszukiwania zwiększa koszt każdej decyzji. Błędy wartości lub dynamiki mogą ukierunkować całe drzewo niewłaściwie; rozgałęzienia ciągłych akcji wymagają dodatkowych przybliżeń.",
   "limits_en": "More search increases each decision's cost. Value or dynamics errors can misdirect the entire tree; branching over continuous actions requires additional approximations.",
   "terms": [
    {
     "gloss": "Przeszukiwanie drzewa kierowane ocenami uzyskiwanymi z próbnych rozwinięć.",
     "term": "Monte Carlo tree search"
    },
    {
     "gloss": "Przekazywanie ocen potomnych stanów do wcześniejszych węzłów drzewa.",
     "term": "backup wartości"
    }
   ],
   "terms_en": [
    {
     "gloss": "Tree search guided by evaluations obtained from trial expansions.",
     "term": "Monte Carlo tree search"
    },
    {
     "gloss": "Propagating descendant-state evaluations to earlier tree nodes.",
     "term": "value backup"
    }
   ],
   "prereq": [
    "search",
    "bellman"
   ],
   "keywords": [
    "MCTS",
    "AlphaZero",
    "MuZero",
    "PUCT",
    "self-play",
    "value backups"
   ],
   "source_ids": [
    "spinningup-rl-taxonomy",
    "muzero-2019"
   ],
   "url": "https://aiatlasgraph.com/t/mctsplanning",
   "markdown_url": "https://aiatlasgraph.com/t/mctsplanning.md",
   "updated": "2026-10-30"
  },
  "mdp": {
   "id": "mdp",
   "parent_id": "rlbasics",
   "label": "Proces decyzyjny Markowa (MDP)",
   "canonical_name": "Markov decision processes (MDP)",
   "description": "Formalny zapis problemu decyzyjnego w RL: stany, akcje, prawdopodobieństwa przejść, nagrody i współczynnik dyskonta. Jeden z podstawowych punktów wyjścia do opisu algorytmów RL.",
   "description_en": "A formal model of sequential decision-making in RL: states, actions, transition probabilities, rewards and a discount factor. One of the standard starting points for describing RL algorithms.",
   "examples": "Stan · akcja · nagroda · dyskonto γ · epizod · częściowa obserwowalność (POMDP)",
   "examples_en": "State · action · reward · discount γ · episode · partial observability (POMDP)",
   "plain": "To matematyczny opis kolejnych decyzji za pomocą sytuacji, działań, szans ich skutków i ocen wyniku.",
   "plain_en": "This mathematically describes sequential decisions through situations, actions, probabilities of their effects and outcome scores.",
   "solves": "Bez wspólnego opisu trudno porównywać strategie i określić, czego program ma się nauczyć z kolejnych prób.",
   "solves_en": "Without a shared description, strategies are hard to compare and the intended learning from successive trials is unclear.",
   "does": "Zakłada, że opis obecnej sytuacji wystarcza do przewidywania następnego kroku; zapisuje możliwe przejścia, ich szanse i oceny.",
   "does_en": "It assumes the current situation contains what is needed to predict the next step and records possible transitions, their probabilities and scores.",
   "example": "W prostym zadaniu nawigacji zapisujesz pozycję i energię robota, dostępne ruchy, możliwe nowe sytuacje oraz ocenę dotarcia do celu.",
   "example_en": "In a simple navigation task, you record robot position and energy, available moves, possible next situations and a score for reaching the goal.",
   "for_you": [
    "chcesz formalnie opisać zadanie z kolejnymi decyzjami",
    "musisz określić skutki działań i sposób oceniania"
   ],
   "for_you_en": [
    "want a formal description of a sequential decision task",
    "need to define action consequences and scoring"
   ],
   "how": "Rozkład przejść i nagroda zależą od bieżącego stanu oraz działania. Polityka indukuje sekwencję stanów, której oczekiwany zwrot wyznacza cel oceny i optymalizacji.",
   "how_en": "Transition distributions and rewards depend on the current state and action. A policy induces a state sequence whose expected return defines the evaluation and optimisation objective.",
   "limits": "Założenie Markowa wymaga wystarczającego opisu stanu. Przy ukrytej informacji trzeba uwzględnić historię lub przekonanie o stanie; nieznane przejścia wymagają estymacji.",
   "limits_en": "The Markov assumption requires a sufficiently informative state. Hidden information calls for history or state beliefs; unknown transitions require estimation.",
   "terms": [
    {
     "gloss": "Przyszłość zależy od bieżącego stanu, bez dodatkowej informacji z przeszłości.",
     "term": "własność Markowa"
    },
    {
     "gloss": "Rozkład następnego stanu dla ustalonego stanu i działania.",
     "term": "jądro przejścia"
    }
   ],
   "terms_en": [
    {
     "gloss": "The future depends on the current state without additional information from the past.",
     "term": "Markov property"
    },
    {
     "gloss": "The next-state distribution for a given state and action.",
     "term": "transition kernel"
    }
   ],
   "prereq": [
    "distributions"
   ],
   "keywords": [
    "Markov property",
    "transition kernel",
    "reward function",
    "discount factor",
    "POMDP",
    "occupancy measure"
   ],
   "source_ids": [
    "rl",
    "gymnasium-docs"
   ],
   "url": "https://aiatlasgraph.com/t/mdp",
   "markdown_url": "https://aiatlasgraph.com/t/mdp.md",
   "updated": "2026-10-30"
  },
  "mechanismdesign": {
   "id": "mechanismdesign",
   "parent_id": "gametheory",
   "label": "Projektowanie mechanizmów i aukcje",
   "canonical_name": "Mechanism design and auctions",
   "aliases": [
    "mechanism design",
    "projektowanie mechanizmów",
    "algorithmic mechanism design",
    "algorytmiczne projektowanie mechanizmów"
   ],
   "description": "Odwrotna teoria gier: konstrukcja reguł (mechanizmu) tak, by strategiczne zachowania graczy realizowały zadany cel, np. efektywny przydział.",
   "description_en": "Reverse game theory: constructing rules (a mechanism) so players' strategic behaviour achieves a set goal, e.g. efficient allocation.",
   "plain": "Projektowanie zasad gry tak, żeby uczestnicy, dbając o własny interes, i tak doprowadzili do dobrego dla wszystkich wyniku.",
   "plain_en": "Designing the rules of a game so that participants, pursuing their own interest, still reach an outcome good for everyone.",
   "solves": "Ludzie i programy kłamią lub kombinują, gdy reguły na to pozwalają, przez co aukcje, przetargi i przydziały dają złe wyniki.",
   "solves_en": "People and programs lie or scheme when rules allow it, so auctions, tenders and allocations produce poor results.",
   "does": "Działa jak dobre zasady dzielenia tortu: jedna osoba kroi, druga wybiera, więc uczciwość opłaca się sama.",
   "does_en": "Like a fair cake-cutting rule: one person cuts, the other chooses, so honesty pays for itself.",
   "example": "Przy każdym wyświetleniu strony reklamodawcy w ułamku sekundy licytują miejsce na reklamę według z góry ustalonych reguł aukcji.",
   "example_en": "Each time a page loads, advertisers bid for the ad slot in a fraction of a second under pre-set auction rules.",
   "for_you": [
    "projektujesz platformę, na której ktoś licytuje lub wymienia",
    "budujesz agentów, którzy negocjują w twoim imieniu"
   ],
   "for_you_en": [
    "design a platform where people bid or trade",
    "build agents that negotiate on your behalf"
   ],
   "how": "Mechanizm zbiera zgłoszenia uczestników, wybiera wynik i ustala płatności. Zgodność z bodźcami oznacza, zależnie od modelu, że prawdomówność jest strategią dominującą albo najlepszą odpowiedzią w równowadze bayesowskiej; klasycznym przykładem pierwszego rodzaju jest aukcja drugiej ceny i mechanizmy VCG. Algorytmiczna wersja bada również koszt obliczeń, np. w aukcjach kombinatorycznych.",
   "how_en": "A mechanism collects participants' reports, selects an outcome and sets payments. Depending on the model, incentive compatibility means truthful reporting is either a dominant strategy or a best response in Bayesian equilibrium; second-price auctions and VCG mechanisms are classic examples of the former. Algorithmic mechanism design also studies computational cost, for example in combinatorial auctions.",
   "limits": "Mechanizmy idealne teoretycznie bywają zbyt złożone obliczeniowo lub podatne na zmowę. Twierdzenia o niemożliwości pokazują, że nie da się naraz spełnić wszystkich pożądanych własności.",
   "limits_en": "Theoretically ideal mechanisms can be computationally too complex or vulnerable to collusion. Impossibility theorems show that not all desirable properties can be satisfied at once.",
   "terms": [
    {
     "gloss": "Mówienie prawdy o swoich preferencjach jest dla uczestnika najlepsze.",
     "term": "zgodność z bodźcami"
    },
    {
     "gloss": "Wygrywa najwyższa oferta, ale płaci kwotę drugiej najwyższej.",
     "term": "aukcja drugiej ceny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Telling the truth about one's preferences is best for the participant.",
     "term": "incentive compatibility"
    },
    {
     "gloss": "Highest bid wins but pays the second-highest amount.",
     "term": "second-price auction"
    }
   ],
   "keywords": [
    "Vickrey auction",
    "VCG mechanism",
    "incentive compatibility",
    "revelation principle",
    "combinatorial auctions",
    "ad auctions",
    "market design",
    "automated mechanism design"
   ],
   "source_ids": [
    "nisan-agt-2007"
   ],
   "url": "https://aiatlasgraph.com/t/mechanismdesign",
   "markdown_url": "https://aiatlasgraph.com/t/mechanismdesign.md",
   "updated": "2026-10-30"
  },
  "mechinterp": {
   "id": "mechinterp",
   "parent_id": "explainability",
   "label": "Interpretowalność mechanistyczna",
   "canonical_name": "Mechanistic interpretability",
   "description": "Badanie wewnętrznych komponentów i obliczeń modelu oraz testowanie, jak przyczyniają się do jego zachowania.",
   "description_en": "Studying a model's internal components and computations and testing how they contribute to its behaviour.",
   "examples": "rzadkie autoenkodery (SAE) · obwody i grafy atrybucji · podmiana aktywacji",
   "examples_en": "sparse autoencoders (SAEs) · circuits and attribution graphs · activation patching",
   "plain": "To badanie wewnętrznych obliczeń modelu i eksperymentalne sprawdzanie, jak przyczyniają się do jego odpowiedzi.",
   "plain_en": "This studies a model's internal computations and experimentally checks how they contribute to its answers.",
   "solves": "Same odpowiedzi nie pokazują, jaki mechanizm modelu je wytwarza ani dlaczego czasem prowadzi do błędu.",
   "solves_en": "Answers alone do not show which model mechanism produces them or why it sometimes leads to errors.",
   "does": "Rozdziela wewnętrzne sygnały na badane elementy, szuka połączeń i sprawdza skutki ich zmian, traktując uzyskany opis jako wymagający walidacji.",
   "does_en": "It separates internal signals into studied components, seeks connections and tests changes, treating the resulting account as requiring validation.",
   "example": "Badasz, które wewnętrzne sygnały uczestniczą w przypominaniu faktu, i zmieniasz je w kontrolowanych próbach, obserwując odpowiedź.",
   "example_en": "You investigate internal signals involved in recalling a fact and alter them in controlled trials while observing the answer.",
   "for_you": [
    "chcesz badać mechanizm odpowiedzi zamiast tylko wynik",
    "masz dostęp do wewnętrznych obliczeń modelu"
   ],
   "for_you_en": [
    "want to study answer mechanisms beyond outputs alone",
    "can access a model's internal computations"
   ],
   "how": "Hipotezy wiążą elementy sieci i reprezentacje z konkretnymi etapami obliczeń. Ablacje, podmiany aktywacji oraz modele zastępcze testują, czy przewidywane zmiany mechanizmu wywołują oczekiwane zmiany odpowiedzi.",
   "how_en": "Hypotheses link network components and representations to specific computation steps. Ablations, activation patches and replacement models test whether predicted mechanism changes produce expected answer changes.",
   "limits": "Potrzebny jest dostęp do wewnętrznych obliczeń. Redundancja, superpozycja i zależność od kontekstu utrudniają izolowanie mechanizmów; lokalne potwierdzenie nie wyjaśnia całego modelu.",
   "limits_en": "Access to internal computations is required. Redundancy, superposition and context dependence complicate mechanism isolation; local confirmation does not explain the entire model.",
   "terms": [
    {
     "gloss": "Usunięcie lub wyłączenie komponentu w celu sprawdzenia jego roli.",
     "term": "ablacja"
    },
    {
     "gloss": "Hipotetyczny zestaw komponentów współrealizujących określone obliczenie.",
     "term": "obwód"
    }
   ],
   "terms_en": [
    {
     "gloss": "Removing or disabling a component to test its role.",
     "term": "ablation"
    },
    {
     "gloss": "A hypothesised set of components jointly implementing a computation.",
     "term": "circuit"
    }
   ],
   "prereq": [
    "neuralbasics",
    "backprop"
   ],
   "keywords": [
    "feature circuits",
    "causal interventions",
    "activation patching",
    "ablation",
    "sparse autoencoders",
    "transcoders",
    "attribution graphs",
    "dictionary learning"
   ],
   "source_ids": [
    "mlabonne-llm-course",
    "open-problems-mechinterp-2025"
   ],
   "url": "https://aiatlasgraph.com/t/mechinterp",
   "markdown_url": "https://aiatlasgraph.com/t/mechinterp.md",
   "updated": "2026-10-30"
  },
  "mechsuits": {
   "id": "mechsuits",
   "parent_id": "agentsecurity",
   "label": "Mechanistyczne sterowanie bezpieczeństwem agentów CLI",
   "canonical_name": "Mechanistic subspace safety steering for multi-turn agents",
   "description": "Eksperymentalna metoda białoskrzynkowa wykrywa szkodliwe stany wykonania wieloturowych agentów CLI z ukrytych reprezentacji i interweniuje w dziesięciu wybranych wymiarach jednej warstwy.",
   "description_en": "An experimental white-box method detects harmful execution states of multi-turn CLI agents from hidden representations and intervenes in ten selected dimensions of a single layer.",
   "plain": "Eksperymentalna metoda wykrywania niebezpiecznych stanów agenta terminalowego w aktywacjach modelu i korygowania ich podczas działania bez zmiany wag.",
   "plain_en": "An experimental method that detects unsafe states of a terminal agent in model activations and corrects them at run time without changing the weights.",
   "solves": "Zewnętrzne zabezpieczenia oceniają tekst lub komendy agenta, lecz nie sterują bezpośrednio jego zmieniającym się stanem wewnętrznym podczas wieloetapowego wykonania.",
   "solves_en": "External safeguards judge agent text or commands but do not directly steer its evolving internal state during multi-step execution.",
   "does": "Liniowa sonda sprawdza ukryty stan po każdym kroku; gdy wykryje ryzyko, metoda modyfikuje wybrane wymiary aktywacji w kierunku ograniczającym szkodliwe działanie.",
   "does_en": "A linear probe checks the hidden state after each step; when it detects risk, the method modifies selected activation dimensions in a direction that suppresses harmful action.",
   "example": "W eksperymencie agent CLI przygotowuje szkodliwe polecenie; sonda rozpoznaje ryzykowny stan przed wygenerowaniem kolejnej akcji i uruchamia sterowanie aktywacjami.",
   "example_en": "In an experiment, a CLI agent is preparing a harmful command; the probe identifies the risky state before the next action is generated and triggers activation steering.",
   "for_you": [
    "agent wykonuje wielokrokowe działania w terminalu",
    "chcesz kontrolować bezpieczeństwo z wnętrza modelu"
   ],
   "for_you_en": [
    "agent performs multi-step terminal actions",
    "want to control safety from inside the model"
   ],
   "how": "Liniowa sonda odczytuje reprezentację ostatniego tokenu bieżącego kroku. Po wykryciu szkody wybiera się 10 wymiarów o największej różnicy wag sondy i modyfikuje te wymiary dla wszystkich tokenów w jednej warstwie. Siłę interwencji dobiera zewnętrzny sędzia LLM, równoważąc bezpieczeństwo i użyteczność.",
   "how_en": "A linear probe reads the last-token representation at the current step. When harm is detected, the ten dimensions with the largest probe-weight differences are selected and modified for every token at one layer. An external LLM judge chooses the intervention strength, balancing safety and utility.",
   "limits": "Wyniki pochodzą z 194 zadań i trzech otwartych modeli 7–9B; detekcja ryzyka z wyprzedzeniem ma mały, niezrównoważony zbiór testowy. Silne sterowanie może powodować powtórzenia lub ucięcie odpowiedzi, a dobór siły przez zewnętrzny LLM zwiększa koszt i opóźnienie. Autorzy nie traktują metody jako samodzielnego zabezpieczenia produkcyjnego.",
   "limits_en": "Results come from 194 tasks and three open 7–9B models; lookahead detection has a small, imbalanced test set. Strong steering can cause repetition or truncated output, while an external LLM selecting the strength adds cost and latency. The authors do not present it as a standalone production safeguard.",
   "terms": [
    {
     "gloss": "Niskowymiarowy kierunek w aktywacjach odpowiadający za konkretne zachowanie.",
     "term": "podprzestrzeń mechanistyczna"
    },
    {
     "gloss": "Modyfikacja ukrytych stanów modelu w czasie działania bez zmiany wag.",
     "term": "sterowanie aktywacjami"
    }
   ],
   "terms_en": [
    {
     "gloss": "A low-dimensional direction in activations corresponding to specific behaviour.",
     "term": "mechanistic subspace"
    },
    {
     "gloss": "Modifying a model's hidden states at runtime without changing weights.",
     "term": "activation steering"
    }
   ],
   "prereq": [
    "activationsteering"
   ],
   "keywords": [
    "mechanistic steering",
    "subspace intervention",
    "agent safety",
    "hidden state monitoring",
    "CLI agents",
    "MAS benchmark"
   ],
   "source_ids": [
    "mechsuits-arxiv-2026"
   ],
   "url": "https://aiatlasgraph.com/t/mechsuits",
   "markdown_url": "https://aiatlasgraph.com/t/mechsuits.md",
   "updated": "2026-10-30"
  },
  "medicaldevicereg": {
   "id": "medicaldevicereg",
   "parent_id": "clinicalvalidation",
   "label": "Dopuszczenie AI jako wyrobu medycznego",
   "canonical_name": "Regulation of AI as a medical device (SaMD)",
   "aliases": [
    "SaMD",
    "software as a medical device",
    "AI-enabled medical devices",
    "oprogramowanie jako wyrób medyczny",
    "MDR"
   ],
   "description": "Ramy regulacyjne dla oprogramowania z AI o przeznaczeniu medycznym: klasy ryzyka, ścieżki dopuszczenia, plany kontrolowanych zmian i nadzór po wprowadzeniu.",
   "description_en": "Regulatory frameworks for AI software with a medical purpose: risk classes, approval pathways, change control plans and post-market surveillance.",
   "plain": "Zasady, według których urząd pozwala, by program pomagający w diagnozie lub leczeniu był sprzedawany i używany w szpitalach.",
   "plain_en": "The rules under which a regulator allows software that helps with diagnosis or treatment to be sold and used in hospitals.",
   "solves": "Pacjent i lekarz nie mają jak sami sprawdzić, czy program medyczny jest bezpieczny, a producent może przeceniać jego skuteczność.",
   "solves_en": "Patients and doctors cannot check for themselves whether medical software is safe, and makers may overstate how well it works.",
   "does": "Jak przegląd techniczny auta: niezależna instytucja sprawdza dokumenty i testy, a większa przeróbka wymaga nowej zgody albo wcześniej uzgodnionego planu.",
   "does_en": "Like a car's roadworthiness test: an independent body checks documents and tests, and a major rework needs fresh approval or a plan agreed in advance.",
   "example": "Firma chce ulepszyć program do wykrywania złamań na nowych danych; zgodnie z uzgodnionym planem testuje nową wersję i dopiero wtedy ją udostępnia.",
   "example_en": "A company wants to improve its fracture-detection software with new data; following the agreed plan, it tests the new version before releasing it.",
   "for_you": [
    "tworzysz aplikację, która ma coś mówić o zdrowiu",
    "chcesz sprawdzić, czy narzędzie medyczne ma dopuszczenie"
   ],
   "for_you_en": [
    "are building an app that says something about health",
    "want to check whether a medical tool is approved"
   ],
   "how": "O tym, czy oprogramowanie jest wyrobem medycznym, decyduje deklarowane przeznaczenie. W USA FDA stosuje m.in. ścieżki 510(k), De Novo i PMA; w UE obowiązują MDR i IVDR, a część systemów AI w wyrobach wymagających oceny strony trzeciej jest jednocześnie systemami wysokiego ryzyka według AI Act. PCCP pozwala uzgodnić określone przyszłe zmiany bez osobnego zgłoszenia każdej z nich.",
   "how_en": "Whether software is a medical device depends on its intended purpose. In the US, the FDA uses pathways including 510(k), De Novo and PMA; in the EU, the MDR and IVDR apply, and some AI systems in devices requiring third-party conformity assessment are also high-risk systems under the AI Act. A PCCP can pre-authorise specified future changes without a separate submission for each one.",
   "limits": "Dopuszczenie do obrotu nie jest tym samym co dowód poprawy wyników leczenia; zakres wymaganych dowodów zależy od klasy ryzyka i ścieżki. Lista FDA nie jest wyczerpująca. Wymagania różnią się między krajami, a ogólne czatboty nie są automatycznie wyrobami medycznymi.",
   "limits_en": "Market authorisation is not the same as evidence of improved patient outcomes; required evidence depends on risk class and pathway. The FDA list is not exhaustive. Requirements differ by country, and general chatbots are not automatically medical devices.",
   "terms": [
    {
     "gloss": "Deklarowany przez producenta cel użycia, od którego zależą wymagania.",
     "term": "przeznaczenie"
    },
    {
     "gloss": "Amerykańska ścieżka dopuszczenia przez równoważność z istniejącym produktem.",
     "term": "510(k)"
    },
    {
     "gloss": "Unijne rozporządzenie o wyrobach medycznych, obejmujące też oprogramowanie.",
     "term": "MDR"
    },
    {
     "gloss": "Z góry uzgodniony plan zmian modelu po dopuszczeniu.",
     "term": "PCCP"
    }
   ],
   "terms_en": [
    {
     "gloss": "The maker's declared use, which sets the requirements.",
     "term": "intended purpose"
    },
    {
     "gloss": "A US clearance pathway based on equivalence to an existing product.",
     "term": "510(k)"
    },
    {
     "gloss": "The EU medical device regulation, which also covers software.",
     "term": "MDR"
    },
    {
     "gloss": "A plan for post-approval model changes agreed in advance.",
     "term": "PCCP"
    }
   ],
   "prereq": [
    "airegulation",
    "modeldocs"
   ],
   "keywords": [
    "SaMD",
    "FDA 510(k)",
    "De Novo",
    "EU MDR",
    "EU AI Act",
    "PCCP",
    "IMDRF",
    "CE marking",
    "post-market surveillance"
   ],
   "source_ids": [
    "fda-ai-devices-list",
    "fda-pccp-2025",
    "eu-ai-act-2024"
   ],
   "url": "https://aiatlasgraph.com/t/medicaldevicereg",
   "markdown_url": "https://aiatlasgraph.com/t/medicaldevicereg.md",
   "updated": "2026-10-30"
  },
  "medicalllm": {
   "id": "medicalllm",
   "parent_id": "healthai",
   "label": "Modele językowe w medycynie",
   "canonical_name": "Medical large language models",
   "aliases": [
    "medical LLM",
    "clinical LLM",
    "LLM w medycynie",
    "medyczne czatboty"
   ],
   "description": "Ogólne i dostrojone do medycyny LLM używane do odpowiadania na pytania, pracy z przypadkami klinicznymi i komunikacji zdrowotnej, wraz z oceną ich trafności i bezpieczeństwa.",
   "description_en": "General and medically tuned LLMs used for question answering, work with clinical cases and health communication, together with evaluation of their accuracy and safety.",
   "plain": "Duże modele językowe, które odpowiadają na pytania medyczne, objaśniają wyniki i porządkują informacje o przypadku, ale wymagają kontroli człowieka.",
   "plain_en": "Large language models that answer medical questions, explain results and organise case information, but require human oversight.",
   "solves": "Ludzie szukają porad zdrowotnych w sieci i dostają sprzeczne odpowiedzi, a lekarze nie nadążają za lawiną nowych zaleceń.",
   "solves_en": "People search the web for health advice and get conflicting answers, while doctors cannot keep up with a flood of new guidance.",
   "does": "Jak bardzo oczytany młody lekarz: szybko zbiera wiedzę z wielu źródeł, ale jego odpowiedzi musi sprawdzić ktoś doświadczony.",
   "does_en": "Like a very well-read junior doctor: gathers knowledge from many sources fast, but someone experienced must check the answers.",
   "example": "Lekarz prosi model o szkic prostego objaśnienia wyniku badania, sprawdza go i dopiero potem przekazuje pacjentowi.",
   "example_en": "A clinician asks the model for a plain-language draft explaining a test result, checks it, and only then shares it with the patient.",
   "for_you": [
    "pytasz czatbota o objawy lub wyniki badań",
    "szukasz szybkiej ściągi z zaleceń leczenia"
   ],
   "for_you_en": [
    "ask a chatbot about symptoms or test results",
    "want a quick summary of treatment guidance"
   ],
   "how": "Modele ogólne adaptuje się do medycyny przez instrukcyjne dostrajanie, prompting i RAG z literatury. Ocena przeszła od testów egzaminacyjnych (MedQA, MultiMedQA) do wieloturowych rozmów ocenianych według rubryk pisanych przez lekarzy, z naciskiem na bezpieczeństwo i komunikację.",
   "how_en": "General models are adapted to medicine through instruction tuning, prompting and retrieval over medical literature. Evaluation has moved from exam-style tests (MedQA, MultiMedQA) to multi-turn conversations scored against physician-written rubrics, with an emphasis on safety and communication.",
   "limits": "Wysoki wynik w testach wielokrotnego wyboru nie oznacza bezpiecznej praktyki. Modele halucynują, bywają nieaktualne i zbyt pewne siebie, a odpowiedź zależy od sformułowania pytania. To, czy użycie podlega regulacji wyrobów medycznych, zależy od deklarowanego przeznaczenia.",
   "limits_en": "High multiple-choice scores do not mean safe practice. Models hallucinate, go out of date and sound overconfident, and answers depend on how the question is phrased. Whether a use is regulated as a medical device depends on its intended purpose.",
   "terms": [
    {
     "gloss": "Zbiór pytań w stylu amerykańskiego egzaminu lekarskiego.",
     "term": "MedQA"
    },
    {
     "gloss": "Lista kryteriów, według których ocenia się odpowiedź modelu.",
     "term": "rubryka"
    },
    {
     "gloss": "Tania adaptacja modelu do dziedziny przez uczone prompty i przykłady.",
     "term": "instruction prompt tuning"
    }
   ],
   "terms_en": [
    {
     "gloss": "A question set in the style of the US medical licensing exam.",
     "term": "MedQA"
    },
    {
     "gloss": "A list of criteria for scoring a model's answer.",
     "term": "rubric"
    },
    {
     "gloss": "Cheap domain adaptation via learned prompts plus examples.",
     "term": "instruction prompt tuning"
    }
   ],
   "prereq": [
    "llmbenchmarks",
    "retrieval"
   ],
   "keywords": [
    "Med-PaLM",
    "MultiMedQA",
    "MedQA",
    "HealthBench",
    "MedRAG",
    "PubMedQA",
    "clinical reasoning",
    "medical hallucination",
    "AMIE"
   ],
   "source_ids": [
    "medpalm-2022",
    "healthbench-2025"
   ],
   "url": "https://aiatlasgraph.com/t/medicalllm",
   "markdown_url": "https://aiatlasgraph.com/t/medicalllm.md",
   "updated": "2026-10-30"
  },
  "medicalrag": {
   "id": "medicalrag",
   "parent_id": "medicalllm",
   "label": "Odpowiedzi oparte na literaturze i zaleceniach medycznych (RAG)",
   "canonical_name": "Retrieval-augmented generation for medicine",
   "aliases": [
    "medical RAG",
    "MedRAG",
    "evidence-grounded medical QA",
    "RAG w medycynie"
   ],
   "description": "RAG nad korpusami medycznymi (literatura, podręczniki, wytyczne), który dostarcza modelowi znalezione fragmenty i może poprawiać trafność oraz umożliwiać sprawdzenie podstaw odpowiedzi.",
   "description_en": "RAG over medical corpora (literature, textbooks and guidelines) that supplies retrieved passages and can improve accuracy while making the basis of an answer easier to inspect.",
   "plain": "Model przed odpowiedzią wyszukuje fragmenty podręczników, artykułów i zaleceń, a potem odpowiada na ich podstawie i może podać odnośniki do znalezionych materiałów.",
   "plain_en": "Before answering, the model retrieves passages from textbooks, articles and guidelines, then answers from them and may link to the retrieved material.",
   "solves": "Wiedza medyczna szybko się zmienia, a model mówiący z pamięci może podać przestarzałe albo zmyślone zalecenie.",
   "solves_en": "Medical knowledge changes fast, and a model answering from memory may give an outdated or made-up recommendation.",
   "does": "Jak lekarz, który przed odpowiedzią zagląda do aktualnego podręcznika i pokazuje palcem stronę, z której to wziął.",
   "does_en": "Like a doctor who checks the current handbook before answering and points to the page it came from.",
   "example": "Lekarz pyta o zalecenia dotyczące monitorowania leczenia i dostaje szkic odpowiedzi z fragmentami aktualnych wytycznych, które może otworzyć i sprawdzić.",
   "example_en": "A clinician asks about treatment-monitoring guidance and gets a draft answer with passages from current guidelines that can be opened and checked.",
   "for_you": [
    "budujesz asystenta odpowiadającego na pytania medyczne",
    "potrzebujesz odpowiedzi, której źródło da się sprawdzić"
   ],
   "for_you_en": [
    "are building an assistant for medical questions",
    "need answers whose source you can check"
   ],
   "how": "Zapytanie trafia do retrievera (BM25, gęste embeddingi medyczne lub ich fuzja), który zwraca fragmenty z korpusów takich jak PubMed, podręczniki czy wytyczne; LLM odpowiada z cytatami. Benchmark MIRAGE z narzędziem MedRAG pokazał, że wybór korpusu i retrievera wyraźnie zmienia trafność, a położenie fragmentów w kontekście ma znaczenie.",
   "how_en": "The query goes to a retriever (BM25, dense medical embeddings or a fusion) that returns passages from corpora such as PubMed, textbooks or guidelines; the LLM answers with citations. The MIRAGE benchmark and MedRAG toolkit showed that corpus and retriever choice clearly change accuracy, and passage position in context matters.",
   "limits": "Odpowiedź jest tak dobra jak korpus: luki, przestarzałe wytyczne i różnice między krajami przechodzą do wyniku. Model może źle zacytować lub zignorować znaleziony fragment. Większość zysków zmierzono na testach wielokrotnego wyboru, nie w praktyce klinicznej.",
   "limits_en": "Answers are only as good as the corpus: gaps, outdated guidelines and national differences flow into the result. The model may mis-cite or ignore a retrieved passage. Most gains were measured on multiple-choice tests, not in clinical practice.",
   "terms": [
    {
     "gloss": "Zbiór dokumentów, w którym system szuka odpowiedzi.",
     "term": "korpus"
    },
    {
     "gloss": "Moduł wyszukujący fragmenty najlepiej pasujące do pytania.",
     "term": "retriever"
    },
    {
     "gloss": "Model gorzej korzysta z informacji ze środka długiego kontekstu.",
     "term": "lost in the middle"
    }
   ],
   "terms_en": [
    {
     "gloss": "The document collection the system searches for answers.",
     "term": "corpus"
    },
    {
     "gloss": "The component that finds the passages best matching a question.",
     "term": "retriever"
    },
    {
     "gloss": "Models use information in the middle of long contexts less well.",
     "term": "lost in the middle"
    }
   ],
   "prereq": [
    "retrieval",
    "hallucinationdetect"
   ],
   "keywords": [
    "MedRAG",
    "MIRAGE benchmark",
    "PubMed retrieval",
    "MedCPT",
    "BM25",
    "StatPearls",
    "citation grounding",
    "guideline retrieval"
   ],
   "source_ids": [
    "medrag-2024"
   ],
   "url": "https://aiatlasgraph.com/t/medicalrag",
   "markdown_url": "https://aiatlasgraph.com/t/medicalrag.md",
   "updated": "2026-10-30"
  },
  "medimaging": {
   "id": "medimaging",
   "parent_id": "healthai",
   "label": "Analiza obrazów medycznych",
   "canonical_name": "Medical image analysis",
   "aliases": [
    "medical imaging AI",
    "radiology AI",
    "AI w radiologii",
    "analiza obrazowania medycznego"
   ],
   "description": "Klasyfikacja, detekcja i segmentacja na obrazach RTG, TK, MR, USG, mammografii i preparatach histopatologicznych, zwykle jako wsparcie decyzji lekarza.",
   "description_en": "Classification, detection and segmentation on X-ray, CT, MRI, ultrasound, mammography and histopathology images, usually as decision support for clinicians.",
   "plain": "Programy, które oglądają prześwietlenia, tomografie, rezonanse czy obrazy spod mikroskopu i wskazują lekarzowi podejrzane miejsca.",
   "plain_en": "Software that looks at X-rays, body scans or microscope images and points the doctor to suspicious spots.",
   "solves": "Radiolodzy i patolodzy oglądają tysiące obrazów dziennie, a przez zmęczenie drobne zmiany łatwo przeoczyć.",
   "solves_en": "Radiologists and pathologists look at thousands of images a day, and fatigue makes small changes easy to miss.",
   "does": "Jak uważny praktykant z zakreślaczem: przegląda każdy obraz, zaznacza miejsca warte uwagi i kładzie pilne przypadki na wierzch stosu.",
   "does_en": "Like a careful trainee with a highlighter: it checks every image, marks spots worth a look and puts urgent cases on top.",
   "example": "Po tomografii głowy na ostrym dyżurze program sygnalizuje możliwe krwawienie, więc ten pacjent trafia do lekarza przed innymi czekającymi.",
   "example_en": "After an emergency head scan, software flags a possible bleed, so that patient is seen before others who are waiting.",
   "for_you": [
    "robisz badania obrazowe, np. mammografię lub tomografię",
    "pracujesz w radiologii lub diagnostyce laboratoryjnej"
   ],
   "for_you_en": [
    "have imaging tests such as a mammogram or body scan",
    "work in radiology or lab diagnostics"
   ],
   "how": "Sieci konwolucyjne i transformery wizyjne trenuje się na obrazach opisanych przez specjalistów, często trójwymiarowych i zapisanych w formacie DICOM. Typowe zadania to wykrywanie zmian, segmentacja narządów i triaż kolejki badań; coraz częściej punktem wyjścia są modele bazowe uczone samonadzorowo na dużych archiwach.",
   "how_en": "CNNs and vision transformers are trained on specialist-annotated images, often 3D and stored as DICOM. Typical tasks are lesion detection, organ segmentation and worklist triage; self-supervised foundation models trained on large archives are increasingly the starting point.",
   "limits": "Opisy ekspertów są drogie i niezgodne między sobą. Modele uczą się skrótów (znaczniki aparatu, cechy szpitala) i tracą skuteczność na innym sprzęcie. Dopuszczenie dotyczy konkretnego zastosowania, a istotna zmiana modelu wymaga ponownej oceny.",
   "limits_en": "Expert labels are costly and inconsistent. Models learn shortcuts (scanner markers, hospital traits) and lose accuracy on other equipment. Approval covers a specific use, and a significant model change needs reassessment.",
   "terms": [
    {
     "gloss": "Standardowy format zapisu i przesyłania obrazów medycznych.",
     "term": "DICOM"
    },
    {
     "gloss": "Ustawianie badań w kolejce według pilności.",
     "term": "triaż"
    },
    {
     "gloss": "Komputerowe wspomaganie wykrywania zmian na obrazach.",
     "term": "CAD"
    }
   ],
   "terms_en": [
    {
     "gloss": "The standard format for storing and sending medical images.",
     "term": "DICOM"
    },
    {
     "gloss": "Ordering the study queue by urgency.",
     "term": "triage"
    },
    {
     "gloss": "Computer-aided detection of findings in images.",
     "term": "CAD"
    }
   ],
   "prereq": [
    "imageclassification",
    "segmentation"
   ],
   "keywords": [
    "DICOM",
    "MONAI",
    "computer-aided detection",
    "CheXpert",
    "MIMIC-CXR",
    "mammography AI",
    "nnU-Net",
    "medical foundation models",
    "PACS"
   ],
   "source_ids": [
    "fda-ai-devices-list",
    "masai-lancet-2026",
    "zech-2018"
   ],
   "url": "https://aiatlasgraph.com/t/medimaging",
   "markdown_url": "https://aiatlasgraph.com/t/medimaging.md",
   "updated": "2026-10-30"
  },
  "medllmeval": {
   "id": "medllmeval",
   "parent_id": "medicalllm",
   "label": "Ocena modeli na pytaniach i rozmowach medycznych",
   "canonical_name": "Evaluating LLMs on medical questions and conversations",
   "aliases": [
    "medical LLM benchmarks",
    "HealthBench",
    "MultiMedQA",
    "benchmarki medyczne"
   ],
   "description": "Benchmarki i protokoły oceny medycznych LLM: od pytań egzaminacyjnych po wieloturowe rozmowy oceniane rubrykami lekarzy i przegląd szkodliwości.",
   "description_en": "Benchmarks and protocols for evaluating medical LLMs: from exam questions to multi-turn conversations scored with physician rubrics and harm review.",
   "plain": "Sposoby sprawdzania, czy odpowiedzi modelu na pytania o zdrowie są trafne, bezpieczne i zrozumiałe dla pacjenta.",
   "plain_en": "Ways of checking whether a model's answers to health questions are accurate, safe and clear to a patient.",
   "solves": "Model może zdać lekarski egzamin, a mimo to dać groźną radę w zwykłej rozmowie z zaniepokojonym pacjentem.",
   "solves_en": "A model can pass a medical exam and still give dangerous advice in an ordinary chat with a worried patient.",
   "does": "Jak egzamin praktyczny zamiast testu: lekarze przygotowują realistyczne rozmowy i szczegółowe kryteria, a odpowiedzi modelu dostają za nie punkty.",
   "does_en": "Like a practical exam instead of a quiz: doctors prepare realistic conversations and detailed criteria, and the model's answers are scored against them.",
   "example": "Zanim szpital doda czatbota do aplikacji dla pacjentów, sprawdza go na setkach rozmów, także takich, w których trzeba odesłać na ostry dyżur.",
   "example_en": "Before a hospital adds a chatbot to its patient app, it tests it on hundreds of conversations, including ones where the right move is the emergency room.",
   "for_you": [
    "wybierasz czatbota do odpowiadania pacjentom",
    "chcesz wiedzieć, na ile ufać poradom zdrowotnym od AI"
   ],
   "for_you_en": [
    "are choosing a chatbot to answer patients",
    "want to know how far to trust AI health advice"
   ],
   "how": "Pierwsza generacja to pytania wielokrotnego wyboru (MedQA, MedMCQA, PubMedQA, zebrane w MultiMedQA) oraz ocena ludzi pod kątem faktów i ryzyka szkody. HealthBench obejmuje 5000 wieloturowych rozmów z rubrykami 262 lekarzy i ponad 48 tys. unikalnych kryteriów.",
   "how_en": "The first generation used multiple-choice questions (MedQA, MedMCQA and PubMedQA, gathered in MultiMedQA) plus human review of factuality and potential harm. HealthBench contains 5,000 multi-turn conversations with rubrics from 262 physicians and more than 48,000 unique criteria.",
   "limits": "Testy egzaminacyjne są nasycone i mogły trafić do danych treningowych. Rubryki mają własne ograniczenia, a wynik benchmarku nie zastępuje oceny na lokalnych pacjentach i w rzeczywistym sposobie pracy. Benchmark od dostawcy modeli wymaga niezależnego potwierdzenia.",
   "limits_en": "Exam-style tests are saturated and may have leaked into training data. Rubrics have their own limitations, and benchmark scores do not replace evaluation on local patients in the real workflow. A benchmark from a model vendor needs independent confirmation.",
   "terms": [
    {
     "gloss": "Lista punktowanych kryteriów dobrej odpowiedzi przygotowana przez lekarzy.",
     "term": "rubryka"
    },
    {
     "gloss": "Przegląd odpowiedzi przez klinicystów pod kątem trafności, szkody i komunikacji.",
     "term": "ocena ekspercka"
    },
    {
     "gloss": "Najlepsze modele mają niemal maksimum i test przestaje je różnicować.",
     "term": "nasycenie benchmarku"
    }
   ],
   "terms_en": [
    {
     "gloss": "A physician-written list of scored criteria for a good answer.",
     "term": "rubric"
    },
    {
     "gloss": "Clinicians review responses for accuracy, harm and communication.",
     "term": "expert review"
    },
    {
     "gloss": "Top models score near the maximum, so the test stops separating them.",
     "term": "benchmark saturation"
    }
   ],
   "prereq": [
    "knowledgebench",
    "judges"
   ],
   "keywords": [
    "HealthBench",
    "MultiMedQA",
    "MedQA",
    "MedMCQA",
    "PubMedQA",
    "rubric-based evaluation",
    "clinical expert review",
    "MedHELM"
   ],
   "source_ids": [
    "medpalm-2022",
    "healthbench-2025"
   ],
   "url": "https://aiatlasgraph.com/t/medllmeval",
   "markdown_url": "https://aiatlasgraph.com/t/medllmeval.md",
   "updated": "2026-10-30"
  },
  "medsegmentation": {
   "id": "medsegmentation",
   "parent_id": "medimaging",
   "label": "Segmentacja narządów i zmian na obrazach medycznych",
   "canonical_name": "Medical image segmentation",
   "aliases": [
    "organ segmentation",
    "tumor segmentation",
    "segmentacja medyczna",
    "konturowanie",
    "auto-contouring"
   ],
   "description": "Przypisywanie każdemu wokselowi obrazu 2D lub 3D etykiety narządu albo zmiany, m.in. do planowania radioterapii, wolumetrii i chirurgii.",
   "description_en": "Assigning each voxel of a 2D or 3D image an organ or lesion label, for radiotherapy planning, volumetry and surgery among others.",
   "plain": "Program obrysowuje na tomografii lub rezonansie dokładne granice narządu albo guza, punkt po punkcie i warstwa po warstwie.",
   "plain_en": "Software that outlines the exact edges of an organ or tumour on a 3D body scan, point by point and slice by slice.",
   "solves": "Ręczne obrysowanie guza i narządów przed radioterapią zajmuje lekarzowi godziny, a każdy lekarz rysuje trochę inaczej.",
   "solves_en": "Hand-drawing a tumour and nearby organs before radiotherapy takes a doctor hours, and every doctor draws slightly differently.",
   "does": "Jak kolorowanka, w której ktoś już narysował kontury: lekarz dostaje gotowy obrys i tylko poprawia fragmenty.",
   "does_en": "Like a colouring book with the outlines already drawn: the doctor gets a ready contour and only fixes parts of it.",
   "example": "Przed naświetlaniem program zaznacza guz i pobliskie narządy, które trzeba oszczędzić, a lekarz w kilka minut poprawia drobne fragmenty.",
   "example_en": "Before radiotherapy, software marks the tumour and nearby organs to be spared, and the doctor fixes small parts in minutes.",
   "for_you": [
    "ty lub bliska osoba przechodzicie radioterapię",
    "mierzysz objętość narządów lub zmian w badaniach naukowych"
   ],
   "for_you_en": [
    "you or someone close is having radiotherapy",
    "measure organ or lesion volumes in research"
   ],
   "how": "Dominują sieci typu U-Net (2D, 3D i kaskadowe) uczone stratą Dice i entropią krzyżową na obrazach z ręcznymi konturami. nnU-Net sam dobiera preprocessing, rozmiar łatki, architekturę i trening do zbioru danych, więc jest mocną bazą w wielu konkursach. Wyniki ocenia się współczynnikiem Dice i odległością Hausdorffa.",
   "how_en": "U-Net-style networks (2D, 3D and cascaded) dominate, trained with Dice and cross-entropy loss on hand-contoured images. nnU-Net configures preprocessing, patch size, architecture and training for each dataset, making it a strong baseline in many challenges. Results are scored with the Dice coefficient and Hausdorff distance.",
   "limits": "Wymaga dokładnych konturów, które są kosztowne i różnią się między ekspertami. Obrazy 3D zużywają dużo pamięci GPU. Błędy w małych, ale ważnych strukturach giną w uśrednionym wyniku Dice, więc obrys trzeba przejrzeć.",
   "limits_en": "It needs precise contours that are costly and vary between experts. 3D images use a lot of GPU memory. Errors in small but critical structures vanish in an averaged Dice score, so contours must be reviewed.",
   "terms": [
    {
     "gloss": "Trójwymiarowy odpowiednik piksela w obrazie z tomografii lub rezonansu.",
     "term": "woksel"
    },
    {
     "gloss": "Miara pokrycia obrysu modelu z obrysem eksperta, od 0 do 1.",
     "term": "współczynnik Dice"
    },
    {
     "gloss": "Obrysowywanie guza i narządów przed planowaniem radioterapii.",
     "term": "konturowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "The 3D counterpart of a pixel in a CT or MRI image.",
     "term": "voxel"
    },
    {
     "gloss": "Overlap between the model's and the expert's outline, from 0 to 1.",
     "term": "Dice coefficient"
    },
    {
     "gloss": "Outlining the tumour and organs before radiotherapy planning.",
     "term": "contouring"
    }
   ],
   "prereq": [
    "semanticseg",
    "cnnarchs"
   ],
   "keywords": [
    "nnU-Net",
    "3D U-Net",
    "MONAI",
    "TotalSegmentator",
    "MedSAM",
    "Medical Segmentation Decathlon",
    "Dice loss",
    "Hausdorff distance"
   ],
   "source_ids": [
    "nnunet-2018"
   ],
   "url": "https://aiatlasgraph.com/t/medsegmentation",
   "markdown_url": "https://aiatlasgraph.com/t/medsegmentation.md",
   "updated": "2026-10-30"
  },
  "memefficienttraining": {
   "id": "memefficienttraining",
   "parent_id": "optimization",
   "label": "Oszczędzanie pamięci podczas treningu",
   "canonical_name": "Memory-efficient training",
   "aliases": [
    "memory-efficient training",
    "training memory optimization",
    "oszczędny trening",
    "optymalizacja pamięci treningu"
   ],
   "description": "Techniki zmniejszające pamięć zajętą przez aktywacje, gradienty i stany optymalizatora, by trenować większe modele na tym samym sprzęcie.",
   "description_en": "Techniques that shrink memory used by activations, gradients and optimiser states, so larger models train on the same hardware.",
   "plain": "Zestaw sposobów, dzięki którym większy model mieści się w pamięci karty graficznej podczas nauki.",
   "plain_en": "A set of methods that let a bigger model fit into graphics-card memory while it is being trained.",
   "solves": "Trening zużywa wielokrotnie więcej pamięci niż samo uruchamianie modelu i szybko kończy się błędem braku miejsca.",
   "solves_en": "Training uses many times more memory than running a model, and quickly stops with an out-of-memory error.",
   "does": "Jak przeprowadzka do małego mieszkania: część rzeczy składasz ciaśniej, część wynosisz do piwnicy, a część kupujesz dopiero, gdy trzeba.",
   "does_en": "Like moving into a small flat: some things you fold tighter, some go to the basement, some you only buy when needed.",
   "example": "Student dostraja średniej wielkości model na jednej karcie graficznej w domowym komputerze zamiast wynajmować serwer.",
   "example_en": "A student fine-tunes a mid-sized model on a single graphics card in a home PC instead of renting a server.",
   "for_you": [
    "dostajesz błąd braku pamięci na karcie graficznej",
    "chcesz trenować na jednym komputerze zamiast w chmurze"
   ],
   "for_you_en": [
    "hit out-of-memory errors on your GPU",
    "want to train on one computer instead of the cloud"
   ],
   "how": "Pamięć treningu to wagi, gradienty, stany optymalizatora (dla Adama dwa dodatkowe tensory na wagę) i aktywacje zapamiętane do propagacji wstecznej. Oszczędza się ją przez ponowne liczenie aktywacji, kwantyzację lub rzutowanie stanów optymalizatora, niższą precyzję, mniejsze mikrobatche i przenoszenie danych do pamięci CPU.",
   "how_en": "Training memory holds weights, gradients, optimiser states (two extra tensors per weight for Adam) and activations kept for backpropagation. It is reduced by recomputing activations, quantising or projecting optimiser states, lower precision, smaller micro-batches and offloading to CPU memory.",
   "limits": "Prawie każda oszczędność kosztuje czas obliczeń lub dokładność. Techniki wchodzą w interakcje z zrównoleglaniem i mieszaną precyzją, a zysk zależy od architektury i długości sekwencji.",
   "limits_en": "Almost every saving costs compute time or accuracy. Techniques interact with parallelism and mixed precision, and the gain depends on architecture and sequence length.",
   "terms": [
    {
     "gloss": "Pośrednie wyniki warstw zapamiętywane, by policzyć gradienty.",
     "term": "aktywacje"
    },
    {
     "gloss": "Dodatkowe liczby trzymane przez optymalizator dla każdej wagi, np. średnie gradientów.",
     "term": "stan optymalizatora"
    },
    {
     "gloss": "Przenoszenie części danych z pamięci karty do zwykłej pamięci RAM.",
     "term": "offloading"
    }
   ],
   "terms_en": [
    {
     "gloss": "Intermediate layer outputs kept so gradients can be computed.",
     "term": "activations"
    },
    {
     "gloss": "Extra numbers an optimiser stores per weight, e.g. gradient averages.",
     "term": "optimiser state"
    },
    {
     "gloss": "Moving some data from GPU memory to ordinary RAM.",
     "term": "offloading"
    }
   ],
   "prereq": [
    "backprop"
   ],
   "keywords": [
    "gradient checkpointing",
    "activation recomputation",
    "8-bit Adam",
    "GaLore",
    "CPU offloading",
    "ZeRO",
    "DeepSpeed",
    "bitsandbytes",
    "micro-batching",
    "mixed precision"
   ],
   "source_ids": [
    "chen-2016-sublinear",
    "zhao-2024-galore",
    "dettmers-2021-8bitopt"
   ],
   "url": "https://aiatlasgraph.com/t/memefficienttraining",
   "markdown_url": "https://aiatlasgraph.com/t/memefficienttraining.md",
   "updated": "2026-10-30"
  },
  "memeticalgorithms": {
   "id": "memeticalgorithms",
   "parent_id": "evoclassic",
   "label": "Algorytmy memetyczne (ewolucja z lokalnym ulepszaniem)",
   "canonical_name": "Memetic algorithms",
   "aliases": [
    "memetic algorithms",
    "MA",
    "hybrid genetic algorithms",
    "genetic local search",
    "algorytmy memetyczne"
   ],
   "description": "Algorytm ewolucyjny z jedną lub kilkoma fazami przeszukiwania lokalnego wewnątrz cyklu pokoleń.",
   "description_en": "An evolutionary algorithm with one or more local search phases inside its generational cycle.",
   "plain": "Sztuczna ewolucja, w której każdy nowy wariant przed oceną jest jeszcze ręcznie dopieszczany krótkim, lokalnym poprawianiem.",
   "plain_en": "Artificial evolution where each new variant gets a short round of local polishing before it is scored.",
   "solves": "Sama ewolucja szybko znajduje dobre okolice, ale potem długo i niezdarnie dochodzi do najlepszego punktu w okolicy.",
   "solves_en": "Evolution alone finds good regions fast but then crawls slowly and clumsily toward the best point nearby.",
   "does": "Jak drużyna, w której trener dobiera skład, a każdy zawodnik jeszcze sam ćwiczy przed meczem.",
   "does_en": "Like a team where the coach picks the line-up, and each player still practises alone before the match.",
   "example": "Firma układa trasy dostaw; program krzyżuje dobre plany, a potem w każdym zamienia pojedyncze przystanki, dopóki trasa się skraca.",
   "example_en": "A firm plans delivery routes; software crosses good plans, then swaps single stops in each until the route stops getting shorter.",
   "for_you": [
    "masz dobry sposób na drobne poprawki, ale utyka",
    "rozwiązujesz trudne problemy układania tras lub planów"
   ],
   "for_you_en": [
    "have a good tweak method that keeps getting stuck",
    "solve hard routing or planning problems"
   ],
   "how": "Potomstwo po krzyżowaniu i mutacji trafia do lokalnego przeszukiwania, np. wspinaczki lub 2-opt, zanim przejdzie selekcję. W wariancie lamarckowskim ulepszone rozwiązanie zastępuje oryginał; w baldwinowskim zmienia się tylko jego ocena. Projektant decyduje, kogo ulepszać, jak długo i iloma metodami lokalnymi.",
   "how_en": "Offspring from crossover and mutation go through local search, such as hill climbing or 2-opt, before selection. In the Lamarckian variant the improved solution replaces the original; in the Baldwinian one only its fitness changes. The designer chooses whom to improve, for how long and with how many local searchers.",
   "limits": "Silne lokalne ulepszanie zjada budżet ocen i szybko odbiera populacji różnorodność. Wymaga dobrej metody lokalnej dla danego problemu, a wiele decyzji projektowych trudno dobrać bez eksperymentów.",
   "limits_en": "Strong local improvement eats the evaluation budget and quickly drains population diversity. It needs a good problem-specific local method, and many design choices are hard to set without experiments.",
   "terms": [
    {
     "gloss": "Jednostka przekazywanej wiedzy; tu: procedura lokalnego ulepszania.",
     "term": "mem"
    },
    {
     "gloss": "Ulepszone rozwiązanie wraca do populacji zamiast oryginału.",
     "term": "uczenie lamarckowskie"
    },
    {
     "gloss": "Ulepszenie podnosi tylko ocenę, rozwiązanie zostaje bez zmian.",
     "term": "efekt Baldwina"
    }
   ],
   "terms_en": [
    {
     "gloss": "A unit of passed-on knowledge; here a local improvement procedure.",
     "term": "meme"
    },
    {
     "gloss": "The improved solution returns to the population instead of the original.",
     "term": "Lamarckian learning"
    },
    {
     "gloss": "Improvement only raises the score; the solution stays unchanged.",
     "term": "Baldwin effect"
    }
   ],
   "prereq": [
    "localsearch"
   ],
   "keywords": [
    "hybrid genetic algorithm",
    "genetic local search",
    "Lamarckian",
    "Baldwinian",
    "2-opt",
    "multi-meme",
    "hyper-heuristics",
    "vehicle routing"
   ],
   "source_ids": [
    "memetic-krasnogor-smith-2005"
   ],
   "url": "https://aiatlasgraph.com/t/memeticalgorithms",
   "markdown_url": "https://aiatlasgraph.com/t/memeticalgorithms.md",
   "updated": "2026-10-30"
  },
  "memory": {
   "id": "memory",
   "parent_id": "applications",
   "label": "Pamięć i stan",
   "canonical_name": "Memory and state",
   "description": "Przechowywanie informacji między krokami i rozmowami.",
   "description_en": "Keeping information between steps and conversations.",
   "examples": "Pamięć długoterminowa · checkpoints",
   "examples_en": "Long-term memory · checkpoints",
   "plain": "To zapisywanie ustaleń i postępów asystenta, żeby mógł z nich korzystać w kolejnych krokach lub rozmowach.",
   "plain_en": "This saves an assistant's decisions and progress for use in later steps or conversations.",
   "solves": "Musisz powtarzać swoje preferencje lub zaczynać zadanie od nowa, gdy rozmowa się kończy albo praca zostaje przerwana.",
   "solves_en": "You have to repeat your preferences or restart a task when a conversation ends or work is interrupted.",
   "does": "System zapisuje wybrane informacje, a później dołącza potrzebne notatki do nowego zadania lub przywraca miejsce przerwania pracy.",
   "does_en": "The system stores selected information, then adds relevant notes to a new task or restores the point where work stopped.",
   "example": "Wracasz do planowania urlopu, a asystent odczytuje zapisany budżet i listę miejsc, które już rozważaliście.",
   "example_en": "You return to planning a holiday, and the assistant reads your saved budget and the places you already considered.",
   "for_you": [
    "prowadzisz sprawy, które trwają dłużej niż jedną rozmowę",
    "chcesz wracać do przerwanego zadania bez zaczynania od zera"
   ],
   "for_you_en": [
    "work on things that outlast a single conversation",
    "want to resume interrupted work without starting over"
   ],
   "how": "Stan roboczy zapisuje przebieg bieżącego zadania, a trwała pamięć przechowuje fakty, preferencje lub doświadczenia między uruchomieniami. Przy kolejnym wywołaniu system wybiera odpowiednie wpisy według identyfikatora, reguł lub podobieństwa semantycznego i dodaje je do kontekstu.",
   "how_en": "Working state records the current task, while persistent memory stores facts, preferences or experiences across runs. On a subsequent call, the system selects relevant entries by identifier, rules or semantic similarity and adds them to context.",
   "limits": "Nieaktualne lub błędne wpisy mogą utrwalać złe decyzje. Potrzebne są zasady aktualizacji i usuwania, rozdzielenie użytkowników oraz kontrola informacji traconych przy streszczaniu.",
   "limits_en": "Stale or incorrect entries can perpetuate bad decisions. Update and deletion policies, user separation and controls on information lost through summarization are needed.",
   "terms": [
    {
     "gloss": "Informacje potrzebne do kontynuowania aktualnego wykonania.",
     "term": "stan roboczy"
    },
    {
     "gloss": "Dane zachowane do użycia w późniejszych uruchomieniach.",
     "term": "pamięć trwała"
    },
    {
     "gloss": "Dobór zapisanych informacji do bieżącego kontekstu.",
     "term": "retrieval pamięci"
    }
   ],
   "terms_en": [
    {
     "gloss": "Information needed to continue the current execution.",
     "term": "working state"
    },
    {
     "gloss": "Data retained for use in later runs.",
     "term": "persistent memory"
    },
    {
     "gloss": "Selecting stored information for the current context.",
     "term": "memory retrieval"
    }
   ],
   "prereq": [
    "textembeddings",
    "dataversioning"
   ],
   "keywords": [
    "short-term memory",
    "long-term memory",
    "checkpointing",
    "episodic memory",
    "semantic memory",
    "memory retrieval",
    "state persistence",
    "context summarization"
   ],
   "courses": [
    {
     "title": "Long-Term Agentic Memory With LangGraph",
     "url": "https://www.deeplearning.ai/courses/long-term-agentic-memory-with-langgraph"
    }
   ],
   "source_ids": [
    "agents",
    "bootcamp",
    "dlai",
    "machina-x-agents"
   ],
   "url": "https://aiatlasgraph.com/t/memory",
   "markdown_url": "https://aiatlasgraph.com/t/memory.md",
   "updated": "2026-10-30"
  },
  "memorywall": {
   "id": "memorywall",
   "parent_id": "hardware",
   "label": "Pamięć HBM i ściana pamięci",
   "canonical_name": "High-bandwidth memory and the memory wall",
   "aliases": [
    "memory wall",
    "ściana pamięci",
    "HBM",
    "high-bandwidth memory",
    "memory bandwidth bottleneck"
   ],
   "description": "Moc obliczeniowa akceleratorów rośnie szybciej niż przepustowość pamięci, dlatego przesyłanie wag i KV cache z HBM może stać się wąskim gardłem. Jest to szczególnie istotne w fazie generowania tokenów przez LLM, zwłaszcza przy małych batchach.",
   "description_en": "Accelerator compute grows faster than memory bandwidth, so moving weights and KV cache from HBM can become a bottleneck. This is especially important during LLM token generation, particularly at small batch sizes.",
   "examples": "hierarchia pamięci HBM → SRAM · wzrost FLOPS a wzrost przepustowości · dekodowanie ograniczone pamięcią",
   "examples_en": "HBM → SRAM memory hierarchy · FLOPS growth vs bandwidth growth · memory-bound decoding",
   "plain": "To sytuacja, w której obliczenia modelu ogranicza szybkość dostarczania danych z pamięci.",
   "plain_en": "This occurs when the speed of supplying data from memory limits model calculations.",
   "solves": "Masz szybki układ obliczeniowy, ale model nadal czeka na dane zamiast wykonywać pracę.",
   "solves_en": "You have a fast computing chip, but the model still waits for data rather than doing useful work.",
   "does": "Potrzebne ustawienia i zapisy rozmowy muszą docierać do obliczeń; gdy przepływ jest za wolny, dodatkowa moc pozostaje niewykorzystana.",
   "does_en": "Parameters and conversation state must reach the computation units; when data flow is too slow, extra computing capacity remains unused.",
   "example": "Przy generowaniu krótkich odpowiedzi zauważasz, że zmniejszenie zapisu modelu pomaga bardziej niż szybsze jednostki obliczeniowe.",
   "example_en": "When generating short responses, you find that reducing the model's representation helps more than faster computation units.",
   "for_you": [
    "model jest wolny mimo dużej mocy obliczeniowej",
    "chcesz sprawdzić wpływ przepustowości pamięci"
   ],
   "for_you_en": [
    "find a model slow despite substantial computing power",
    "want to check memory-bandwidth effects"
   ],
   "how": "Wykonanie pobiera wagi i stan modelu z pamięci urządzenia do jednostek obliczeniowych. Gdy operacja ma mało obliczeń na przesłany bajt, szybkość ogranicza transfer, nawet przy niewykorzystanej mocy arytmetycznej.",
   "how_en": "Execution transfers weights and model state from device memory to compute units. When operations perform little computation per transferred byte, bandwidth limits speed despite unused arithmetic capacity.",
   "limits": "Wąskie gardło zależy od batcha, długości kontekstu i operacji. Więcej jednostek obliczeniowych nie naprawia ograniczonego transferu; cache, kwantyzacja i ponowne użycie danych mają własne koszty.",
   "limits_en": "Bottlenecks depend on batch size, context length and operations. More compute units cannot fix limited bandwidth; caches, quantisation and data reuse have their own costs.",
   "terms": [
    {
     "gloss": "Pamięć akceleratora zaprojektowana do przesyłania dużej ilości danych.",
     "term": "HBM"
    },
    {
     "gloss": "Liczba operacji przypadających na bajt przeniesiony z określonego poziomu pamięci.",
     "term": "intensywność arytmetyczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Accelerator memory designed for high-volume data transfer.",
     "term": "HBM"
    },
    {
     "gloss": "Operations performed per byte transferred from a specified memory level.",
     "term": "arithmetic intensity"
    }
   ],
   "prereq": [
    "gemm",
    "linearalgebra"
   ],
   "keywords": [
    "HBM",
    "SRAM",
    "memory bandwidth",
    "arithmetic intensity",
    "bandwidth-bound decoding",
    "weight streaming"
   ],
   "source_ids": [
    "ai-memory-wall-2024",
    "scaling-book-tpus",
    "scaling-book-rooflines",
    "horace-he-brrr-2022"
   ],
   "url": "https://aiatlasgraph.com/t/memorywall",
   "markdown_url": "https://aiatlasgraph.com/t/memorywall.md",
   "updated": "2026-10-30"
  },
  "mentalmodels": {
   "id": "mentalmodels",
   "parent_id": "ux",
   "label": "Ustawianie oczekiwań: co AI potrafi, a czego nie",
   "canonical_name": "Setting expectations and mental models",
   "description": "Pomaganie użytkownikowi zrozumieć, co system umie, jak dobrze i na czym się myli — tak, by ani go nie przeceniał, ani nie porzucał po pierwszym błędzie.",
   "description_en": "Helping users understand what the system can do, how well, and where it fails — so they neither overtrust it nor abandon it after the first mistake.",
   "examples": "onboarding z przykładami · komunikat o ograniczeniach · stopniowe odsłanianie funkcji · ryzyko antropomorfizacji",
   "examples_en": "onboarding with examples · limitation notices · progressive disclosure · anthropomorphism risk",
   "plain": "To pomaganie ludziom zrozumieć, co system potrafi i gdzie jego odpowiedzi wymagają sprawdzenia.",
   "plain_en": "This helps people understand what a system can do and where its answers need checking.",
   "solves": "Użytkownik może przeceniać narzędzie albo porzucić je po błędzie, jeśli nie rozumie jego możliwości i ograniczeń.",
   "solves_en": "A user may overestimate a tool or abandon it after a mistake without understanding its capabilities and limitations.",
   "does": "Pokazuje zadania, w których system pomaga, typowe pomyłki i przykłady sprawdzania wyników, stopniowo wyjaśniając dostępne funkcje.",
   "does_en": "It shows tasks the system can assist with, typical mistakes and examples of checking results while gradually explaining available features.",
   "example": "Przy pierwszym użyciu asystenta notatek widzisz przykładowe podsumowanie i wskazówkę, żeby porównać zapisane ustalenia z rozmową.",
   "example_en": "When first using a note assistant, you see a sample summary and guidance to compare its recorded decisions with the conversation.",
   "for_you": [
    "wprowadzasz ludzi do nowego narzędzia",
    "chcesz dopasować oczekiwania do rzeczywistych możliwości systemu"
   ],
   "for_you_en": [
    "introduce people to a new tool",
    "want expectations matched to the system's actual capabilities"
   ],
   "how": "Opis możliwości i przykładów wiąże funkcję z zadaniami, które system rzeczywiście obsługuje. Komunikaty o ograniczeniach oraz informacja zwrotna po sukcesach i błędach aktualizują oczekiwania użytkownika wobec dalszych prób.",
   "how_en": "Capability descriptions and examples connect features to tasks the system actually supports. Limit explanations and feedback after successes and failures update user expectations for subsequent attempts.",
   "limits": "Ogólna deklaracja możliwości nie oddaje jakości w konkretnym kontekście. Antropomorfizacja może sugerować nieistniejące rozumienie, a pojedynczy dobry przykład zawyżać oczekiwania wobec innych zadań.",
   "limits_en": "General capability claims do not capture context-specific quality. Anthropomorphism can suggest nonexistent understanding, while one good example can inflate expectations for other tasks.",
   "terms": [
    {
     "gloss": "Wyobrażenie użytkownika o możliwościach i sposobie działania systemu.",
     "term": "model mentalny"
    },
    {
     "gloss": "Zakres zadań i warunków, w których działanie zostało sprawdzone.",
     "term": "granica możliwości"
    }
   ],
   "terms_en": [
    {
     "gloss": "A user's understanding of system capabilities and operation.",
     "term": "mental model"
    },
    {
     "gloss": "The task and condition range in which behaviour has been checked.",
     "term": "capability boundary"
    }
   ],
   "prereq": [
    "erroranalysis",
    "calibration"
   ],
   "keywords": [
    "progressive disclosure",
    "capability boundaries",
    "onboarding",
    "anthropomorphism",
    "HAX Toolkit"
   ],
   "source_ids": [
    "pair-guidebook",
    "hax-guidelines-2019"
   ],
   "url": "https://aiatlasgraph.com/t/mentalmodels",
   "markdown_url": "https://aiatlasgraph.com/t/mentalmodels.md",
   "updated": "2026-10-30"
  },
  "merging": {
   "id": "merging",
   "parent_id": "training",
   "label": "Łączenie modeli",
   "canonical_name": "Model merging",
   "description": "Tworzenie nowego modelu przez arytmetykę na wagach już wytrenowanych modeli, bez dalszego treningu.",
   "description_en": "Building a new model by arithmetic on the weights of already-trained models, with no further training.",
   "examples": "SLERP · TIES · DARE",
   "examples_en": "SLERP · TIES · DARE",
   "plain": "To tworzenie nowego modelu przez łączenie ustawień lub części już wyuczonych modeli.",
   "plain_en": "This creates a new model by combining parameters or components of already trained models.",
   "solves": "Masz kilka przydatnych wariantów, ale kolejny pełny trening lub uruchamianie wszystkich naraz jest kosztowne.",
   "solves_en": "You have several useful variants, but another full training run or running them all together is costly.",
   "does": "Metody mieszają zgodne ustawienia, poprawki zadań lub układy warstw; efekt może wymagać sprawdzenia konfliktów i utraty umiejętności.",
   "does_en": "Methods mix compatible parameters, task updates or layer arrangements; the result needs checks for conflicts and lost abilities.",
   "example": "Łączysz zgodne warianty modelu opisów produktów i sprawdzasz, czy nowy model zachował ich przydatne cechy.",
   "example_en": "You merge compatible product-description models and check whether the new model retains their useful characteristics.",
   "for_you": [
    "masz zgodne, wcześniej wyuczone warianty",
    "chcesz eksperymentować z łączeniem ich umiejętności"
   ],
   "for_you_en": [
    "have compatible pretrained variants",
    "want to experiment with combining their abilities"
   ],
   "how": "Zgodne checkpointy łączy się przez interpolację wag, sumowanie aktualizacji lub składanie warstw. Wspólna baza i porównywalna parametryzacja umożliwiają operacje, a walidacja wybiera recepturę zachowującą pożądane zdolności modeli składowych.",
   "how_en": "Compatible checkpoints are combined through weight interpolation, update addition or layer composition. Shared bases and comparable parameterisations enable operations, while validation selects recipes retaining desired component-model capabilities.",
   "limits": "Zgodność kształtów nie gwarantuje zgodności funkcjonalnej wag. Aktualizacje mogą kolidować i pogarszać zdolności; dobór receptury kosztuje ewaluację i nie zastępuje testów wszystkich zastosowań.",
   "limits_en": "Matching shapes cannot guarantee functional weight compatibility. Updates can conflict and degrade capabilities; recipe selection costs evaluation and cannot replace testing across applications.",
   "terms": [
    {
     "gloss": "Łączenie parametrów kilku modeli według wybranych współczynników.",
     "term": "interpolacja wag"
    },
    {
     "gloss": "Możliwość sensownego zestawienia parametrów lub warstw łączonych modeli.",
     "term": "zgodność checkpointów"
    }
   ],
   "terms_en": [
    {
     "gloss": "Combining several models' parameters using selected coefficients.",
     "term": "weight interpolation"
    },
    {
     "gloss": "The ability to meaningfully combine parameters or layers across models.",
     "term": "checkpoint compatibility"
    }
   ],
   "prereq": [
    "linearalgebra",
    "evalsets"
   ],
   "keywords": [
    "model soups",
    "SLERP",
    "task arithmetic",
    "TIES-Merging",
    "DARE",
    "mergekit",
    "evolutionary model merge",
    "weight averaging"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/merging",
   "markdown_url": "https://aiatlasgraph.com/t/merging.md",
   "updated": "2026-10-30"
  },
  "messagepassing": {
   "id": "messagepassing",
   "parent_id": "gnn",
   "label": "Konwolucje grafowe i uwaga na grafach (GCN, GAT)",
   "canonical_name": "Graph convolutions and graph attention (GCN, GAT)",
   "aliases": [
    "GCN",
    "GAT",
    "GraphSAGE",
    "graph convolutional networks",
    "graph attention networks",
    "konwolucja grafowa"
   ],
   "description": "Najpopularniejsze warstwy GNN: GCN agreguje znormalizowaną sumę cech sąsiadów, GAT waży sąsiadów mechanizmem uwagi, GraphSAGE próbkuje sąsiedztwo.",
   "description_en": "The most common GNN layers: GCN aggregates a normalised sum of neighbour features, GAT weights neighbours with attention, GraphSAGE samples the neighbourhood.",
   "plain": "Podstawowy sposób, w jaki sieć grafowa krok po kroku zbiera wiedzę od sąsiadów każdego elementu.",
   "plain_en": "The basic way a graph network gathers knowledge, step by step, from each element's neighbours.",
   "solves": "Pojedynczy element mówi niewiele; o roli osoby w firmie czy artykułu w nauce decydują jego połączenia.",
   "solves_en": "A single element says little on its own; a person's role in a company or a paper's place in science depends on its connections.",
   "does": "Jak sondaż wśród sąsiadów: każdy element pyta najbliższych, waży ich odpowiedzi i na tej podstawie aktualizuje własną opinię.",
   "does_en": "Like polling the neighbours: each element asks those closest to it, weighs their answers and updates its own view.",
   "example": "Serwis z artykułami naukowymi przypisuje nowej pracy dziedzinę na podstawie tego, jakie prace cytuje i kto cytuje ją.",
   "example_en": "A library of research papers assigns a new paper to a field based on which papers it cites and which papers cite it.",
   "for_you": [
    "chcesz klasyfikować elementy sieci na podstawie ich sąsiadów",
    "przewidujesz brakujące połączenia, np. kto kogo może znać"
   ],
   "for_you_en": [
    "want to classify network elements by their neighbours",
    "predict missing links, such as who might know whom"
   ],
   "how": "GCN mnoży cechy węzłów przez znormalizowaną macierz sąsiedztwa i wspólną macierz wag, co jest przybliżeniem pierwszego rzędu spektralnej konwolucji. GAT liczy współczynnik uwagi dla każdej krawędzi, więc sąsiedzi wnoszą różny wkład. GraphSAGE uczy się na próbkach sąsiedztwa, co pozwala skalować trening i obsługiwać nowe węzły.",
   "how_en": "GCN multiplies node features by a normalised adjacency matrix and a shared weight matrix, a first-order approximation of spectral convolution. GAT computes an attention coefficient per edge, so neighbours contribute differently. GraphSAGE trains on sampled neighbourhoods, scaling training and handling unseen nodes.",
   "limits": "Zakładają, że połączone węzły są do siebie podobne (homofilia); na grafach heterofilnych słabną. Cały graf szybko przestaje mieścić się w pamięci GPU, a wynik zależy od jakości samych krawędzi.",
   "limits_en": "They assume connected nodes are similar (homophily) and weaken on heterophilous graphs. Whole graphs quickly outgrow GPU memory, and results depend on the quality of the edges themselves.",
   "terms": [
    {
     "gloss": "Tabela zapisująca, które węzły grafu są ze sobą połączone.",
     "term": "macierz sąsiedztwa"
    },
    {
     "gloss": "Wyuczona waga mówiąca, jak bardzo słuchać danego sąsiada.",
     "term": "współczynnik uwagi"
    },
    {
     "gloss": "Skłonność połączonych elementów do bycia podobnymi.",
     "term": "homofilia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A table recording which graph nodes are connected.",
     "term": "adjacency matrix"
    },
    {
     "gloss": "A learned weight saying how much to listen to a given neighbour.",
     "term": "attention coefficient"
    },
    {
     "gloss": "The tendency of connected elements to be similar.",
     "term": "homophily"
    }
   ],
   "prereq": [
    "selfattention",
    "linearalgebra"
   ],
   "keywords": [
    "GCN",
    "GAT",
    "GraphSAGE",
    "GIN",
    "PyTorch Geometric",
    "DGL",
    "node classification",
    "link prediction"
   ],
   "source_ids": [
    "distill-gnn-2021",
    "gcn-2016"
   ],
   "url": "https://aiatlasgraph.com/t/messagepassing",
   "markdown_url": "https://aiatlasgraph.com/t/messagepassing.md",
   "updated": "2026-10-30"
  },
  "metaphorcritique": {
   "id": "metaphorcritique",
   "parent_id": "evobenchmarking",
   "label": "Krytyka „nowych” metaheurystyk opartych na metaforach",
   "canonical_name": "Critique of metaphor-based metaheuristics",
   "aliases": [
    "critique of metaphor-based metaheuristics",
    "novel metaheuristics critique",
    "krytyka metaheurystyk opartych na metaforach"
   ],
   "description": "Nurt metodologiczny wskazujący, że wiele metaheurystyk opartych na metaforach to przemianowane znane techniki, i postulujący opis w języku optymalizacji.",
   "description_en": "A methodological strand showing many metaphor-based metaheuristics are renamed known techniques, and calling for description in standard optimisation terms.",
   "plain": "Ostrzeżenie przed falami algorytmów nazwanych od zwierząt czy zjawisk, które często okazują się znanymi metodami pod nową nazwą.",
   "plain_en": "A warning about waves of algorithms named after animals or phenomena that often turn out to be known methods under a new name.",
   "solves": "Ktoś szuka metody optymalizacji i tonie w setkach „nowych” algorytmów, nie wiedząc, które wnoszą coś naprawdę.",
   "solves_en": "Someone looking for an optimisation method drowns in hundreds of “new” algorithms with no idea which add anything real.",
   "does": "Jak zdjęcie etykiety z butelki: po zdjęciu poetyckiej nazwy widać, że w środku jest znajomy napitek.",
   "does_en": "Like peeling the label off a bottle: without the poetic name you see a familiar drink inside.",
   "example": "Student chce użyć algorytmu wzorowanego na polowaniu drapieżników, a po rozpisaniu wzorów widzi zwykły rój cząstek z innymi słowami.",
   "example_en": "A student wants an algorithm modelled on predators hunting and, after writing out the formulas, sees an ordinary particle swarm in other words.",
   "for_you": [
    "trafiasz na algorytm nazwany od zwierzęcia lub zjawiska",
    "piszesz pracę i wybierasz metodę optymalizacji",
    "chcesz odróżnić nową ideę od nowej nazwy"
   ],
   "for_you_en": [
    "you find an algorithm named after an animal or phenomenon",
    "you are writing a thesis and picking an optimiser",
    "want to tell a new idea from a new name"
   ],
   "how": "Krytycy rozpisują algorytm w standardowych pojęciach: populacja, selekcja, operatory zmienności. Na przykład „pamięć harmonii” okazuje się populacją, a cała metoda szczególnym przypadkiem starszej strategii ewolucyjnej. Postulują dekompozycję na komponenty, rzetelne strojenie i testy statystyczne zamiast pogoni za nowością.",
   "how_en": "Critics rewrite an algorithm in standard terms: population, selection, variation operators. For example, a “harmony memory” turns out to be a population and the method a special case of an older evolution strategy. They call for decomposition into components, sound tuning and statistical tests rather than chasing novelty.",
   "limits": "Krytyka nie znaczy, że każda metoda inspirowana naturą jest bezwartościowa; klasyczne algorytmy mrówkowe czy rojowe mają solidne podstawy. Ocena wymaga lektury wzorów i kodu, a nie samej nazwy.",
   "limits_en": "The critique does not mean every nature-inspired method is worthless; classic ant colony or swarm algorithms rest on solid ground. Judging requires reading the formulas and code, not just the name.",
   "terms": [
    {
     "gloss": "Ogólny schemat przeszukiwania, stosowany do wielu różnych problemów.",
     "term": "metaheurystyka"
    },
    {
     "gloss": "Rozbiór metody na składniki, by sprawdzić, które działają.",
     "term": "dekonstrukcja algorytmu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A general search scheme applied to many different problems.",
     "term": "metaheuristic"
    },
    {
     "gloss": "Breaking a method into parts to see which ones matter.",
     "term": "algorithm deconstruction"
    }
   ],
   "keywords": [
    "Metaheuristics the metaphor exposed",
    "harmony search critique",
    "grey wolf optimizer critique",
    "Evolutionary Computation Bestiary",
    "component-based analysis",
    "matheuristics"
   ],
   "source_ids": [
    "sorensen-metaphor-2015"
   ],
   "url": "https://aiatlasgraph.com/t/metaphorcritique",
   "markdown_url": "https://aiatlasgraph.com/t/metaphorcritique.md",
   "updated": "2026-10-30"
  },
  "metarl": {
   "id": "metarl",
   "parent_id": "rlgeneralization",
   "label": "Meta-uczenie ze wzmocnieniem (meta-RL)",
   "canonical_name": "Meta-reinforcement learning",
   "aliases": [
    "meta-reinforcement learning",
    "meta-RL",
    "learning to adapt"
   ],
   "description": "Meta-uczenie w RL: trening na rozkładzie zadań daje politykę lub algorytm, który adaptuje się do nowego zadania z niewielu interakcji.",
   "description_en": "Meta-learning applied to RL: training over a task distribution yields a policy or algorithm that adapts to a new task from few interactions.",
   "plain": "Agent ćwiczy na wielu podobnych zadaniach tak, żeby nowe zadanie z tej rodziny opanować po kilku próbach.",
   "plain_en": "An agent practises on many similar tasks so that it masters a new one from the same family in a few tries.",
   "solves": "Zwykłe uczenie ze wzmocnieniem potrzebuje ogromu prób na każde nowe zadanie, a w prawdziwym świecie próby są drogie.",
   "solves_en": "Ordinary reinforcement learning needs huge numbers of trials for each new task, and real-world trials are expensive.",
   "does": "Jak gracz, który zna wiele gier planszowych i nowe zasady łapie po dwóch rozgrywkach, bo wie, czego szukać.",
   "does_en": "Like someone who knows many board games and picks up new rules in two rounds, because they know what to look for.",
   "example": "Ramię robota, które ćwiczyło otwieranie wielu różnych szuflad, po kilku próbach otwiera szufladę o nieznanym uchwycie.",
   "example_en": "A robot arm that practised opening many different drawers opens one with an unfamiliar handle after a few attempts.",
   "for_you": [
    "masz wiele podobnych zadań i chcesz szybko opanowywać kolejne",
    "każda próba w prawdziwym środowisku sporo kosztuje"
   ],
   "for_you_en": [
    "you have many similar tasks and want to master new ones fast",
    "each trial in the real environment is costly"
   ],
   "how": "W pętli zewnętrznej optymalizuje się wynik po adaptacji, w wewnętrznej agent uczy się danego zadania. Metody gradientowe (np. MAML) uczą dobrej inicjalizacji, metody kontekstowe (RL², VariBAD) kodują historię w stanie sieci rekurencyjnej lub w przekonaniu o zadaniu, a inne uczą całych reguł aktualizacji.",
   "how_en": "An outer loop optimises post-adaptation performance while an inner loop learns the given task. Gradient-based methods (e.g. MAML) learn a good initialisation, context-based ones (RL², VariBAD) encode history in a recurrent state or task belief, and others learn entire update rules.",
   "limits": "Wymaga zdefiniowanego rozkładu zadań; nowe zadanie spoza niego zwykle nie korzysta z meta-uczenia. Trening jest kosztowny i niestabilny, a metody kontekstowe słabo radzą sobie z długimi horyzontami adaptacji.",
   "limits_en": "It needs a defined task distribution; tasks outside it rarely benefit. Training is costly and unstable, and context-based methods struggle with long adaptation horizons.",
   "terms": [
    {
     "gloss": "Uczenie się jednego konkretnego zadania w trakcie meta-treningu.",
     "term": "pętla wewnętrzna"
    },
    {
     "gloss": "Poprawianie samego sposobu uczenia na wielu zadaniach.",
     "term": "pętla zewnętrzna"
    },
    {
     "gloss": "Odgadywanie z doświadczeń, które zadanie z rodziny jest aktualne.",
     "term": "task inference"
    }
   ],
   "terms_en": [
    {
     "gloss": "Learning one specific task during meta-training.",
     "term": "inner loop"
    },
    {
     "gloss": "Improving the learning procedure itself across many tasks.",
     "term": "outer loop"
    },
    {
     "gloss": "Inferring from experience which task in the family is active.",
     "term": "task inference"
    }
   ],
   "prereq": [
    "policygradient",
    "rnn"
   ],
   "keywords": [
    "MAML",
    "RL²",
    "VariBAD",
    "PEARL",
    "Meta-World",
    "in-context RL",
    "learned optimizers",
    "few-shot adaptation"
   ],
   "source_ids": [
    "metarl-survey-2023"
   ],
   "url": "https://aiatlasgraph.com/t/metarl",
   "markdown_url": "https://aiatlasgraph.com/t/metarl.md",
   "updated": "2026-10-30"
  },
  "methanedetection": {
   "id": "methanedetection",
   "parent_id": "eoapps",
   "label": "Wykrywanie wycieków metanu z satelity",
   "canonical_name": "Methane plume detection from satellite imagery",
   "aliases": [
    "methane plume detection",
    "methane plume segmentation",
    "detekcja smug metanu"
   ],
   "description": "Segmentacja smug metanu ze źródeł punktowych na obrazach hiperspektralnych i wielospektralnych, z redukcją fałszywych wykryć względem filtrów dopasowanych.",
   "description_en": "Segmenting point-source methane plumes in hyperspectral and multispectral imagery, reducing false detections compared with matched filters.",
   "plain": "Odnajdywanie na zdjęciach z góry niewidocznych gołym okiem smug metanu ulatującego z instalacji gazowych, kopalń czy wysypisk.",
   "plain_en": "Finding, in overhead images, methane plumes invisible to the eye that escape from gas facilities, mines or landfills.",
   "solves": "Metan silnie ogrzewa klimat, a pojedyncze nieszczelności emitują go ogromnie dużo, tylko nikt ich nie widzi i długo nie naprawia.",
   "solves_en": "Methane strongly warms the climate, and single leaks emit huge amounts, yet nobody sees them and they go unfixed for long.",
   "does": "Gaz pochłania określone barwy światła; model szuka na obrazie smugi takiego cienia i odróżnia ją od dachu czy drogi, które wyglądają podobnie.",
   "does_en": "The gas absorbs specific colours of light; the model looks for a plume of that shadow and tells it apart from look-alike roofs or roads.",
   "example": "Operator gazociągu dostaje zgłoszenie o wycieku na odległej stacji, zanim jakakolwiek ekipa tam pojechała.",
   "example_en": "A pipeline operator receives a leak report at a remote station before any crew has gone there.",
   "for_you": [
    "interesujesz się mierzeniem emisji gazów cieplarnianych",
    "pracujesz w energetyce, górnictwie lub gospodarce odpadami"
   ],
   "for_you_en": [
    "care about measuring greenhouse gas emissions",
    "work in energy, mining or waste management"
   ],
   "how": "Metan pochłania światło w pasmach krótkiej podczerwieni. Klasyczny filtr dopasowany liczy z widma mapę wzmocnienia stężenia, ale reaguje też na jasne powierzchnie. Sieć segmentacyjna przyjmuje tę mapę razem z kanałami obrazu i uczy się odróżniać prawdziwe smugi od artefaktów.",
   "how_en": "Methane absorbs light in shortwave-infrared bands. A classic matched filter computes a concentration-enhancement map from the spectrum but also reacts to bright surfaces. A segmentation network takes that map together with image bands and learns to separate real plumes from artefacts.",
   "limits": "Wykrywa głównie duże źródła punktowe; rozproszone emisje, np. z rolnictwa, umykają. Wymaga bezchmurnego nieba i dobrego oświetlenia. Oszacowanie wielkości emisji z kształtu smugi zależy od słabo znanego wiatru.",
   "limits_en": "It mainly catches large point sources; diffuse emissions, e.g. from farming, are missed. It needs clear skies and good light. Estimating emission rate from plume shape depends on poorly known wind.",
   "terms": [
    {
     "gloss": "klasyczna metoda szukająca w widmie odcisku danego gazu",
     "term": "matched filter"
    },
    {
     "gloss": "pojedyncze miejsce emisji, np. komin lub nieszczelny zawór",
     "term": "point source"
    },
    {
     "gloss": "krótka podczerwień, zakres światła pochłaniany przez metan",
     "term": "SWIR"
    }
   ],
   "terms_en": [
    {
     "gloss": "classic method searching a spectrum for a gas's fingerprint",
     "term": "matched filter"
    },
    {
     "gloss": "single emission spot, e.g. a stack or leaking valve",
     "term": "point source"
    },
    {
     "gloss": "shortwave infrared, the light range methane absorbs",
     "term": "SWIR"
    }
   ],
   "prereq": [
    "semanticseg"
   ],
   "keywords": [
    "STARCOP",
    "HyperSTARCOP",
    "mag1c",
    "AVIRIS-NG",
    "EMIT",
    "Sentinel-2 methane",
    "MethaneSAT",
    "IMEO MARS"
   ],
   "source_ids": [
    "starcop-2023"
   ],
   "url": "https://aiatlasgraph.com/t/methanedetection",
   "markdown_url": "https://aiatlasgraph.com/t/methanedetection.md",
   "updated": "2026-10-30"
  },
  "metriclearning": {
   "id": "metriclearning",
   "parent_id": "representations",
   "label": "Uczenie metryk podobieństwa",
   "canonical_name": "Deep metric learning",
   "aliases": [
    "metric learning",
    "uczenie metryki",
    "similarity metric learning"
   ],
   "description": "Uczenie przestrzeni embeddingów, w której odległość odzwierciedla podobieństwo semantyczne, stratami parowymi, trypletowymi lub opartymi na proxy.",
   "description_en": "Learning an embedding space where distance reflects semantic similarity, using pairwise, triplet or proxy-based losses.",
   "plain": "Model uczy się mierzyć podobieństwo tak, żeby podobne rzeczy lądowały blisko siebie, a różne daleko.",
   "plain_en": "A model learns to measure similarity so that alike things land close together and different ones far apart.",
   "solves": "Gdy rodzajów jest za dużo albo ciągle dochodzą nowe, nie da się wytrenować zwykłego klasyfikatora dla każdego.",
   "solves_en": "When there are too many kinds, or new ones keep appearing, you can't train an ordinary classifier for each.",
   "does": "Zamiast zapamiętywać każdą klasę, uczy się porównywać, jak ochroniarz sprawdzający, czy twarz pasuje do zdjęcia na przepustce.",
   "does_en": "Instead of memorising every class it learns to compare, like a guard checking whether a face matches the photo on a pass.",
   "example": "Sklep pozwala zrobić zdjęcie butów na ulicy i pokazuje najbardziej podobne modele z katalogu.",
   "example_en": "A shop lets you snap a photo of shoes on the street and shows the most similar pairs from its catalogue.",
   "for_you": [
    "szukasz podobnych zdjęć, dźwięków lub produktów",
    "nowe kategorie pojawiają się częściej, niż możesz trenować model"
   ],
   "for_you_en": [
    "search for similar photos, sounds or products",
    "new categories appear faster than you can retrain"
   ],
   "how": "Sieć, często syjamska ze wspólnymi wagami, koduje przykłady jako wektory. Strata kontrastowa lub trypletowa przybliża pary tej samej klasy i oddala różne o margines; ważny jest dobór trudnych negatywów. Gotowe wektory porównuje się odległością i wyszukuje najbliższych sąsiadów.",
   "how_en": "A network, often siamese with shared weights, encodes examples as vectors. A contrastive or triplet loss pulls same-class pairs together and pushes different ones apart by a margin; mining hard negatives matters. The vectors are compared by distance and searched by nearest neighbours.",
   "limits": "Wynik mocno zależy od doboru par i protokołu oceny; porównania w jednakowych warunkach pokazały, że wiele raportowanych postępów znikało. Wyszukiwanie trudnych negatywów jest kosztowne.",
   "limits_en": "Results depend heavily on pair selection and evaluation protocol; like-for-like comparisons showed many reported gains vanished. Mining hard negatives is costly.",
   "terms": [
    {
     "gloss": "Kara, gdy przykład jest bliżej obcego niż swojego o mniej niż margines.",
     "term": "strata trypletowa"
    },
    {
     "gloss": "Dwie kopie tej samej sieci porównujące dwa wejścia.",
     "term": "sieć syjamska"
    },
    {
     "gloss": "Przykład innej klasy, który model łatwo myli z właściwą.",
     "term": "trudny negatyw"
    }
   ],
   "terms_en": [
    {
     "gloss": "A penalty when an example isn't closer to its own than to a stranger by a margin.",
     "term": "triplet loss"
    },
    {
     "gloss": "Two copies of one network comparing two inputs.",
     "term": "siamese network"
    },
    {
     "gloss": "An example of another class the model easily confuses with the right one.",
     "term": "hard negative"
    }
   ],
   "prereq": [
    "lossfunctions"
   ],
   "keywords": [
    "triplet loss",
    "contrastive loss",
    "siamese networks",
    "ArcFace",
    "proxy anchor loss",
    "hard negative mining",
    "pytorch-metric-learning",
    "Recall@K"
   ],
   "source_ids": [
    "musgrave-metric-reality-2020",
    "schroff-facenet-2015"
   ],
   "url": "https://aiatlasgraph.com/t/metriclearning",
   "markdown_url": "https://aiatlasgraph.com/t/metriclearning.md",
   "updated": "2026-10-30"
  },
  "metrics": {
   "id": "metrics",
   "parent_id": "evaluation",
   "label": "Metryki i benchmarki",
   "canonical_name": "Metrics and benchmarks",
   "description": "Dobór miernika do zadania i rzetelne porównywanie modeli: klasyczne metryki, standaryzowane benchmarki, rankingi oraz statystyczna niepewność wyników.",
   "description_en": "Choosing a measure that fits the task and comparing models reliably: classic metrics, standardised benchmarks, leaderboards and statistical uncertainty in results.",
   "examples": "Precision/recall · WER · success rate · benchmarki LLM · areny · przedziały ufności",
   "examples_en": "Precision/recall · WER · success rate · LLM benchmarks · arenas · confidence intervals",
   "plain": "To miary i zestawy zadań pozwalające porównywać jakość modeli z uwzględnieniem niepewności wyników.",
   "plain_en": "These measures and task sets compare model quality while accounting for uncertainty in the results.",
   "solves": "Jedna liczba lub pozycja w rankingu może ukrywać rodzaje błędów, dobór zadań i losową zmienność oceny.",
   "solves_en": "One number or ranking position can hide error types, task selection and random variation in the assessment.",
   "does": "Dobiera mierniki do zadania, porównuje wyniki na wspólnych przykładach lub ocenach ludzi i opisuje, jak mocne są wnioski.",
   "does_en": "It selects task appropriate measures, compares shared examples or human ratings and describes how strongly the results support conclusions.",
   "example": "Porównujesz asystentów według poprawności terminów i ukończonych spraw, sprawdzając również, czy różnica wyników jest stabilna.",
   "example_en": "You compare assistants by deadline accuracy and completed cases, also checking whether the performance gap is stable.",
   "for_you": [
    "porównujesz modele lub ich wersje",
    "chcesz wiedzieć, co naprawdę oznacza wynik lub ranking"
   ],
   "for_you_en": [
    "compare models or their versions",
    "want to understand what a score or ranking actually means"
   ],
   "how": "Miary przekładają predykcje lub wykonane zadania na oceny według zdefiniowanego celu. Agregacja po próbkach i porównanie z punktem odniesienia tworzą wynik, którego niepewność szacuje się z projektu eksperymentu.",
   "how_en": "Measures convert predictions or completed tasks into scores under a defined objective. Aggregation across samples and comparison with a baseline produce results whose uncertainty is estimated from the experiment design.",
   "limits": "Jedna miara nie obejmuje wszystkich kosztów błędów. Ranking zależy od zadań, wag i procedury; zmiana metryki może odwrócić porównanie modeli.",
   "limits_en": "One metric cannot capture every error cost. Rankings depend on tasks, weights and procedures; changing the metric can reverse model comparisons.",
   "terms": [
    {
     "gloss": "Łączenie ocen pojedynczych przykładów w wynik zbiorczy.",
     "term": "agregacja"
    },
    {
     "gloss": "Proste rozwiązanie lub model służący jako punkt odniesienia.",
     "term": "baseline"
    }
   ],
   "terms_en": [
    {
     "gloss": "Combining individual-example scores into an overall result.",
     "term": "aggregation"
    },
    {
     "gloss": "A simple solution or model used as a reference point.",
     "term": "baseline"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "precision",
    "recall",
    "F1 score",
    "ROC AUC",
    "WER",
    "task success rate",
    "pass@k",
    "HELM",
    "mean absolute error",
    "bootstrap confidence intervals"
   ],
   "source_ids": [
    "fsdl",
    "agents",
    "cs229",
    "sklearn-model-evaluation"
   ],
   "url": "https://aiatlasgraph.com/t/metrics",
   "markdown_url": "https://aiatlasgraph.com/t/metrics.md",
   "updated": "2026-10-30"
  },
  "midtraining": {
   "id": "midtraining",
   "parent_id": "pretraining",
   "label": "Mid-training (późna faza pretrainingu)",
   "canonical_name": "Mid-training",
   "aliases": [
    "mid-training",
    "midtraining",
    "annealing phase",
    "late-stage curriculum"
   ],
   "description": "Końcowa faza pretrainingu na mniejszej, starannie dobranej mieszance danych (np. matematyka, kod, rozumowanie, długie teksty), zwykle przy wygaszanym learning rate. Wzmacnia wybrane zdolności przed post-trainingiem.",
   "description_en": "A late pretraining phase on a smaller, carefully chosen data mix (e.g. maths, code, reasoning, long documents), usually while the learning rate is annealed. It strengthens selected capabilities before post-training.",
   "examples": "annealing na danych wysokiej jakości · curriculum w późnej fazie treningu · przygotowanie pod rozumowanie",
   "examples_en": "annealing on high-quality data · late-stage curriculum · preparing for reasoning",
   "plain": "To późna faza podstawowego treningu, w której starannie dobrane dane wzmacniają wybrane umiejętności modelu.",
   "plain_en": "This late stage of foundational training uses carefully selected data to strengthen particular model abilities.",
   "solves": "Ogólny trening nie daje jeszcze potrzebnej jakości w zadaniach takich jak obliczenia, kod lub długie teksty.",
   "solves_en": "General training does not yet provide the needed quality in calculations, code or long-text tasks.",
   "does": "Pod koniec treningu zmienia się mieszankę danych i zwykle zmniejsza krok uczenia, kierując ostatnie aktualizacje na wybrane zdolności.",
   "does_en": "Near the end of training, the data mix changes and update steps usually shrink, focusing later adjustments on selected abilities.",
   "example": "Przed nauką rozmowy model dostaje końcową mieszankę sprawdzonych zadań rachunkowych i przykładów kodu.",
   "example_en": "Before learning conversational behaviour, a model receives a final mix of verified arithmetic tasks and code examples.",
   "for_you": [
    "planujesz końcową mieszankę danych treningowych",
    "chcesz wzmocnić wybrane zdolności modelu bazowego"
   ],
   "for_you_en": [
    "plan the final training-data mix",
    "want to strengthen selected base-model abilities"
   ],
   "how": "Późniejszy odcinek treningu zwiększa udział danych reprezentujących wybrane zdolności i warunki przyszłego użycia. Kontynuacja celu pretrainingowego wraz z dobraną mieszanką i harmonogramem dostosowuje parametry przed uczeniem oczekiwanego formatu odpowiedzi.",
   "how_en": "A later training segment increases data representing selected capabilities and future-use conditions. Continuing pretraining objectives with chosen mixtures and schedules adapts parameters before learning desired response formats.",
   "limits": "Wąska mieszanka może osłabiać wcześniejsze zdolności i przeuczać domenę. Granica między etapami zależy od receptury; korzyść wymaga oceny względem kosztu oraz wcześniejszych zadań.",
   "limits_en": "Narrow mixtures can weaken earlier abilities and overfit domains. Stage boundaries depend on recipes; benefits need assessment against cost and earlier tasks.",
   "terms": [
    {
     "gloss": "Proporcje danych dobrane pod wzmacniane zdolności lub zastosowania.",
     "term": "mieszanka docelowa"
    },
    {
     "gloss": "Zmiana rozkładu treningowego przed etapem dostrajania zachowania.",
     "term": "późna adaptacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Data proportions selected for capabilities or applications being strengthened.",
     "term": "target mixture"
    },
    {
     "gloss": "Changing training distributions before behavioural fine-tuning.",
     "term": "late adaptation"
    }
   ],
   "prereq": [
    "datamixing",
    "dataselection"
   ],
   "keywords": [
    "annealing phase",
    "data mixture shift",
    "high-quality data upsampling",
    "WSD decay phase",
    "long-context extension",
    "reasoning data"
   ],
   "source_ids": [
    "olmo2-2025",
    "mo-midtraining-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/midtraining",
   "markdown_url": "https://aiatlasgraph.com/t/midtraining.md",
   "updated": "2026-10-30"
  },
  "missingimputation": {
   "id": "missingimputation",
   "parent_id": "featureeng",
   "label": "Uzupełnianie brakujących danych (imputacja)",
   "canonical_name": "Missing data imputation",
   "aliases": [
    "imputation",
    "imputacja",
    "uzupełnianie braków"
   ],
   "description": "Zastępowanie braków wartościami szacowanymi: prostymi statystykami, sąsiadami albo modelem z innych cech, często z dodatkowym wskaźnikiem braku.",
   "description_en": "Replacing missing entries with estimates from simple statistics, neighbours or a model of other features, often with an added missingness indicator.",
   "plain": "Sposoby wypełniania pustych pól w tabeli tak, żeby model mógł z niej korzystać.",
   "plain_en": "Ways to fill empty fields in a table so a model can use it.",
   "solves": "W prawdziwych danych zawsze czegoś brakuje, a wiele modeli nie przyjmuje pustych pól albo uczy się z nich błędnie.",
   "solves_en": "Real data always has gaps, and many models either reject empty fields or learn the wrong thing from them.",
   "does": "Zgaduje brakującą wartość z tego, co wiadomo: ze średniej, z podobnych wierszy albo z innych kolumn, i odnotowuje, że pole było puste.",
   "does_en": "It guesses a missing value from what is known, from an average, similar rows or other columns, and records that the field was empty.",
   "example": "W ankiecie klienta brakuje wydatków miesięcznych, więc szacujesz je z wieku, miejsca zamieszkania i zakupów podobnych osób.",
   "example_en": "A customer survey lacks monthly spending, so you estimate it from age, location and the purchases of similar people.",
   "for_you": [
    "twoje tabele mają puste komórki",
    "nie chcesz wyrzucać niepełnych wierszy"
   ],
   "for_you_en": [
    "your tables have empty cells",
    "don't want to throw away incomplete rows"
   ],
   "how": "Imputacja jednowymiarowa wstawia średnią, medianę lub najczęstszą wartość kolumny. Wielowymiarowa szacuje brak z innych cech: z k najbliższych wierszy albo iteracyjnie, modelując każdą kolumnę regresją pozostałych (styl MICE). Imputer dopasowuje się wyłącznie na zbiorze treningowym.",
   "how_en": "Univariate imputation inserts the column mean, median or most frequent value. Multivariate imputation estimates gaps from other features: from the k nearest rows, or iteratively by regressing each column on the others (MICE-style). The imputer is fitted on training data only.",
   "limits": "Gdy braki nie są losowe, sam fakt braku niesie informację, więc warto dodać wskaźnik braku. Imputacja zaniża niepewność i zniekształca rozkłady. Metody iteracyjne szybko drożeją wraz z liczbą kolumn.",
   "limits_en": "When values are not missing at random, missingness itself carries information, so an indicator helps. Imputation understates uncertainty and distorts distributions. Iterative methods get expensive quickly as columns grow.",
   "terms": [
    {
     "gloss": "Braki całkiem losowe, zależne od innych danych albo od samej brakującej wartości.",
     "term": "MCAR / MAR / MNAR"
    },
    {
     "gloss": "Dodatkowa kolumna mówiąca modelowi, że wartość była pusta.",
     "term": "wskaźnik braku"
    },
    {
     "gloss": "Iteracyjne uzupełnianie kolumna po kolumnie modelami regresji.",
     "term": "MICE"
    }
   ],
   "terms_en": [
    {
     "gloss": "Missing completely at random, depending on other data, or on the missing value itself.",
     "term": "MCAR / MAR / MNAR"
    },
    {
     "gloss": "An extra column telling the model the value was empty.",
     "term": "missingness indicator"
    },
    {
     "gloss": "Iterative column-by-column filling using regression models.",
     "term": "MICE"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "SimpleImputer",
    "KNNImputer",
    "IterativeImputer",
    "MICE",
    "MissingIndicator",
    "multiple imputation",
    "MCAR MAR MNAR"
   ],
   "source_ids": [
    "sklearn-iterativeimputer"
   ],
   "url": "https://aiatlasgraph.com/t/missingimputation",
   "markdown_url": "https://aiatlasgraph.com/t/missingimputation.md",
   "updated": "2026-10-30"
  },
  "mixedprecision": {
   "id": "mixedprecision",
   "parent_id": "optimization",
   "label": "Trening w mieszanej precyzji (FP16, BF16, FP8)",
   "canonical_name": "Mixed-precision training",
   "aliases": [
    "mixed precision",
    "AMP",
    "BF16",
    "FP8 training",
    "mieszana precyzja"
   ],
   "description": "Liczenie większości operacji w krótszych formatach liczb przy zachowaniu kluczowych wartości w pełnej precyzji. Zmniejsza zużycie pamięci i przyspiesza trening na nowoczesnych GPU.",
   "description_en": "Running most operations in shorter number formats while keeping key values in full precision. It cuts memory use and speeds up training on modern GPUs.",
   "examples": "kopia wag w FP32 · skalowanie straty · BF16 · trening w FP8",
   "examples_en": "FP32 master weights · loss scaling · BF16 · FP8 training",
   "plain": "To trening wykorzystujący różną dokładność zapisu liczb dla różnych części obliczeń.",
   "plain_en": "This trains models using different numerical precision for different parts of the computation.",
   "solves": "Pełna dokładność wszystkich liczb zajmuje dużo pamięci i może niepotrzebnie spowalniać trening.",
   "solves_en": "Full precision for every number consumes substantial memory and can unnecessarily slow training.",
   "does": "Wiele operacji korzysta z krótszego zapisu, a wrażliwe wartości zachowują większą dokładność, ograniczając błędy i koszt tam, gdzie to możliwe.",
   "does_en": "Many operations use shorter formats while sensitive values retain greater precision, limiting errors and reducing costs where possible.",
   "example": "W treningu modelu zdjęć używasz krótszych liczb do mnożenia, ale zachowujesz dokładniejszy zapis ważnych aktualizacji.",
   "example_en": "When training an image model, you use shorter numbers for multiplication but retain more precise representations for important updates.",
   "for_you": [
    "trening potrzebuje zbyt dużo pamięci",
    "sprzęt szybciej liczy w krótszych formatach"
   ],
   "for_you_en": [
    "find training needs too much memory",
    "use hardware faster with shorter numerical formats"
   ],
   "how": "Operatory korzystają z krótszych formatów, podczas gdy wrażliwe akumulacje lub stan zachowują większą dokładność. Skalowanie straty i kontrola zakresów mogą ograniczać zanik małych gradientów, a konwersje łączą etapy używające różnych precyzji.",
   "how_en": "Operators use shorter formats while sensitive accumulations or state retain greater precision. Loss scaling and range checks can reduce tiny-gradient underflow, while conversions connect stages using different precisions.",
   "limits": "Potrzeba skalowania zależy od formatu i jego zakresu. Przepełnienie, zaokrąglenia i konwersje wpływają na stabilność; przyspieszenie wymaga sprzętu oraz kerneli obsługujących wybraną ścieżkę.",
   "limits_en": "Scaling needs depend on format range. Overflow, rounding and conversions affect stability; acceleration needs hardware and kernels supporting the selected path.",
   "terms": [
    {
     "gloss": "Przeskalowanie straty i odtworzenie gradientu, ograniczające utratę małych wartości.",
     "term": "loss scaling"
    },
    {
     "gloss": "Utrata wartości zbyt małej do reprezentacji w użytym formacie.",
     "term": "underflow"
    }
   ],
   "terms_en": [
    {
     "gloss": "Rescaling loss and restoring gradients to limit loss of tiny values.",
     "term": "loss scaling"
    },
    {
     "gloss": "Loss of values too small for the numerical format.",
     "term": "underflow"
    }
   ],
   "prereq": [
    "tensorcores",
    "backprop"
   ],
   "keywords": [
    "bf16",
    "fp16",
    "FP8 training",
    "loss scaling",
    "torch.autocast",
    "Transformer Engine",
    "master weights"
   ],
   "source_ids": [
    "mixed-precision-2017",
    "fp8-lm-2023",
    "kalamkar-bfloat16-2019"
   ],
   "url": "https://aiatlasgraph.com/t/mixedprecision",
   "markdown_url": "https://aiatlasgraph.com/t/mixedprecision.md",
   "updated": "2026-10-30"
  },
  "ml": {
   "id": "ml",
   "parent_id": null,
   "label": "Uczenie maszynowe",
   "canonical_name": "Machine learning",
   "description": "Podstawowe zadania i metody uczenia z danych. Deep learning ma osobną gałąź dla czytelności.",
   "description_en": "Core learning tasks and methods. Deep learning sits in its own branch for readability.",
   "plain": "To uczenie programów rozpoznawania wzorców w danych, żeby mogły przewidywać, porządkować informacje lub proponować wybory.",
   "plain_en": "This teaches software to recognise patterns in data so it can predict, organise information or suggest choices.",
   "solves": "Trudno ręcznie zapisać wszystkie reguły dla sytuacji, które różnią się szczegółami i pojawiają się w dużej liczbie.",
   "solves_en": "It is hard to write every rule by hand for situations that vary in detail and occur in large numbers.",
   "does": "Wykorzystuje przykłady do odkrywania zależności, a ich przydatność sprawdza na danych, których model nie używał do nauki.",
   "does_en": "It uses examples to discover relationships and checks their usefulness on data the model did not use for learning.",
   "example": "System sklepu przewiduje popyt, porządkuje podobne produkty i wybiera propozycje na podstawie wcześniejszych zakupów oraz danych o towarach.",
   "example_en": "A shop system predicts demand, groups similar products and selects suggestions using previous purchases and product information.",
   "for_you": [
    "masz wiele przykładów i chcesz znaleźć wspólne wzorce",
    "potrzebujesz przewidywań lub porządkowania nowych danych"
   ],
   "for_you_en": [
    "have many examples and want to find shared patterns",
    "need predictions or ways to organise new data"
   ],
   "how": "Model dopasowuje parametry lub strukturę do przykładów według funkcji celu i założeń o danych. Nadzór, wyszukiwanie podobieństw oraz modele statystyczne tworzą predykcje, grupy lub rankingi, których uogólnianie sprawdza się na niezależnych próbach.",
   "how_en": "A model fits parameters or structure to examples under an objective and data assumptions. Supervision, similarity search and statistical models produce predictions, groups or rankings, whose generalisation is tested on independent samples.",
   "limits": "Jakość zależy od reprezentacji, pokrycia danych i zgodności zadania z celem uczenia. Dobre dopasowanie treningowe nie zapewnia generalizacji ani poprawności przy zmianie rozkładu.",
   "limits_en": "Quality depends on representations, data coverage and alignment between tasks and learning objectives. Good training fit does not ensure generalisation or correctness under distribution shifts.",
   "terms": [
    {
     "gloss": "Zachowanie jakości na przykładach niewykorzystanych do dopasowania modelu.",
     "term": "generalizacja"
    },
    {
     "gloss": "Miara błędu optymalizowana podczas uczenia.",
     "term": "funkcja straty"
    },
    {
     "gloss": "Założenia kierujące wyborem wzorców, które model może łatwo odtworzyć.",
     "term": "bias indukcyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Maintaining quality on examples not used to fit the model.",
     "term": "generalisation"
    },
    {
     "gloss": "An error measure optimised during learning.",
     "term": "loss function"
    },
    {
     "gloss": "Assumptions guiding which patterns a model can readily learn.",
     "term": "inductive bias"
    }
   ],
   "prereq": [
    "probability",
    "mathoptimization"
   ],
   "keywords": [
    "scikit-learn",
    "empirical risk minimization",
    "classification",
    "regression",
    "clustering",
    "cross-validation",
    "regularization",
    "gradient boosting",
    "feature engineering",
    "recommendation systems",
    "time-series forecasting",
    "TabPFN"
   ],
   "courses": [
    {
     "title": "Machine Learning Specialization",
     "url": "https://www.deeplearning.ai/specializations/machine-learning"
    }
   ],
   "source_ids": [
    "cs229",
    "rec",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/ml",
   "markdown_url": "https://aiatlasgraph.com/t/ml.md",
   "updated": "2026-10-30"
  },
  "mle": {
   "id": "mle",
   "parent_id": "probability",
   "label": "Estymacja parametrów (największa wiarygodność)",
   "canonical_name": "Parameter estimation (maximum likelihood, MAP)",
   "description": "Estymacja największej wiarygodności dobiera parametry maksymalizujące wiarygodność obserwowanych danych. W typowych probabilistycznych modelach klasyfikacyjnych i językowych minimalizacja odpowiedniej entropii krzyżowej jest równoważna maksymalizacji log-wiarygodności.",
   "description_en": "Maximum likelihood estimation chooses parameters that maximize the likelihood of the observed data. In typical probabilistic classification and language models, minimizing the corresponding cross-entropy is equivalent to maximizing log-likelihood.",
   "examples": "MLE · MAP · estymator · obciążenie i wariancja estymatora",
   "examples_en": "MLE · MAP · estimator · estimator bias and variance",
   "plain": "To dobieranie liczb wewnątrz modelu tak, żeby możliwie dobrze opisywał występowanie zaobserwowanych danych.",
   "plain_en": "This chooses a model's internal values to fit its probabilistic description to the observed data.",
   "solves": "Masz przykłady obserwacji, ale nie wiesz, jakie ustawienia modelu najlepiej opisują ich występowanie.",
   "solves_en": "You have recorded observations but do not know which model settings best describe how they occur.",
   "does": "Mnoży oceny dopasowania poszczególnych obserwacji do ustawień modelu i szuka ustawień dających najwyższą łączną ocenę.",
   "does_en": "It multiplies how well individual observations fit the model settings and seeks settings giving the highest combined score.",
   "example": "Z zapisanych czasów oczekiwania klientów dobierasz ustawienia modelu opisującego, jak często zdarzają się krótkie i długie kolejki.",
   "example_en": "Using recorded customer waiting times, you fit a model describing how often short and long waits occur.",
   "for_you": [
    "masz obserwacje i chcesz dopasować model ich występowania",
    "chcesz rozumieć dobieranie ustawień z przykładów"
   ],
   "for_you_en": [
    "have observations and want a model of their occurrence",
    "want to understand fitting model settings from examples"
   ],
   "how": "Parametry dobiera się, maksymalizując prawdopodobieństwo lub gęstość obserwowanych danych w przyjętym modelu. Logarytm wiarygodności ułatwia obliczenia, a w typowych modelach klasyfikacji odpowiada minimalizacji właściwej entropii krzyżowej.",
   "how_en": "Parameters are chosen to maximise observed-data probability or density under a specified model. Log-likelihood simplifies computation and, in typical classification models, corresponds to minimising the appropriate cross-entropy.",
   "limits": "Estymata punktowa nie opisuje całej niepewności. Przy małej próbie lub błędnym modelu może być zawodna, a optymalizacja nie zawsze znajduje najlepsze parametry globalnie.",
   "limits_en": "A point estimate does not describe all uncertainty. Small samples or misspecified models can make it unreliable, and optimisation may miss globally best parameters.",
   "terms": [
    {
     "gloss": "Funkcja parametrów określająca dopasowanie modelu do ustalonych obserwacji.",
     "term": "wiarygodność"
    },
    {
     "gloss": "Jedna wartość wybrana jako przybliżenie nieznanego parametru.",
     "term": "estymata punktowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A parameter function expressing model fit to fixed observations.",
     "term": "likelihood"
    },
    {
     "gloss": "A single value chosen to approximate an unknown parameter.",
     "term": "point estimate"
    }
   ],
   "prereq": [
    "distributions",
    "mathoptimization"
   ],
   "keywords": [
    "likelihood function",
    "log-likelihood",
    "MLE",
    "MAP estimation",
    "estimator bias",
    "estimator variance"
   ],
   "source_ids": [
    "mmlbook",
    "dlbook-part1"
   ],
   "url": "https://aiatlasgraph.com/t/mle",
   "markdown_url": "https://aiatlasgraph.com/t/mle.md",
   "updated": "2026-10-30"
  },
  "mlip": {
   "id": "mlip",
   "parent_id": "materials",
   "label": "Uczone potencjały międzyatomowe",
   "canonical_name": "Machine-learned interatomic potentials",
   "aliases": [
    "MLIP",
    "ML force fields",
    "neural network potentials",
    "uczone pola siłowe",
    "universal interatomic potentials"
   ],
   "description": "Regresja energii i sił atomowych z lokalnych otoczeń atomów, uczona na danych DFT; zastępuje klasyczne pola siłowe w dynamice molekularnej.",
   "description_en": "Regressing atomic energies and forces from local atomic environments, trained on DFT data; replaces classical force fields in molecular dynamics.",
   "plain": "Modele, które szybko liczą siły między atomami, żeby dało się symulować ruch cząsteczek i materiałów.",
   "plain_en": "Models that quickly compute the forces between atoms so the motion of molecules and materials can be simulated.",
   "solves": "Dokładne obliczenia kwantowe sił między atomami są tak wolne, że symulacja trwa miesiące albo musi być bardzo mała.",
   "solves_en": "Accurate quantum calculations of interatomic forces are so slow that a simulation takes months or has to stay tiny.",
   "does": "Uczy się od dokładnego, ale powolnego kalkulatora i potem odpowiada podobnie, tylko wielokrotnie szybciej.",
   "does_en": "It learns from an accurate but slow calculator and then answers in much the same way, only many times faster.",
   "example": "Naukowiec symuluje, jak jony przechodzą przez nowy materiał do baterii, w skali i czasie niedostępnych dla obliczeń kwantowych.",
   "example_en": "A scientist simulates ions moving through a new battery material at a scale and duration out of reach for quantum calculations.",
   "for_you": [
    "prowadzisz symulacje dynamiki molekularnej",
    "potrzebujesz dokładności kwantowej w większej skali"
   ],
   "for_you_en": [
    "run molecular dynamics simulations",
    "need quantum-level accuracy at a larger scale"
   ],
   "how": "Energia układu jest sumą wkładów atomów zależnych od sąsiadów w promieniu odcięcia, a siły to ujemny gradient energii względem położeń. Równoważne GNN (NequIP, MACE) osiągają wysoką dokładność przy małych danych; modele uniwersalne trenowane na całych bazach materiałów działają od razu dla wielu pierwiastków.",
   "how_en": "A system's energy is a sum of atomic contributions depending on neighbours within a cutoff radius, and forces are the negative gradient of energy with respect to positions. Equivariant GNNs (NequIP, MACE) reach high accuracy with little data; universal models trained on whole materials databases work out of the box across many elements.",
   "limits": "Wiarygodne tylko w obszarze pokrytym danymi treningowymi; poza nim symulacja może się rozsypać. Promień odcięcia pomija oddziaływania dalekiego zasięgu, a modele są wolniejsze od klasycznych pól siłowych.",
   "limits_en": "Reliable only in the region covered by training data; outside it a simulation can fall apart. The cutoff ignores long-range interactions, and models are slower than classical force fields.",
   "terms": [
    {
     "gloss": "Przepis na siły między atomami używany w symulacjach.",
     "term": "pole siłowe"
    },
    {
     "gloss": "Symulacja ruchu atomów krok po kroku na podstawie działających sił.",
     "term": "dynamika molekularna"
    },
    {
     "gloss": "Jeden model obejmujący większość układu okresowego bez osobnego treningu.",
     "term": "potencjał uniwersalny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A recipe for interatomic forces used in simulations.",
     "term": "force field"
    },
    {
     "gloss": "Simulating atomic motion step by step from the acting forces.",
     "term": "molecular dynamics"
    },
    {
     "gloss": "One model covering most of the periodic table without separate training.",
     "term": "universal potential"
    }
   ],
   "prereq": [
    "calculus",
    "backprop"
   ],
   "keywords": [
    "MACE",
    "NequIP",
    "Allegro",
    "CHGNet",
    "MACE-MP-0",
    "DeePMD",
    "ASE",
    "LAMMPS"
   ],
   "source_ids": [
    "gnome-2023",
    "mace-2022"
   ],
   "url": "https://aiatlasgraph.com/t/mlip",
   "markdown_url": "https://aiatlasgraph.com/t/mlip.md",
   "updated": "2026-10-30"
  },
  "mlm": {
   "id": "mlm",
   "parent_id": "pretraining",
   "label": "Maskowane modelowanie języka (MLM)",
   "canonical_name": "Masked language modelling (MLM)",
   "aliases": [
    "masked language modeling",
    "masked language modelling",
    "MLM",
    "maskowane modelowanie języka"
   ],
   "description": "Cel pretrainingu enkoderów: model odtwarza zamaskowane tokeny na podstawie kontekstu z obu stron.",
   "description_en": "A pretraining objective for encoders: the model restores masked tokens from context on both sides.",
   "plain": "Ćwiczenie, w którym model uczy się języka, zgadując słowa zakryte w zdaniu, jak w zadaniu z lukami.",
   "plain_en": "An exercise in which a model learns language by guessing words hidden in a sentence, like a fill-in-the-blanks task.",
   "solves": "Do rozumienia tekstu, na przykład przy wyszukiwaniu czy sortowaniu dokumentów, przydaje się patrzenie na zdanie z obu stron, nie tylko od lewej.",
   "solves_en": "Understanding text, for search or sorting documents, benefits from reading a sentence from both sides, not only left to right.",
   "does": "Jak ćwiczenie „uzupełnij luki” w podręczniku: żeby wpisać brakujące słowo, czytasz całe zdanie przed i po luce.",
   "does_en": "Like a textbook fill-in-the-gaps exercise: to supply the missing word, you read the whole sentence before and after the gap.",
   "example": "Wyszukiwarka w sklepie internetowym rozumie, że „buty do biegania po lesie” i „obuwie terenowe” to to samo.",
   "example_en": "An online shop's search understands that 'shoes for running in the woods' and 'off-road footwear' mean the same thing.",
   "for_you": [
    "budujesz wyszukiwanie lub klasyfikację tekstu",
    "zastanawiasz się, czym model do rozumienia różni się od modelu do pisania"
   ],
   "for_you_en": [
    "build text search or classification",
    "wonder how a model for understanding differs from one for writing"
   ],
   "how": "Losowy odsetek tokenów zastępuje się tokenem maski, losowym tokenem lub pozostawia bez zmian. Enkoder z dwukierunkową uwagą przewiduje oryginalne tokeny, a strata obejmuje tylko wybrane pozycje.",
   "how_en": "A random share of tokens is replaced by a mask token, by random tokens or left unchanged. A bidirectional encoder predicts the originals, with loss applied only at the selected positions.",
   "limits": "Cel wykorzystuje stratę tylko na wybranych pozycjach i sam nie uczy generowania tekstu od lewej do prawej. Klasyczne modele enkoderowe trenowane w ten sposób wymagają innego celu lub architektury do swobodnego generowania, a specjalny token maski nie pojawia się podczas zwykłego użycia.",
   "limits_en": "The objective applies loss only at selected positions and does not by itself train left-to-right text generation. Classic encoder models trained this way need another objective or architecture for free-form generation, and the special mask token is absent during normal use.",
   "terms": [
    {
     "gloss": "Specjalny symbol zastępujący ukryty token w przykładzie treningowym.",
     "term": "token maski"
    },
    {
     "gloss": "Mechanizm, w którym pozycja korzysta z kontekstu zarówno przed sobą, jak i po sobie.",
     "term": "dwukierunkowa uwaga"
    }
   ],
   "terms_en": [
    {
     "gloss": "A special symbol replacing a hidden token in a training example.",
     "term": "mask token"
    },
    {
     "gloss": "Attention in which a position uses context from both before and after it.",
     "term": "bidirectional attention"
    }
   ],
   "prereq": [
    "tokenization",
    "selfattention"
   ],
   "keywords": [
    "BERT",
    "RoBERTa",
    "ModernBERT",
    "masked language modeling",
    "cloze task",
    "bidirectional encoder"
   ],
   "source_ids": [
    "bert-2018"
   ],
   "url": "https://aiatlasgraph.com/t/mlm",
   "markdown_url": "https://aiatlasgraph.com/t/mlm.md",
   "updated": "2026-10-30"
  },
  "mlops": {
   "id": "mlops",
   "parent_id": "systems",
   "label": "MLOps i LLMOps",
   "canonical_name": "MLOps and LLMOps",
   "description": "Utrzymywanie powtarzalnych, obserwowalnych wdrożeń.",
   "description_en": "Keeping deployments repeatable and observable.",
   "examples": "Rejestr modeli · CI/CD · monitoring",
   "examples_en": "Model registry · CI/CD · monitoring",
   "plain": "To organizowanie treningu, wersji i wdrożeń modeli tak, żeby dało się je śledzić, porównywać i utrzymywać.",
   "plain_en": "This organises model training, versions and deployments so they can be tracked, compared and maintained.",
   "solves": "Nie wiesz, skąd pochodzi działający model, dlaczego zmieniły się wyniki ani jak bezpiecznie wrócić do poprzedniej wersji.",
   "solves_en": "You cannot trace the running model, explain changed results or safely return to an earlier version.",
   "does": "Rejestry łączą dane, eksperymenty i wersje, a testowane potoki oraz wspólne interfejsy porządkują wdrażanie i obsługę zmian.",
   "does_en": "Registries connect data, experiments and versions, while tested pipelines and shared interfaces organise deployment and change management.",
   "example": "Po gorszych odpowiedziach asystenta ustalasz wersję modelu i instrukcji, porównujesz testy oraz przywracasz sprawdzony wariant.",
   "example_en": "After an assistant's responses worsen, you identify model and prompt versions, compare tests and restore a verified variant.",
   "for_you": [
    "utrzymujesz model poza pojedynczym eksperymentem",
    "potrzebujesz powtarzalnych wdrożeń i historii zmian"
   ],
   "for_you_en": [
    "maintain a model beyond a single experiment",
    "need repeatable deployments and change history"
   ],
   "how": "Wersjonowane dane, kod i konfiguracja tworzą powtarzalne potoki treningu oraz wdrożenia. Rejestry artefaktów, ewaluacje i monitoring wiążą stan produkcji z jego pochodzeniem, a kontrolowane promocje oraz wycofania zarządzają zmianami.",
   "how_en": "Versioned data, code and configuration form reproducible training and deployment pipelines. Artifact registries, evaluations and monitoring link production state to provenance, while controlled promotion and rollback manage changes.",
   "limits": "Powtarzalność wymaga uchwycenia zależności i źródeł losowości. Zmiana danych może pogorszyć model bez awarii usługi; wycofanie artefaktu nie cofa automatycznie cech ani zewnętrznych skutków.",
   "limits_en": "Reproducibility requires capturing dependencies and randomness. Data changes can degrade models without service failures; artifact rollback does not automatically revert features or external effects.",
   "terms": [
    {
     "gloss": "Wersjonowany zestaw wag, konfiguracji i materiałów potrzebnych do wykonania.",
     "term": "artefakt modelu"
    },
    {
     "gloss": "Przeniesienie sprawdzonego artefaktu do wybranego etapu wdrożenia.",
     "term": "promocja wersji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Versioned weights, configuration and materials needed for execution.",
     "term": "model artifact"
    },
    {
     "gloss": "Moving an assessed artifact to a selected deployment stage.",
     "term": "version promotion"
    }
   ],
   "prereq": [
    "dataversioning",
    "monitoring"
   ],
   "keywords": [
    "MLflow",
    "CI/CD",
    "model registries",
    "experiment tracking",
    "artifact lineage",
    "continuous training",
    "feature stores",
    "prompt registries",
    "model monitoring",
    "version promotion"
   ],
   "source_ids": [
    "cs336",
    "fsdl",
    "bootcamp",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/mlops",
   "markdown_url": "https://aiatlasgraph.com/t/mlops.md",
   "updated": "2026-10-30"
  },
  "mlp": {
   "id": "mlp",
   "parent_id": "neuralbasics",
   "label": "Perceptron wielowarstwowy (MLP)",
   "canonical_name": "Multilayer perceptron (MLP)",
   "aliases": [
    "MLP",
    "multilayer perceptron",
    "perceptron wielowarstwowy",
    "sieć w pełni połączona",
    "fully connected network",
    "feed-forward network"
   ],
   "description": "Sieć złożona z warstw w pełni połączonych, w których transformację liniową przeplata się z nieliniową funkcją aktywacji. MLP jest podstawowym modelem sieciowym i standardowym składnikiem bloków feed-forward w architekturach transformerowych.",
   "description_en": "A network of fully connected layers that alternate linear transformations with non-linear activation functions. The MLP is a fundamental neural model and a standard component of feed-forward blocks in transformer architectures.",
   "examples": "warstwy w pełni połączone · warstwa feed-forward w transformerze · inicjalizacja wag",
   "examples_en": "fully connected layers · transformer feed-forward layer · weight initialisation",
   "plain": "To sieć, która przepuszcza liczby przez kolejne gęsto połączone warstwy, żeby obliczyć przewidywany wynik.",
   "plain_en": "This network passes numbers through successive densely connected layers to calculate a prediction.",
   "solves": "Kilka cech wpływa wspólnie na wynik, a prosta reguła nie opisuje dobrze ich zależności.",
   "solves_en": "Several features jointly affect an outcome, and a simple rule does not describe their relationships well.",
   "does": "Każda warstwa miesza informacje z poprzedniej i nieliniowo zmienia wynik, tworząc coraz bardziej złożone zależności.",
   "does_en": "Each layer mixes information from the previous one and transforms it nonlinearly, forming increasingly complex relationships.",
   "example": "Model szacuje czas dostawy na podstawie odległości, wielkości paczki i pory dnia.",
   "example_en": "A model estimates delivery time from distance, parcel size and time of day.",
   "for_you": [
    "przewidujesz wynik z kilku cech",
    "poznajesz podstawowy składnik większych sieci"
   ],
   "for_you_en": [
    "predict outcomes from several features",
    "study a basic building block of larger networks"
   ],
   "how": "Każda warstwa mnoży wektor wejścia przez macierz wag, dodaje przesunięcie i stosuje nieliniowość. Złożenie tych operacji tworzy funkcję dopasowywaną gradientowo do celu treningowego, bez narzuconej lokalności przestrzennej.",
   "how_en": "Each layer multiplies its input vector by a weight matrix, adds an offset and applies a nonlinearity. Composing these operations creates a function fitted by gradients to a training objective without imposed spatial locality.",
   "limits": "Warstwy gęste wymagają wielu parametrów przy dużych wejściach. Model sam musi nauczyć się struktury danych; dobranie głębokości i szerokości wpływa na koszt oraz przeuczenie.",
   "limits_en": "Dense layers require many parameters for large inputs. The model must learn data structure itself; depth and width affect cost and overfitting.",
   "terms": [
    {
     "gloss": "Warstwa łącząca każdy element wejścia z każdym elementem wyjścia.",
     "term": "warstwa gęsta"
    },
    {
     "gloss": "Liczba składowych reprezentacji wyjściowej danej warstwy.",
     "term": "szerokość warstwy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A layer connecting every input element to every output element.",
     "term": "dense layer"
    },
    {
     "gloss": "The number of components in a layer's output representation.",
     "term": "layer width"
    }
   ],
   "prereq": [
    "linearalgebra",
    "activations"
   ],
   "keywords": [
    "dense layers",
    "feed-forward networks",
    "weight initialization",
    "Xavier initialization",
    "Kaiming initialization",
    "hidden layer width"
   ],
   "source_ids": [
    "d2l-toc",
    "udlbook-toc",
    "karpathy-zero-to-hero"
   ],
   "url": "https://aiatlasgraph.com/t/mlp",
   "markdown_url": "https://aiatlasgraph.com/t/mlp.md",
   "updated": "2026-10-30"
  },
  "mlweatherglobal": {
   "id": "mlweatherglobal",
   "parent_id": "earthsystems",
   "label": "Globalne prognozy pogody z sieci neuronowych",
   "canonical_name": "Data-driven global medium-range weather forecasting",
   "aliases": [
    "ML weather prediction",
    "AI weather models",
    "prognoza średnioterminowa AI"
   ],
   "description": "Deterministyczne modele (GNN, transformery) uczone na reanalizie, które autoregresyjnie prognozują globalny stan atmosfery na 1–15 dni.",
   "description_en": "Deterministic models (GNNs, transformers) trained on reanalysis that autoregressively forecast the global atmospheric state 1–15 days ahead.",
   "plain": "Sieć neuronowa, która z obecnego stanu całej atmosfery przewiduje pogodę na świecie na kilka do kilkunastu dni naprzód.",
   "plain_en": "A neural network that takes the current state of the whole atmosphere and predicts worldwide weather several days to two weeks ahead.",
   "solves": "Klasyczna prognoza dla całego globu zajmuje superkomputer na godziny, więc nie da się jej liczyć często ani tanio.",
   "solves_en": "A classical global forecast ties up a supercomputer for hours, so it cannot be run often or cheaply.",
   "does": "Jak meteorolog z ogromnym archiwum map: widząc dzisiejszy układ chmur i wiatrów, rozpoznaje, jak takie sytuacje zwykle się rozwijały.",
   "does_en": "Like a forecaster with a huge archive of maps: seeing today's clouds and winds, it recalls how such situations usually unfolded.",
   "example": "Prognoza na przyszły tydzień w aplikacji odświeża się co kilka godzin, a linia lotnicza wcześniej omija rejon burz.",
   "example_en": "Next week's forecast in an app refreshes every few hours, and an airline routes around a storm area earlier.",
   "for_you": [
    "planujesz coś na tydzień naprzód i zależy ci na pogodzie",
    "chcesz zrozumieć, skąd biorą się nowe prognozy w aplikacjach"
   ],
   "for_you_en": [
    "plan something a week ahead and care about the weather",
    "want to understand where new app forecasts come from"
   ],
   "how": "Model dostaje stan atmosfery na siatce globu (temperatura, wiatr, wilgotność na wielu poziomach ciśnienia) i przewiduje stan po 6 lub 24 godzinach; wynik podaje się z powrotem na wejście. Architektury to sieci grafowe na siatce wielorozdzielczej albo transformery 3D; trenuje się je na dekadach reanalizy ERA5 i ocenia RMSE i ACC.",
   "how_en": "The model takes the atmosphere on a global grid (temperature, wind, humidity at many pressure levels) and predicts the state 6 or 24 hours later; the output is fed back as input. Architectures are graph networks on a multi-resolution mesh or 3D transformers, trained on decades of ERA5 reanalysis and scored with RMSE and ACC.",
   "limits": "Startuje ze stanu z klasycznej asymilacji danych. Minimalizacja błędu średniokwadratowego rozmywa szczegóły i osłabia ekstrema w dalszych dniach, a model nie podaje niepewności bez zespołu.",
   "limits_en": "It starts from a state produced by classical data assimilation. Minimising mean squared error blurs detail and weakens extremes at longer lead times, and without an ensemble it gives no uncertainty.",
   "terms": [
    {
     "gloss": "Jak daleko w przyszłość sięga prognoza, np. pięć dni.",
     "term": "horyzont prognozy"
    },
    {
     "gloss": "Wieloletnie archiwum odtworzonego stanu atmosfery, na którym trenuje się modele.",
     "term": "ERA5"
    },
    {
     "gloss": "Miara, jak dobrze prognoza oddaje odchylenia pogody od normy.",
     "term": "ACC"
    },
    {
     "gloss": "Łączenie modeli o różnych krokach czasu, by mniej kumulować błąd.",
     "term": "agregacja czasowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "How far ahead a forecast reaches, e.g. five days.",
     "term": "lead time"
    },
    {
     "gloss": "A multi-decade archive of reconstructed atmospheric states used for training.",
     "term": "ERA5"
    },
    {
     "gloss": "A score of how well a forecast captures departures from normal weather.",
     "term": "ACC"
    },
    {
     "gloss": "Combining models with different time steps to accumulate less error.",
     "term": "temporal aggregation"
    }
   ],
   "prereq": [
    "gnn",
    "transformers"
   ],
   "keywords": [
    "GraphCast",
    "Pangu-Weather",
    "FourCastNet",
    "AIFS",
    "Aurora",
    "FuXi",
    "ERA5",
    "WeatherBench 2",
    "3D Earth-Specific Transformer"
   ],
   "source_ids": [
    "graphcast-2022",
    "pangu-weather-2022"
   ],
   "url": "https://aiatlasgraph.com/t/mlweatherglobal",
   "markdown_url": "https://aiatlasgraph.com/t/mlweatherglobal.md",
   "updated": "2026-10-30"
  },
  "mobilemanip": {
   "id": "mobilemanip",
   "parent_id": "manipulation",
   "label": "Robot, który jeździ i chwyta naraz (manipulacja mobilna)",
   "canonical_name": "Mobile manipulation",
   "aliases": [
    "mobile manipulation",
    "mobile manipulator",
    "whole-body mobile manipulation",
    "bimanual mobile manipulation",
    "manipulacja mobilna",
    "manipulator mobilny"
   ],
   "description": "Łączenie nawigacji bazy mobilnej z manipulacją jednym lub dwoma ramionami w jednym zadaniu, sterowane całym ciałem lub hierarchicznie.",
   "description_en": "Combining navigation of a mobile base with one- or two-arm manipulation in a single task, using whole-body or hierarchical control.",
   "plain": "Robot na kółkach z ramionami, który podjeżdża do szafki, otwiera ją i coś z niej wyjmuje, łącząc jazdę z pracą rąk.",
   "plain_en": "A wheeled robot with arms that drives to a cupboard, opens it and takes something out, combining driving with handwork.",
   "solves": "Ramię przykręcone do stołu sięga tylko kawałek dalej, a większość prac w domu i szpitalu wymaga przejścia przez kilka pomieszczeń.",
   "solves_en": "An arm bolted to a table reaches only a little way, while most work in homes and hospitals means moving across several rooms.",
   "does": "Sterownik traktuje koła i ramiona jak jedno ciało, tak jak człowiek, który robi krok w bok, żeby sięgnąć wyżej na półkę.",
   "does_en": "The controller treats wheels and arms as one body, like a person stepping sideways to reach a higher shelf.",
   "example": "Robot w kuchni podjeżdża do zlewu, płucze patelnię, a potem jedzie do szafki i odstawia ją na miejsce.",
   "example_en": "A kitchen robot drives to the sink, rinses a pan, then rolls to a cupboard and puts it away.",
   "for_you": [
    "myślisz o robocie domowym lub szpitalnym",
    "zbierasz demonstracje do robota na kółkach",
    "łączysz nawigację z chwytaniem"
   ],
   "for_you_en": [
    "think about a home or hospital robot",
    "collect demonstrations for a wheeled robot",
    "combine navigation with grasping"
   ],
   "how": "Klasycznie zadanie dzieli się na dojazd do pozy bazowej i manipulację z nieruchomej bazy. Nowsze systemy sterują ruchem bazy i ramion jednocześnie, a polityki uczy się klonowaniem zachowań z teleoperacji całego ciała. Dane z nieruchomych stanowisk wspólnie z danymi mobilnymi poprawiają skuteczność przy niewielu demonstracjach.",
   "how_en": "Classically the task splits into driving to a base pose and manipulating from a stationary base. Newer systems move base and arms together, and policies are learned by behaviour cloning from whole-body teleoperation. Co-training with static-station data alongside mobile data improves success with few demonstrations.",
   "limits": "Błąd pozycji bazy przenosi się na chwyt, więc wymagana jest dokładna lokalizacja. Zadania są długie i składają się z wielu etapów, a błąd w jednym przerywa całość. Mieszkania różnią się układem, więc polityka z jednego domu słabo działa w innym.",
   "limits_en": "Base position error carries into the grasp, so precise localisation is needed. Tasks are long and multi-stage, and one failed stage stops the whole. Homes differ in layout, so a policy from one home works poorly in another.",
   "terms": [
    {
     "gloss": "Jednoczesne planowanie ruchu kół, tułowia i ramion.",
     "term": "sterowanie całym ciałem"
    },
    {
     "gloss": "Uczenie na mieszance danych z różnych robotów lub zadań.",
     "term": "współtrenowanie (co-training)"
    },
    {
     "gloss": "Zadanie złożone z kolejnych kroków, np. dojedź, otwórz, wyjmij.",
     "term": "zadanie wieloetapowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "Planning wheels, torso and arms together.",
     "term": "whole-body control"
    },
    {
     "gloss": "Learning on a mix of data from different robots or tasks.",
     "term": "co-training"
    },
    {
     "gloss": "A task made of successive steps, e.g. drive, open, take out.",
     "term": "long-horizon task"
    }
   ],
   "prereq": [
    "slam",
    "feedbackcontrol"
   ],
   "keywords": [
    "Mobile ALOHA",
    "whole-body teleoperation",
    "co-training",
    "Stretch",
    "HomeRobot",
    "BEHAVIOR benchmark",
    "mobile base",
    "long-horizon manipulation"
   ],
   "source_ids": [
    "mobile-aloha-2024"
   ],
   "url": "https://aiatlasgraph.com/t/mobilemanip",
   "markdown_url": "https://aiatlasgraph.com/t/mobilemanip.md",
   "updated": "2026-10-30"
  },
  "mobilityai": {
   "id": "mobilityai",
   "parent_id": "geoai",
   "label": "Analiza ruchu ludzi i pojazdów (trajektorie)",
   "canonical_name": "Mobility and trajectory data mining",
   "aliases": [
    "trajectory data mining",
    "spatio-temporal data mining",
    "human mobility modelling",
    "eksploracja trajektorii"
   ],
   "description": "Przetwarzanie i modelowanie sekwencji pozycji w czasie: dopasowanie do sieci dróg, prognoza ruchu, przewidywanie kolejnych miejsc i generowanie syntetycznych trajektorii.",
   "description_en": "Processing and modelling sequences of positions over time: road-network matching, traffic forecasting, next-location prediction and synthetic trajectory generation.",
   "plain": "Wyciąganie wiedzy ze śladów GPS ludzi, aut i rowerów: którędy jeżdżą, gdzie się zatrzymują i kiedy robi się tłoczno.",
   "plain_en": "Learning from the GPS trails of people, cars and bikes: which way they go, where they stop and when it gets crowded.",
   "solves": "Miasta i przewoźnicy mają góry zapisów pozycji, ale surowe punkty są zaszumione i nie mówią same, gdzie będzie korek ani dokąd kto jedzie.",
   "solves_en": "Cities and carriers hold mountains of position records, but raw points are noisy and do not say where jams will form or where people head.",
   "does": "Zamienia chmurę kropek na mapie w opowieść o podróżach: kto, kiedy, którędy i po co, jak dyspozytor, który zna rytm całego miasta.",
   "does_en": "Turns a cloud of map dots into a story of journeys: who, when, which way and why, like a dispatcher who knows the city.",
   "example": "Aplikacja nawigacyjna ostrzega, że za kwadrans na obwodnicy zrobi się korek, i proponuje wcześniejszy zjazd.",
   "example_en": "A navigation app warns that the ring road will jam in fifteen minutes and suggests an earlier exit.",
   "for_you": [
    "korzystasz z nawigacji lub aplikacji przewozowych",
    "planujesz transport lub logistykę w mieście",
    "zastanawiasz się, co mówią o tobie dane o lokalizacji"
   ],
   "for_you_en": [
    "use navigation or ride-hailing apps",
    "plan transport or logistics in a city",
    "wonder what location data reveal about you"
   ],
   "how": "Trajektoria to uporządkowany ciąg punktów ze znacznikami czasu. Przetwarzanie wstępne obejmuje odszumianie, dopasowanie do mapy i odtwarzanie brakujących odcinków. Modele sekwencyjne, sieci grafowe na sieci dróg i coraz częściej modele bazowe uczą się wzorców przestrzenno-czasowych do prognoz, rekomendacji i wykrywania anomalii.",
   "how_en": "A trajectory is an ordered sequence of time-stamped points. Preprocessing covers denoising, map matching and recovering missing segments. Sequence models, graph networks over road networks and, increasingly, foundation models learn spatio-temporal patterns for forecasting, recommendation and anomaly detection.",
   "limits": "Dane o lokalizacji silnie identyfikują ludzi, więc wymagają anonimizacji, a zwykłe usunięcie imion nie wystarcza. Próbki są nierówne: telefony i floty firm nie reprezentują wszystkich mieszkańców. Modele słabo przenoszą się między miastami.",
   "limits_en": "Location data strongly identify people, so they need anonymisation, and removing names is not enough. Samples are uneven: phones and company fleets do not represent all residents. Models transfer poorly between cities.",
   "terms": [
    {
     "gloss": "ciąg pozycji jednego obiektu z godzinami pomiaru",
     "term": "trajectory"
    },
    {
     "gloss": "zależny jednocześnie od miejsca i od czasu",
     "term": "spatio-temporal"
    },
    {
     "gloss": "zapis wizyty w konkretnym lokalu lub miejscu",
     "term": "check-in"
    },
    {
     "gloss": "sieć dróg zapisana jako węzły-skrzyżowania i krawędzie-odcinki",
     "term": "road network graph"
    }
   ],
   "terms_en": [
    {
     "gloss": "sequence of one object's positions with timestamps",
     "term": "trajectory"
    },
    {
     "gloss": "depending on both place and time at once",
     "term": "spatio-temporal"
    },
    {
     "gloss": "record of a visit to a specific venue or place",
     "term": "check-in"
    },
    {
     "gloss": "roads stored as intersection nodes and segment edges",
     "term": "road network graph"
    }
   ],
   "prereq": [
    "timeseries"
   ],
   "keywords": [
    "map matching",
    "trajectory similarity",
    "trajectory recovery",
    "travel time estimation",
    "traffic forecasting",
    "next POI recommendation",
    "mobility generation",
    "spatio-temporal GNN",
    "trajectory foundation models",
    "Geolife",
    "Porto taxi",
    "LibCity"
   ],
   "source_ids": [
    "trajectory-survey-llm-2024"
   ],
   "url": "https://aiatlasgraph.com/t/mobilityai",
   "markdown_url": "https://aiatlasgraph.com/t/mobilityai.md",
   "updated": "2026-10-30"
  },
  "modalities": {
   "id": "modalities",
   "parent_id": null,
   "label": "Język, obraz, audio",
   "canonical_name": "Language, vision and multimodality",
   "description": "Obszary według rodzaju sygnału i zadania. Łączą się z trenowaniem, architekturami i aplikacjami.",
   "description_en": "Areas by signal type and task. They connect back to training, architectures and applications.",
   "plain": "To sposoby, dzięki którym programy pracują z językiem, obrazem, dźwiękiem i przestrzenią.",
   "plain_en": "These are ways for software to work with language, images, sound and space.",
   "solves": "Ważne informacje masz w zdjęciach, rozmowach i dokumentach, a ręczne przeglądanie wszystkiego zajmuje dużo czasu.",
   "solves_en": "Important information sits in photos, conversations and documents, and checking everything by hand takes time.",
   "does": "Modele uczą się wzorów właściwych różnym rodzajom danych, żeby je opisywać, przekształcać, tworzyć lub łączyć.",
   "does_en": "Models learn patterns in different kinds of data so they can describe, transform, create or combine them.",
   "example": "Pokazujesz asystentowi zdjęcie przepisu, prosisz głosem o przeliczenie porcji i słyszysz odczytaną listę składników.",
   "example_en": "You show an assistant a photographed recipe, ask aloud to adjust the portions and hear the ingredient list read back.",
   "for_you": [
    "pracujesz ze zdjęciami, tekstem lub nagraniami",
    "chcesz połączyć różne rodzaje informacji"
   ],
   "for_you_en": [
    "work with photos, text or recordings",
    "want to combine different kinds of information"
   ],
   "how": "Sygnały przekształca się w tokeny, fragmenty obrazu lub reprezentacje czasowe, a modele uczą ich zależności. Enkodery, moduły fuzji i generatory odwzorowują wejścia na rozpoznane struktury albo nową treść w wybranej modalności.",
   "how_en": "Signals become tokens, image patches or temporal representations, and models learn their dependencies. Encoders, fusion modules and generators map inputs to recognised structures or new content in a chosen modality.",
   "limits": "Kodowanie może tracić szczegóły, czas lub relacje przestrzenne. Dopasowanie między modalnościami wymaga odpowiednich danych; wiarygodny tekst, obraz czy dźwięk nie potwierdza poprawności treści.",
   "limits_en": "Encoding can lose detail, timing or spatial relationships. Cross-modal alignment needs suitable data; plausible text, images or audio do not establish content correctness.",
   "terms": [
    {
     "gloss": "Rodzaj sygnału, taki jak tekst, obraz lub dźwięk.",
     "term": "modalność"
    },
    {
     "gloss": "Moduł przekształcający wejście w reprezentację dla dalszych obliczeń.",
     "term": "enkoder"
    },
    {
     "gloss": "Łączenie informacji z różnych reprezentacji lub rodzajów sygnału.",
     "term": "fuzja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A signal type, such as text, images or audio.",
     "term": "modality"
    },
    {
     "gloss": "A module converting inputs into representations for subsequent computation.",
     "term": "encoder"
    },
    {
     "gloss": "Combining information from different representations or signal types.",
     "term": "fusion"
    }
   ],
   "prereq": [
    "representations",
    "supervised"
   ],
   "keywords": [
    "BPE",
    "CLIP",
    "Vision Transformer",
    "Whisper",
    "Stable Diffusion",
    "LLaVA",
    "Qwen3-Omni",
    "NeRF",
    "3D Gaussian Splatting",
    "AudioSet",
    "ImageNet",
    "COCO",
    "cross-modal alignment"
   ],
   "source_ids": [
    "audio",
    "vision",
    "cs336"
   ],
   "url": "https://aiatlasgraph.com/t/modalities",
   "markdown_url": "https://aiatlasgraph.com/t/modalities.md",
   "updated": "2026-10-30"
  },
  "modelbased": {
   "id": "modelbased",
   "parent_id": "decisions",
   "label": "Modele świata i planowanie",
   "canonical_name": "Model-based reinforcement learning",
   "description": "Przewidywanie skutków działań przed ich wykonaniem.",
   "description_en": "Predicting the effect of actions before taking them.",
   "examples": "World models · model-based RL",
   "examples_en": "World models · model-based RL",
   "plain": "To przewidywanie, co stanie się po działaniu, żeby zaplanować wybór przed jego wykonaniem.",
   "plain_en": "This predicts what will happen after an action so a choice can be planned before taking it.",
   "solves": "Sprawdzanie każdej możliwości w prawdziwym otoczeniu bywa kosztowne, wolne lub ryzykowne.",
   "solves_en": "Trying every possibility in the real environment can be costly, slow or risky.",
   "does": "Tworzy lub wykorzystuje model otoczenia, porównuje przewidywane przebiegi i uczy wybory lub planuje działania na ich podstawie.",
   "does_en": "It builds or uses an environment model, compares predicted sequences and uses them to learn choices or plan actions.",
   "example": "Robot porównuje przewidywane skutki przesunięcia pudełka z różnych stron, zanim spróbuje wybranego ruchu.",
   "example_en": "A robot compares predicted effects of pushing a box from different sides before trying the chosen move.",
   "for_you": [
    "prawdziwe próby są kosztowne lub trudne do wykonania",
    "chcesz porównywać skutki działań przed podjęciem decyzji"
   ],
   "for_you_en": [
    "find real trials costly or difficult to run",
    "want to compare consequences before choosing an action"
   ],
   "how": "Model przejść przewiduje skutki działań, a funkcja nagrody ocenia ich rezultaty. Przeszukiwanie, optymalizacja sekwencji lub uczenie na symulowanych trajektoriach wybiera politykę przed wykonaniem działań w środowisku.",
   "how_en": "A transition model predicts action consequences, while a reward function evaluates outcomes. Search, sequence optimisation or learning from simulated trajectories selects policies before actions are executed in the environment.",
   "limits": "Błędy modelu narastają przy długich przewidywaniach i poza rozkładem treningowym. Planowanie zużywa czas obliczeń, a agent może wykorzystywać niedoskonałości symulatora.",
   "limits_en": "Model errors accumulate over long predictions and outside training distributions. Planning consumes computation time, and agents may exploit simulator imperfections.",
   "terms": [
    {
     "gloss": "Rozwinięcie sekwencji przyszłych stanów i działań w modelu lub środowisku.",
     "term": "rollout"
    },
    {
     "gloss": "Rozbieżność między przewidywaną a rzeczywistą dynamiką środowiska.",
     "term": "błąd modelu"
    }
   ],
   "terms_en": [
    {
     "gloss": "An unfolding sequence of future states and actions in a model or environment.",
     "term": "rollout"
    },
    {
     "gloss": "A discrepancy between predicted and actual environment dynamics.",
     "term": "model error"
    }
   ],
   "prereq": [
    "mdp",
    "search"
   ],
   "keywords": [
    "transition models",
    "learned dynamics",
    "latent world models",
    "imagination rollouts",
    "MCTS",
    "DreamerV3",
    "MuZero",
    "model predictive control"
   ],
   "source_ids": [
    "rl",
    "cs221"
   ],
   "url": "https://aiatlasgraph.com/t/modelbased",
   "markdown_url": "https://aiatlasgraph.com/t/modelbased.md",
   "updated": "2026-10-30"
  },
  "modelcascades": {
   "id": "modelcascades",
   "parent_id": "economics",
   "label": "Kaskady modeli: najpierw tańszy model",
   "canonical_name": "LLM cascades",
   "description": "Wysyłanie zapytania najpierw do tańszego modelu i przekazywanie go droższemu tylko wtedy, gdy odpowiedź wygląda na niepewną lub złą — dla oszczędności przy zachowaniu jakości.",
   "description_en": "Sending a query to a cheaper model first and escalating to a more expensive one only when the answer looks uncertain or wrong — saving cost while keeping quality.",
   "examples": "FrugalGPT · ocena pewności odpowiedzi · eskalacja do modelu granicznego",
   "examples_en": "FrugalGPT · answer confidence scoring · escalation to a frontier model",
   "plain": "To próbowanie tańszego modelu najpierw i przekazywanie zadania dalej, gdy jego odpowiedź nie wystarcza.",
   "plain_en": "This tries a cheaper model first and passes the task onwards when its answer is insufficient.",
   "solves": "Używanie drogiego modelu do wszystkich zapytań kosztuje dużo, choć część zadań jest prosta.",
   "solves_en": "Using an expensive model for every request costs a lot, even though some tasks are simple.",
   "does": "Ocenia wynik tańszego modelu według ustalonych kryteriów i kieruje niedostateczne odpowiedzi do kolejnego; skuteczność zależy też od tej oceny.",
   "does_en": "It assesses a cheaper model's output against defined criteria and escalates inadequate answers; effectiveness also depends on that assessment.",
   "example": "Proste zgłoszenie porządkuje tańszy model, a przypadek z odpowiedzią ocenioną jako niepewna trafia do bardziej zaawansowanego modelu.",
   "example_en": "A cheaper model sorts a simple case, while a case with an answer assessed as uncertain goes to a more capable model.",
   "for_you": [
    "część twoich zadań jest znacznie łatwiejsza od pozostałych",
    "potrafisz sprawdzać, kiedy pierwsza odpowiedź nie wystarcza"
   ],
   "for_you_en": [
    "have some tasks much easier than others",
    "can assess when the first answer is insufficient"
   ],
   "how": "Pierwszy model obsługuje zapytanie, a kryterium jakości decyduje o przyjęciu wyniku lub przekazaniu dalej. Progi i kolejność modeli dobiera się na danych walidacyjnych, uwzględniając koszt wcześniejszych prób oraz późniejszej eskalacji.",
   "how_en": "An initial model handles a query, and a quality criterion decides acceptance or escalation. Thresholds and model ordering are fitted on validation data, accounting for earlier-attempt costs and later escalation.",
   "limits": "Źle skalibrowany sygnał zatrzymuje błędne odpowiedzi lub eskaluje poprawne. Skorelowane błędy modeli ograniczają korzyść; trudne przypadki płacą za kilka przebiegów i większe opóźnienie.",
   "limits_en": "Miscalibrated signals retain incorrect answers or escalate correct ones. Correlated model errors limit gains; difficult cases incur multiple runs and greater latency.",
   "terms": [
    {
     "gloss": "Warunek przekazania zadania do kolejnego modelu.",
     "term": "próg eskalacji"
    },
    {
     "gloss": "Reguły kolejności modeli i akceptowania ich wyników.",
     "term": "polityka kaskady"
    }
   ],
   "terms_en": [
    {
     "gloss": "A condition transferring a task to the next model.",
     "term": "escalation threshold"
    },
    {
     "gloss": "Rules governing model order and acceptance of their outputs.",
     "term": "cascade policy"
    }
   ],
   "prereq": [
    "calibration",
    "evalsets"
   ],
   "keywords": [
    "FrugalGPT",
    "confidence thresholds",
    "early exits",
    "fallback models",
    "cascade policies",
    "quality-cost trade-offs"
   ],
   "source_ids": [
    "frugalgpt-2023"
   ],
   "url": "https://aiatlasgraph.com/t/modelcascades",
   "markdown_url": "https://aiatlasgraph.com/t/modelcascades.md",
   "updated": "2026-10-30"
  },
  "modelcollapse": {
   "id": "modelcollapse",
   "parent_id": "synthetic",
   "label": "Załamanie modelu na danych syntetycznych",
   "canonical_name": "Model collapse from synthetic data",
   "aliases": [
    "model collapse",
    "recursive training"
   ],
   "description": "Ryzyko, że modele trenowane rekurencyjnie na treściach generowanych przez wcześniejsze modele tracą informacje o pierwotnym rozkładzie danych, zaczynając od rzadkich przypadków.",
   "description_en": "The risk that models trained recursively on content generated by earlier models lose information about the original data distribution, beginning with rare cases.",
   "examples": "Zanikanie ogonów rozkładu · rekurencyjne trenowanie · zachowanie danych pochodzących od ludzi",
   "examples_en": "Distribution-tail loss · recursive training · preserving human-originated data",
   "plain": "To ryzyko pogorszenia modeli uczonych kolejno na treściach wytworzonych przez wcześniejsze modele.",
   "plain_en": "This is the risk of degradation when successive models learn from content produced by earlier models.",
   "solves": "Rzadkie sytuacje mogą znikać z materiału do nauki, a odpowiedzi coraz gorzej oddawać różnorodność rzeczywistości.",
   "solves_en": "Rare situations may disappear from learning material, and answers may represent the variety of real life less well.",
   "does": "Kolejne pokolenia modeli mogą powielać częste wzorce poprzedników, stopniowo gubiąc mniej typowe przypadki.",
   "does_en": "Successive generations can repeat their predecessors' common patterns while gradually losing less typical cases.",
   "example": "Kolejne wersje asystenta uczą się głównie z odpowiedzi poprzedników i mogą coraz gorzej obsługiwać nietypowe reklamacje.",
   "example_en": "Successive assistant versions learn mostly from earlier versions' replies and may become worse at handling unusual complaints.",
   "for_you": [
    "zastępujesz prawdziwe przykłady odpowiedziami modelu",
    "uczysz kolejne modele na treściach ich poprzedników"
   ],
   "for_you_en": [
    "replace real examples with model answers",
    "train successive models on their predecessors' content"
   ],
   "how": "Kolejne modele uczą się na próbkach wygenerowanych przez poprzedników, zamiast z pełnego rozkładu źródłowego. Błędy estymacji i skończone próbkowanie mogą kumulować utratę rzadkich przypadków oraz zmniejszać różnorodność.",
   "how_en": "Successive models learn from samples generated by predecessors rather than the full source distribution. Estimation errors and finite sampling can compound the loss of rare cases and reduce diversity.",
   "limits": "Nie jest to nieuchronny skutek każdego użycia danych syntetycznych. Ryzyko zależy od mieszanki, filtracji i zachowania danych rzeczywistych; poprawa średniej jakości może ukrywać utratę ogonów rozkładu.",
   "limits_en": "This is not an inevitable result of every synthetic-data use. Risk depends on mixing, filtering and retaining real data; average quality improvements can hide distribution-tail losses.",
   "terms": [
    {
     "gloss": "Uczenie kolejnych generacji modeli na danych wytworzonych przez wcześniejsze generacje.",
     "term": "rekursywny trening"
    },
    {
     "gloss": "Rzadkie zdarzenia łatwo pomijane przy ograniczonym próbkowaniu.",
     "term": "ogon rozkładu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Training successive model generations on data produced by earlier generations.",
     "term": "recursive training"
    },
    {
     "gloss": "Rare events easily missed by limited sampling.",
     "term": "distribution tail"
    }
   ],
   "prereq": [
    "distributions",
    "datamixing"
   ],
   "keywords": [
    "recursive training",
    "distribution tails",
    "synthetic data feedback",
    "mode dropping",
    "real-data retention"
   ],
   "source_ids": [
    "model-collapse-nature-2024",
    "synthetic-data-best-practices-2024"
   ],
   "url": "https://aiatlasgraph.com/t/modelcollapse",
   "markdown_url": "https://aiatlasgraph.com/t/modelcollapse.md",
   "updated": "2026-10-30"
  },
  "modeldocs": {
   "id": "modeldocs",
   "parent_id": "governance",
   "label": "Dokumentacja modeli i danych (karty modeli)",
   "canonical_name": "Model and dataset documentation",
   "description": "Krótkie, ustandaryzowane dokumenty dołączane do modelu lub zbioru danych: przeznaczenie, ograniczenia, sposób ewaluacji, wyniki dla różnych grup, pochodzenie i skład danych.",
   "description_en": "Short, standardised documents shipped with a model or dataset: intended use, limitations, evaluation procedure, results across groups, data origin and composition.",
   "examples": "karty modeli · datasheets for datasets · karty systemu",
   "examples_en": "model cards · datasheets for datasets · system cards",
   "plain": "To dokumenty opisujące przeznaczenie modelu lub danych, ich pochodzenie, wyniki testów i ograniczenia.",
   "plain_en": "These documents describe a model or dataset's intended use, origins, test results and limitations.",
   "solves": "Dostajesz gotowy model lub zbiór danych, ale nie wiesz, do czego się nadaje i czego unikać.",
   "solves_en": "You receive a model or dataset but do not know what it suits or which uses to avoid.",
   "does": "Ujednolicony opis zbiera informacje o danych, ocenie i zalecanych zastosowaniach, pomagając porównać wybór z twoimi potrzebami.",
   "does_en": "A standardised description gathers data, evaluation and intended-use information, helping you compare the option with your needs.",
   "example": "Przed użyciem modelu mowy czytasz, na jakich nagraniach go sprawdzano i z jakimi akcentami ma trudności.",
   "example_en": "Before using a speech model, you read which recordings it was tested on and which accents it struggles with.",
   "for_you": [
    "wybierasz cudzy model lub zbiór danych",
    "chcesz opisać ograniczenia własnego rozwiązania"
   ],
   "for_you_en": [
    "choose someone else's model or dataset",
    "want to document your own system's limitations"
   ],
   "how": "Wersjonowana karta łączy przeznaczenie modelu z warunkami testów, wynikami, ograniczeniami i pochodzeniem danych. Dokumentacja zbioru zapisuje skład oraz proces pozyskania, pozwalając odtworzyć założenia i ocenić dopasowanie do nowego użycia.",
   "how_en": "A versioned card connects model purposes to test conditions, results, limitations and data provenance. Dataset documentation records composition and collection processes, enabling assumption reconstruction and assessment for new uses.",
   "limits": "Raportowane wyniki dotyczą wskazanych wersji i warunków. Niepełne pochodzenie lub brak podgrup ukrywa ograniczenia; karta nie dowodzi zgodności ani niezawodności bez sprawdzalnych danych.",
   "limits_en": "Reported results cover specified versions and conditions. Incomplete provenance or missing subgroups hide limits; cards establish neither compliance nor reliability without verifiable data.",
   "terms": [
    {
     "gloss": "Ustrukturyzowany opis zastosowania, ewaluacji i ograniczeń określonej wersji modelu.",
     "term": "karta modelu"
    },
    {
     "gloss": "Dokument opisujący motywację, skład, pozyskanie i zalecane użycie danych.",
     "term": "datasheet zbioru"
    }
   ],
   "terms_en": [
    {
     "gloss": "A structured description of a model version's uses, evaluation and limitations.",
     "term": "model card"
    },
    {
     "gloss": "A document describing data motivation, composition, collection and recommended use.",
     "term": "dataset datasheet"
    }
   ],
   "prereq": [
    "datalineage",
    "evalsets"
   ],
   "keywords": [
    "model cards",
    "datasheets for datasets",
    "system cards",
    "intended use",
    "evaluation disclosures",
    "dataset provenance"
   ],
   "source_ids": [
    "model-cards-mitchell-2019",
    "datasheets-for-datasets-2018"
   ],
   "url": "https://aiatlasgraph.com/t/modeldocs",
   "markdown_url": "https://aiatlasgraph.com/t/modeldocs.md",
   "updated": "2026-10-30"
  },
  "modelregistry": {
   "id": "modelregistry",
   "parent_id": "mlops",
   "label": "Rejestr i wersjonowanie modeli",
   "canonical_name": "Model registry and versioning",
   "aliases": [
    "model registry",
    "rejestr modeli",
    "model versioning"
   ],
   "description": "Centralny rejestr kolejnych wersji modeli wraz z ich metadanymi i pochodzeniem z eksperymentów. Zmienne aliasy, takie jak „champion” lub „production”, mogą oddzielić wybór wersji produkcyjnej od kodu wdrożenia i ułatwiać promocję lub wycofanie wersji.",
   "description_en": "A central registry of model versions with metadata and lineage to experiment runs. Mutable aliases such as champion or production can decouple production-version selection from deployment code and make promotion or rollback easier.",
   "examples": "numerowane wersje · aliasy typu „champion” / „production” · powiązanie wersji z treningiem (lineage) · rollback",
   "examples_en": "numbered versions · aliases such as champion / production · version-to-run lineage · rollback",
   "plain": "To wspólny rejestr wersji modeli wraz z informacjami o ich pochodzeniu i przeznaczeniu.",
   "plain_en": "This shared registry stores model versions alongside their origins and intended use.",
   "solves": "Pliki modeli mają podobne nazwy, więc trudno ustalić, który wariant działa i z jakiego eksperymentu pochodzi.",
   "solves_en": "Model files have similar names, making it hard to identify the running variant and its originating experiment.",
   "does": "Rejestr zachowuje wersje i metadane, a wskazanie używanego wariantu można zmienić bez nadpisywania jego historii.",
   "does_en": "A registry retains versions and metadata, while the selected variant can change without overwriting its history.",
   "example": "Przełączasz asystenta na sprawdzoną wersję modelu, zachowując poprzednią do porównań i ewentualnego powrotu.",
   "example_en": "You switch an assistant to a verified model version, retaining the previous one for comparison or rollback.",
   "for_you": [
    "masz kilka wersji modelu",
    "potrzebujesz ustalić pochodzenie i wybór wdrożenia"
   ],
   "for_you_en": [
    "have several model versions",
    "need to trace origins and deployment selection"
   ],
   "how": "Rejestr przypisuje niezmienne wersje artefaktom wraz z metadanymi, pochodzeniem i wynikami oceny. Alias środowiska wskazuje wybraną wersję, a kontrolowane jego przełączenie oddziela promocję modelu od tworzenia nowego artefaktu.",
   "how_en": "A registry assigns immutable artifact versions with metadata, provenance and assessment results. Environment aliases point to selected versions, with controlled switching separating model promotion from new artifact creation.",
   "limits": "Rejestr nie potwierdza jakości bez wiarygodnej ewaluacji. Alias może wskazać wersję niezgodną z kodem lub cechami; wycofanie modelu wymaga uzgodnienia całej konfiguracji wykonania.",
   "limits_en": "Registries cannot establish quality without reliable evaluation. Aliases can select versions incompatible with code or features; rollback requires reconciling the entire execution configuration.",
   "terms": [
    {
     "gloss": "Stały identyfikator określonego zestawu parametrów i konfiguracji.",
     "term": "wersja artefaktu"
    },
    {
     "gloss": "Zmienny wskaźnik wersji wybranej do danego etapu użycia.",
     "term": "alias środowiska"
    }
   ],
   "terms_en": [
    {
     "gloss": "A stable identifier for specified parameters and configuration.",
     "term": "artifact version"
    },
    {
     "gloss": "A mutable pointer to the version selected for a usage stage.",
     "term": "environment alias"
    }
   ],
   "prereq": [
    "dataversioning",
    "modeldocs"
   ],
   "keywords": [
    "MLflow Model Registry",
    "model version aliases",
    "champion alias",
    "artifact versioning",
    "model lineage",
    "model rollback"
   ],
   "source_ids": [
    "google-mlops-levels",
    "mlflow-model-registry"
   ],
   "url": "https://aiatlasgraph.com/t/modelregistry",
   "markdown_url": "https://aiatlasgraph.com/t/modelregistry.md",
   "updated": "2026-10-30"
  },
  "modelriskmgmt": {
   "id": "modelriskmgmt",
   "parent_id": "finance",
   "label": "Zarządzanie ryzykiem modeli w instytucjach finansowych",
   "canonical_name": "Model risk management in financial institutions",
   "aliases": [
    "model risk management",
    "MRM",
    "SR 11-7",
    "model validation in banking",
    "walidacja modeli bankowych",
    "ryzyko modelu"
   ],
   "description": "Cykl życia modeli w instytucjach finansowych: inwentarz, ocena istotności, niezależna walidacja, monitoring i nadzór; w 2026 r. w USA SR 11-7 zastąpiono nowymi wytycznymi.",
   "description_en": "The model lifecycle in financial institutions: inventory, materiality assessment, independent validation, monitoring and oversight; in 2026 US regulators replaced SR 11-7 with new guidance.",
   "plain": "Zasady, według których bank spisuje, sprawdza i nadzoruje swoje modele, zanim i gdy wpływają na decyzje o pieniądzach.",
   "plain_en": "The rules by which a bank lists, checks and oversees its models before and while they influence money decisions.",
   "solves": "Błędny model w banku potrafi po cichu źle wycenić tysiące kredytów lub transakcji, zanim ktoś zauważy problem.",
   "solves_en": "A faulty bank model can quietly misprice thousands of loans or trades before anyone notices.",
   "does": "Jak przegląd techniczny samochodu: niezależny diagnosta sprawdza model przed wyjazdem na drogę i regularnie później.",
   "does_en": "Like a car's roadworthiness test: an independent inspector checks the model before it hits the road and regularly after.",
   "example": "Zanim nowy model kredytowy zacznie działać, osobny zespół sprawdza jego dane, założenia i wyniki na nowszym okresie i spisuje uwagi.",
   "example_en": "Before a new credit model goes live, a separate team checks its data, assumptions and results on a more recent period and writes up findings.",
   "for_you": [
    "pracujesz w banku, ubezpieczeniach lub fintechu",
    "wdrażasz model, który ktoś będzie audytował"
   ],
   "for_you_en": [
    "work at a bank, insurer or fintech",
    "deploy a model that someone will audit"
   ],
   "how": "Instytucja prowadzi inwentarz modeli, klasyfikuje je według istotności i przeznaczenia, a istotne modele przechodzą walidację zapewniającą skuteczne zakwestionowanie koncepcji, danych i wyników oraz stały monitoring. W kwietniu 2026 r. amerykańscy regulatorzy bankowi zastąpili wcześniejsze wytyczne podejściem opartym na ryzyku i istotności; modele generatywne i agentowe pozostawili poza jego zakresem.",
   "how_en": "An institution maintains a model inventory, classifies models by materiality and purpose, and subjects material models to validation that provides effective challenge of concepts, data and outcomes, together with ongoing monitoring. In April 2026, U.S. banking regulators replaced earlier guidance with a risk- and materiality-based approach, leaving generative and agentic AI outside its scope.",
   "limits": "Ramy powstały dla modeli statystycznych i słabo pasują do LLM oraz agentów, które zmieniają się z każdą aktualizacją dostawcy. Pełna walidacja jest kosztowna i spowalnia wdrożenia. Wymogi różnią się między krajami i rodzajami instytucji.",
   "limits_en": "The frameworks were built for statistical models and fit LLMs and agents poorly, as these change with every vendor update. Full validation is costly and slows deployment. Requirements differ across countries and institution types.",
   "terms": [
    {
     "gloss": "Rejestr wszystkich modeli używanych w instytucji.",
     "term": "inwentarz modeli"
    },
    {
     "gloss": "Sprawdzenie modelu przez osoby, które go nie budowały.",
     "term": "walidacja niezależna"
    },
    {
     "gloss": "Jak duże skutki może mieć błąd danego modelu.",
     "term": "istotność modelu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A register of every model the institution uses.",
     "term": "model inventory"
    },
    {
     "gloss": "Checking a model by people who did not build it.",
     "term": "independent validation"
    },
    {
     "gloss": "How serious the consequences of a model's error can be.",
     "term": "model materiality"
    }
   ],
   "prereq": [
    "riskframeworks",
    "driftdetection"
   ],
   "keywords": [
    "SR 11-7",
    "model validation",
    "model inventory",
    "materiality assessment",
    "ongoing monitoring",
    "challenger model",
    "PRA SS1/23",
    "OCC model risk guidance"
   ],
   "source_ids": [
    "fsb-ai-financial-stability-2024",
    "us-mrm-guidance-2026-orrick",
    "occ-bulletin-2026-13"
   ],
   "url": "https://aiatlasgraph.com/t/modelriskmgmt",
   "markdown_url": "https://aiatlasgraph.com/t/modelriskmgmt.md",
   "updated": "2026-10-30"
  },
  "modelselection": {
   "id": "modelselection",
   "parent_id": "ml",
   "label": "Walidacja i dobór modelu",
   "canonical_name": "Model selection and validation",
   "description": "Jak rzetelnie sprawdzić, czy model uogólnia na nowe dane, i jak wybrać model oraz jego ustawienia bez oszukiwania samego siebie.",
   "description_en": "How to check reliably whether a model generalises to new data, and how to choose a model and its settings without fooling yourself.",
   "examples": "walidacja krzyżowa · krzywe uczenia · strojenie",
   "examples_en": "cross-validation · learning curves · tuning",
   "plain": "To sprawdzanie modeli na nowych przykładach i wybieranie tego, który najlepiej odpowiada twojemu zadaniu.",
   "plain_en": "This checks models on new examples and selects the one that best fits your task.",
   "solves": "Model może świetnie radzić sobie z przykładami, które już widział, a zawodzić przy nowych.",
   "solves_en": "A model can perform very well on examples it has already seen and fail on new ones.",
   "does": "Oddziela dane do nauki od danych do oceny, porównuje modele i ustawienia oraz sprawdza, czy nie dopasowujesz wyboru do testu.",
   "does_en": "It separates learning data from evaluation data, compares models and settings, and checks whether your selection is being fitted to the test.",
   "example": "Porównujesz modele przewidujące zwroty zakupów na osobnych danych, a wybrany model sprawdzasz na odłożonym końcowym teście.",
   "example_en": "You compare models predicting purchase returns on separate data, then check the selected model on a reserved final test.",
   "for_you": [
    "wybierasz między modelami lub ich ustawieniami",
    "chcesz wiedzieć, czy wynik przeniesie się na nowe dane"
   ],
   "for_you_en": [
    "choose between models or their settings",
    "want to know whether results carry over to new data"
   ],
   "how": "Kandydackie modele i konfiguracje porównuje się na danych niewykorzystanych do ich dopasowania. Dobór transformacji oraz parametrów pozostaje częścią procedury, a końcowy test ocenia zamrożony wybór.",
   "how_en": "Candidate models and configurations are compared on data not used for fitting them. Transformation and parameter selection remain part of the procedure, while a final test evaluates the frozen choice.",
   "limits": "Wiele porównań zwiększa ryzyko dopasowania do zbioru walidacyjnego. Zła strategia podziału lub wyciek w przygotowaniu danych mogą unieważniać porównanie nawet poprawnych modeli.",
   "limits_en": "Many comparisons increase validation-set overfitting risk. Poor splitting strategies or preprocessing leakage can invalidate comparisons even with correctly implemented models.",
   "terms": [
    {
     "gloss": "Dane używane do wyboru modelu i ustawień.",
     "term": "zbiór walidacyjny"
    },
    {
     "gloss": "Niezależna ocena wykonywana po zamrożeniu procedury wyboru.",
     "term": "test końcowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Data used to choose models and settings.",
     "term": "validation set"
    },
    {
     "gloss": "An independent evaluation after the selection procedure is frozen.",
     "term": "final test"
    }
   ],
   "prereq": [
    "splits",
    "classmetrics"
   ],
   "keywords": [
    "validation sets",
    "cross-validation",
    "learning curves",
    "hyperparameter search",
    "regularization",
    "nested validation",
    "held-out testing",
    "AutoML"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "cs229-summer-2026"
   ],
   "url": "https://aiatlasgraph.com/t/modelselection",
   "markdown_url": "https://aiatlasgraph.com/t/modelselection.md",
   "updated": "2026-10-30"
  },
  "moe": {
   "id": "moe",
   "parent_id": "efficientarch",
   "label": "Mixture of Experts (MoE) — mieszanka ekspertów",
   "canonical_name": "Mixture of Experts (MoE)",
   "aliases": [
    "MoE",
    "mixture of experts",
    "mieszanka ekspertów",
    "sparse MoE",
    "expert routing",
    "Switch Transformer",
    "Mixtral"
   ],
   "description": "Warstwy z wieloma podsieciami-„ekspertami”, w których router kieruje każdy token tylko do wybranej części ekspertów. Rzadkie aktywowanie parametrów może obniżyć koszt obliczeń na token względem gęstego modelu o podobnej liczbie wszystkich parametrów, ale pozostawia koszty przechowywania wag, komunikacji i równoważenia obciążenia.",
   "description_en": "Layers containing many expert subnetworks, where a router sends each token to only a selected subset. Sparse parameter activation can reduce compute per token compared with a dense model of similar total parameter count, while weight storage, communication and load balancing remain important costs.",
   "examples": "router top-k · równoważenie obciążenia ekspertów · ekspert współdzielony · parametry całkowite vs aktywne",
   "examples_en": "top-k router · expert load balancing · shared expert · total vs active parameters",
   "plain": "To model z wieloma podsieciami, który dla każdego fragmentu danych uruchamia tylko wybrane z nich.",
   "plain_en": "This model contains many subnetworks but activates only selected ones for each data element.",
   "solves": "Wykorzystanie wszystkich części wielkiego modelu przy każdym słowie kosztuje zbyt wiele obliczeń.",
   "solves_en": "Using every part of a large model for each word requires too much computation.",
   "does": "Router wybiera podsieci dla danego fragmentu, oszczędzając obliczenia; wszystkie ustawienia nadal trzeba przechowywać, a wybór może nierówno obciążać sprzęt.",
   "does_en": "A router selects subnetworks for each element, saving computation; all parameters still need storage, and selection can unevenly load the hardware.",
   "example": "Serwer kieruje kolejne fragmenty pytania do wybranych części modelu zamiast uruchamiać całą jego pulę podsieci.",
   "example_en": "A server routes question fragments to selected model components instead of activating its entire subnetwork pool.",
   "for_you": [
    "chcesz zmniejszyć obliczenia dużego modelu",
    "masz pamięć potrzebną do przechowania wielu podsieci"
   ],
   "for_you_en": [
    "want to reduce a large model's computation",
    "have enough memory to store many subnetworks"
   ],
   "how": "Router wyznacza wagi i wybiera ekspertów obsługujących dany token, a ich wyjścia łączy się w reprezentację. Trening dopasowuje ekspertów i routing, z dodatkowymi mechanizmami kontroli przeciążenia oraz rozdziału tokenów.",
   "how_en": "A router assigns weights and selects experts for each token, combining their outputs into a representation. Training fits experts and routing, with additional mechanisms controlling overload and token distribution.",
   "limits": "Wszystkie wagi nadal trzeba przechowywać, choć aktywna jest ich część. Nierówne obciążenie i komunikacja między urządzeniami ograniczają zysk; limity pojemności mogą wymagać odrzucania lub przekierowania tokenów.",
   "limits_en": "All weights still require storage despite partial activation. Uneven load and inter-device communication limit gains; capacity limits can require dropping or rerouting tokens.",
   "terms": [
    {
     "gloss": "Moduł wybierający ekspertów i ich udział w przetwarzaniu tokenu.",
     "term": "router"
    },
    {
     "gloss": "Kontrola rozdziału tokenów zapobiegająca przeciążeniu części ekspertów.",
     "term": "równoważenie obciążenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A module selecting experts and their contributions to token processing.",
     "term": "router"
    },
    {
     "gloss": "Controlling token distribution to prevent overloading some experts.",
     "term": "load balancing"
    }
   ],
   "prereq": [
    "mlp",
    "supervised"
   ],
   "keywords": [
    "top-k routing",
    "expert load balancing",
    "shared experts",
    "active parameters",
    "auxiliary routing loss",
    "expert capacity"
   ],
   "source_ids": [
    "raschka-llm-arch-comparison",
    "hf-moe-explained-2023",
    "switch-transformer-2021",
    "mixtral-2024",
    "qwen3-next-model-card"
   ],
   "url": "https://aiatlasgraph.com/t/moe",
   "markdown_url": "https://aiatlasgraph.com/t/moe.md",
   "updated": "2026-10-30"
  },
  "moleculegen": {
   "id": "moleculegen",
   "parent_id": "chemistry",
   "label": "Generowanie nowych cząsteczek",
   "canonical_name": "De novo molecule generation",
   "aliases": [
    "de novo drug design",
    "molecular generation",
    "generative chemistry",
    "projektowanie leków de novo"
   ],
   "description": "Modele generatywne (językowe na SMILES, grafowe, dyfuzyjne w 3D) i optymalizacja z nagrodą do proponowania nowych związków, także wprost w kieszeni wiążącej białka.",
   "description_en": "Generative models (SMILES language models, graph models, 3D diffusion) and reward-driven optimisation for proposing new compounds, including directly inside a protein's binding pocket.",
   "plain": "Wymyślanie przez model zupełnie nowych cząsteczek o pożądanych cechach zamiast przeszukiwania gotowych katalogów.",
   "plain_en": "A model inventing brand-new molecules with the traits you want instead of searching existing catalogues.",
   "solves": "Katalogi znanych związków pokrywają ułamek możliwej chemii, więc najlepszej cząsteczki może w nich po prostu nie być.",
   "solves_en": "Catalogues of known compounds cover a sliver of possible chemistry, so the best molecule may simply not be in them.",
   "does": "Jak architekt szkicujący budynki pod wymagania klienta: model proponuje struktury i poprawia je według oceny właściwości.",
   "does_en": "Like an architect sketching buildings to a client's brief: the model proposes structures and refines them according to property scores.",
   "example": "Chemik zadaje cel: cząsteczka mocno wiążąca wybrane białko, ale łatwa do syntezy, i dostaje listę propozycji do oceny.",
   "example_en": "A chemist sets a goal — a molecule that binds a chosen protein tightly yet is easy to make — and gets a list of proposals to review.",
   "for_you": [
    "szukasz cząsteczek, których nie ma w katalogach",
    "optymalizujesz kilka właściwości związku naraz"
   ],
   "for_you_en": [
    "are after molecules that are not in any catalogue",
    "optimise several properties of a compound at once"
   ],
   "how": "Generator uczy się rozkładu znanych cząsteczek, a potem jest sterowany ku celowi: przez RL z funkcją oceny (np. REINVENT), optymalizację w przestrzeni ukrytej lub warunkowanie. Modele świadome celu generują ligand w 3D bezpośrednio w kieszeni białka.",
   "how_en": "A generator learns the distribution of known molecules and is then steered towards a goal: by RL with a scoring function (e.g. REINVENT), latent-space optimisation or conditioning. Target-aware models generate a 3D ligand directly inside the protein pocket.",
   "limits": "Funkcje oceny są przybliżone, więc generator łatwo je „oszukuje”. Wiele propozycji jest niesyntezowalnych lub niestabilnych, a wyniki benchmarków słabo przekładają się na sukces w laboratorium.",
   "limits_en": "Scoring functions are approximate, so the generator easily 'games' them. Many proposals are unsynthesisable or unstable, and benchmark scores translate poorly into lab success.",
   "terms": [
    {
     "gloss": "Zbiór wszystkich możliwych cząsteczek, po którym porusza się generator.",
     "term": "przestrzeń chemiczna"
    },
    {
     "gloss": "Czy i jak łatwo cząsteczkę da się faktycznie wytworzyć.",
     "term": "syntezowalność"
    },
    {
     "gloss": "Liczba mówiąca generatorowi, jak dobra jest propozycja.",
     "term": "funkcja oceny"
    }
   ],
   "terms_en": [
    {
     "gloss": "The set of all possible molecules a generator moves through.",
     "term": "chemical space"
    },
    {
     "gloss": "Whether, and how easily, a molecule can actually be made.",
     "term": "synthesisability"
    },
    {
     "gloss": "A number telling the generator how good a proposal is.",
     "term": "scoring function"
    }
   ],
   "prereq": [
    "policygradient",
    "vae"
   ],
   "keywords": [
    "REINVENT",
    "SMILES",
    "SELFIES",
    "GuacaMol",
    "MOSES",
    "structure-based drug design",
    "synthesizability",
    "DiffSBDD"
   ],
   "source_ids": [
    "genai-drug-design-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/moleculegen",
   "markdown_url": "https://aiatlasgraph.com/t/moleculegen.md",
   "updated": "2026-10-30"
  },
  "molproperty": {
   "id": "molproperty",
   "parent_id": "chemistry",
   "label": "Przewidywanie właściwości cząsteczek",
   "canonical_name": "Molecular property prediction",
   "aliases": [
    "QSAR",
    "molecular property prediction",
    "ADMET prediction",
    "przewidywanie toksyczności"
   ],
   "description": "Regresja i klasyfikacja właściwości fizykochemicznych, biologicznych i toksyczności (ADMET) z reprezentacji cząsteczki.",
   "description_en": "Regression and classification of physicochemical, biological and toxicity (ADMET) properties from a molecular representation.",
   "plain": "Szacowanie na podstawie samego wzoru cząsteczki, czy będzie rozpuszczalna, toksyczna albo skuteczna.",
   "plain_en": "Estimating from a molecule's structure alone whether it will dissolve, be toxic or work as intended.",
   "solves": "Zmierzenie rozpuszczalności czy toksyczności tysięcy związków w laboratorium jest drogie i powolne.",
   "solves_en": "Measuring the solubility or toxicity of thousands of compounds in the lab is expensive and slow.",
   "does": "Jak doświadczony chemik, który po rysunku cząsteczki przeczuwa jej zachowanie, tyle że opiera się na tysiącach pomiarów.",
   "does_en": "Like an experienced chemist who senses a molecule's behaviour from its drawing, except it relies on thousands of measurements.",
   "example": "Zanim zamówisz syntezę nowego związku, program ostrzega, że prawdopodobnie będzie słabo rozpuszczał się w wodzie.",
   "example_en": "Before you order a new compound, software warns that it will probably dissolve poorly in water.",
   "for_you": [
    "masz pomiary dla części związków i chcesz przewidzieć resztę",
    "wybierasz, które cząsteczki zsyntetyzować najpierw"
   ],
   "for_you_en": [
    "have measurements for some compounds and want to predict the rest",
    "are choosing which molecules to synthesise first"
   ],
   "how": "Klasycznie: odciski palców (np. ECFP) lub deskryptory plus las losowy albo boosting. Współcześnie: GNN przekazujące wiadomości po atomach i wiązaniach oraz modele wstępnie trenowane na dużych zbiorach cząsteczek. Rzetelna ocena wymaga podziału według rusztowań lub czasu.",
   "how_en": "Classically: fingerprints (e.g. ECFP) or descriptors with random forests or boosting. Today: GNNs passing messages over atoms and bonds, and models pretrained on large molecule collections. Fair evaluation needs scaffold or time-based splits.",
   "limits": "Przy kilkuset przykładach proste odciski palców z boostingiem często dorównują głębokim modelom. W zadaniach kwantowych liczy się fizyczna reprezentacja; model nie wie sam, kiedy cząsteczka leży poza jego obszarem zastosowania.",
   "limits_en": "With a few hundred examples, simple fingerprints with boosting often match deep models. For quantum tasks a physics-aware representation matters; a model does not know by itself when a molecule lies outside its applicability domain.",
   "terms": [
    {
     "gloss": "Ciąg bitów zaznaczający, jakie fragmenty występują w cząsteczce.",
     "term": "odcisk palca cząsteczki"
    },
    {
     "gloss": "Modelowanie zależności między budową cząsteczki a jej działaniem.",
     "term": "QSAR"
    },
    {
     "gloss": "Zakres cząsteczek, dla których przewidywania modelu są wiarygodne.",
     "term": "obszar zastosowania"
    }
   ],
   "terms_en": [
    {
     "gloss": "A bit string marking which fragments occur in a molecule.",
     "term": "molecular fingerprint"
    },
    {
     "gloss": "Modelling the relationship between a molecule's structure and its activity.",
     "term": "QSAR"
    },
    {
     "gloss": "The range of molecules for which a model's predictions are reliable.",
     "term": "applicability domain"
    }
   ],
   "prereq": [
    "gradientboosting",
    "splitstrategies"
   ],
   "keywords": [
    "MoleculeNet",
    "ECFP",
    "Chemprop",
    "RDKit",
    "Therapeutics Data Commons",
    "OGB",
    "scaffold split"
   ],
   "source_ids": [
    "moleculenet-2017"
   ],
   "url": "https://aiatlasgraph.com/t/molproperty",
   "markdown_url": "https://aiatlasgraph.com/t/molproperty.md",
   "updated": "2026-10-30"
  },
  "monitoring": {
   "id": "monitoring",
   "parent_id": "evaluation",
   "label": "Monitoring produkcyjny",
   "canonical_name": "Monitoring and observability",
   "description": "Patrzenie na system po wdrożeniu: ślady, koszty, regresje.",
   "description_en": "Watching a system after deployment: traces, cost, regressions.",
   "examples": "tracing · alerty · dryf danych",
   "examples_en": "tracing · alerts · data drift",
   "plain": "To obserwowanie jakości, kosztów i problemów systemu podczas jego rzeczywistego używania.",
   "plain_en": "This observes a system's quality, costs and problems during actual use.",
   "solves": "System sprawdzony przed wdrożeniem może później zwalniać, drożeć lub gorzej odpowiadać na zmieniające się dane.",
   "solves_en": "A system tested before deployment may later slow down, cost more or respond poorly to changing data.",
   "does": "Zbiera wyniki, czasy, koszty i zapisy działań, śledzi zmiany oraz wskazuje odchylenia wymagające sprawdzenia.",
   "does_en": "It collects results, timings, costs and action records, tracks changes and flags departures needing examination.",
   "example": "Po wdrożeniu asystenta zauważasz więcej poprawek i dłuższe odpowiedzi, a zapisy rozmów pomagają znaleźć przyczynę.",
   "example_en": "After deploying an assistant, you notice more corrections and longer responses, and conversation records help identify the cause.",
   "for_you": [
    "system już działa dla prawdziwych użytkowników",
    "chcesz zauważać zmiany jakości, czasu i kosztu"
   ],
   "for_you_en": [
    "operate a system used by real people",
    "want to detect changes in quality, time and cost"
   ],
   "how": "Instrumentacja zapisuje wywołania, opóźnienia, koszty i sygnały jakości razem z wersją systemu. Agregaty oraz ślady porównuje się z punktami odniesienia, a alerty kierują nietypowe przypadki do diagnozy.",
   "how_en": "Instrumentation records calls, latency, costs and quality signals alongside system versions. Aggregates and traces are compared with baselines, and alerts route unusual cases for diagnosis.",
   "limits": "Prawidłowe działanie infrastruktury nie dowodzi jakości odpowiedzi. Etykiety wyników bywają opóźnione, a nadmiar alertów lub niepełne ślady utrudniają wykrycie istotnych regresji.",
   "limits_en": "Healthy infrastructure does not prove answer quality. Outcome labels may arrive late, while excessive alerts or incomplete traces hinder detection of meaningful regressions.",
   "terms": [
    {
     "gloss": "Dodanie pomiarów i zapisów umożliwiających obserwację działania systemu.",
     "term": "instrumentacja"
    },
    {
     "gloss": "Powiadomienie wywołane przekroczeniem zdefiniowanego warunku pomiarowego.",
     "term": "alert"
    }
   ],
   "terms_en": [
    {
     "gloss": "Adding measurements and records to observe system operation.",
     "term": "instrumentation"
    },
    {
     "gloss": "A notification triggered by a defined measurement condition.",
     "term": "alert"
    }
   ],
   "prereq": [
    "dataversioning",
    "evalsets"
   ],
   "keywords": [
    "OpenTelemetry",
    "distributed tracing",
    "latency percentiles",
    "token usage",
    "cost tracking",
    "quality alerts",
    "drift monitoring"
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/monitoring",
   "markdown_url": "https://aiatlasgraph.com/t/monitoring.md",
   "updated": "2026-10-30"
  },
  "mosaicmsarl": {
   "id": "mosaicmsarl",
   "parent_id": "rlpolicy",
   "label": "Uczenie agentów na trajektoriach wielosesyjnych",
   "canonical_name": "Multi-session agentic reinforcement learning",
   "aliases": [
    "Mosaic",
    "multi-session agentic RL",
    "hierarchical multi-session advantage"
   ],
   "description": "Hierarchiczna optymalizacja przewag bez krytyka dla trajektorii agentów składających się z wielu sesji.",
   "description_en": "Critic-free hierarchical advantage optimization for agent trajectories composed of multiple sessions.",
   "plain": "Trening agentów, który uwzględnia kilka osobnych sesji w jednej długiej próbie.",
   "plain_en": "Training agents that accounts for several separate sessions inside one long trial.",
   "solves": "Trening zakłada jedną ciągłą rozmowę, a w praktyce agent dzieli pracę na sesje lub kompresuje kontekst.",
   "solves_en": "Training assumes one continuous conversation, but agents split work into sessions or compress context in practice.",
   "does": "Porównuje całe próby i poszczególne sesje: wśród sukcesów preferuje mniej sesji, wśród porażek wspiera szerszą eksplorację, a sesjom przypisuje sygnał z poprawy przewidywalności odpowiedzi.",
   "does_en": "It compares whole trials and individual sessions: among successes it favors fewer sessions, among failures it supports broader exploration, and it gives sessions a signal from improved answer predictability.",
   "example": "Agent szuka informacji na stronie. Po kompresji historii trening wzmacnia sesje, po których poprawna odpowiedź staje się bardziej przewidywalna dla modelu.",
   "example_en": "An agent searches a site. After history compaction, training reinforces sessions after which the correct answer becomes more predictable to the model.",
   "for_you": [
    "trenujesz agenta, który czasem kompresuje kontekst",
    "agent dzieli długie zadanie na osobne podzadania",
    "chcesz, by trening pasował do rzeczywistego przebiegu sesji"
   ],
   "for_you_en": [
    "train an agent that sometimes compresses context",
    "the agent splits long tasks into separate subtasks",
    "want training to match real session flow"
   ],
   "how": "Na poziomie trajektorii moduluje przewagę z GRPO sygnałem liczby sesji (wycentrowaną rangą w grupach sukcesu i porażki). Na poziomie sesji dodaje kształtowanie z operacyjnego marginalnego przyrostu informacji o poprawnej odpowiedzi, normalizowanego według typu sesji (zwykła, kompresja kontekstu, subagent).",
   "how_en": "At trajectory level it modulates GRPO advantage with a session-count signal (centered rank within success and failure groups). At session level it adds shaping from an operational marginal information gain about the correct answer, normalized by session type (ordinary, context compaction, subagent).",
   "limits": "Dowody pochodzą z BrowseComp i jednego modelu bazowego, więc uogólnienie na inne zadania i skale wymaga sprawdzenia. Liczba sesji jest tylko przybliżeniem kosztu lub eksploracji. Miara przyrostu informacji wymaga poprawnej odpowiedzi i dodatkowego oceniania podczas treningu; może też nie odzwierciedlać przyczynowego wkładu sesji, zwłaszcza w grafie subagentów.",
   "limits_en": "Evidence comes from BrowseComp and one base model, so generalization to other tasks and scales remains untested. Session count is only a proxy for cost or exploration. The information-gain measure requires the correct answer and extra scoring during training; it may also differ from a session's causal contribution, especially in a subagent graph.",
   "terms": [
    {
     "gloss": "Jedna ciągła interakcja agenta przed kompresją lub utworzeniem odgałęzienia.",
     "term": "sesja"
    },
    {
     "gloss": "Różnica średniego log-prawdopodobieństwa poprawnej odpowiedzi przed i po sesji.",
     "term": "marginalny przyrost informacji"
    },
    {
     "gloss": "Znormalizowana pozycja liczby sesji w grupie o tym samym wyniku.",
     "term": "wycentrowana ranga"
    }
   ],
   "terms_en": [
    {
     "gloss": "One continuous agent interaction before compaction or branching.",
     "term": "session"
    },
    {
     "gloss": "Difference in the correct answer's mean log-probability before and after a session.",
     "term": "marginal information gain"
    },
    {
     "gloss": "Normalized rank of session count within a same-outcome group.",
     "term": "centered rank"
    }
   ],
   "prereq": [
    "grpo",
    "contextmanagement",
    "subagents"
   ],
   "keywords": [
    "multi-session agentic RL",
    "Mosaic",
    "hierarchical advantage",
    "session-usage signal",
    "marginal information gain",
    "context compaction",
    "subagent forking",
    "GRPO"
   ],
   "source_ids": [
    "mosaic-msarl-2026"
   ],
   "url": "https://aiatlasgraph.com/t/mosaicmsarl",
   "markdown_url": "https://aiatlasgraph.com/t/mosaicmsarl.md",
   "updated": "2026-10-30"
  },
  "motionforecasting": {
   "id": "motionforecasting",
   "parent_id": "autodriving",
   "label": "Przewidywanie ruchu innych uczestników ruchu",
   "canonical_name": "Motion forecasting for road agents",
   "aliases": [
    "trajectory prediction",
    "motion prediction",
    "behavior prediction",
    "predykcja trajektorii",
    "prognozowanie ruchu"
   ],
   "description": "Przewidywanie przyszłych trajektorii uczestników ruchu na kilka sekund naprzód na podstawie historii ruchu, mapy i interakcji; model może zwracać kilka wariantów.",
   "description_en": "Predicting road users' future trajectories a few seconds ahead from motion history, the map and interactions; a model may return several alternatives.",
   "plain": "Zgadywanie, gdzie za kilka sekund będą inne auta, rowerzyści i piesi, żeby zawczasu się do tego dostosować.",
   "plain_en": "Guessing where other cars, cyclists and pedestrians will be in a few seconds, so the car can adjust in time.",
   "solves": "Samo zauważenie pieszego nie wystarcza: auto musi wiedzieć, czy zaraz wejdzie na jezdnię, zanim to zrobi.",
   "solves_en": "Spotting a pedestrian is not enough: the car must know whether they are about to step into the road before they do.",
   "does": "Jak doświadczony kierowca, który z toru jazdy i układu ulicy wyczuwa, co ktoś zaraz zrobi, i bierze pod uwagę kilka wersji.",
   "does_en": "Like an experienced driver who reads from someone's path and the street layout what they will do next, keeping several versions in mind.",
   "example": "Auto zwalnia, bo samochód z sąsiedniego pasa zaczyna zjeżdżać w jego stronę, choć jeszcze nie włączył kierunkowskazu.",
   "example_en": "The car eases off because a vehicle in the next lane starts drifting towards it before signalling.",
   "for_you": [
    "ciekawi cię, jak maszyna przewiduje ludzkie zachowanie",
    "pracujesz z danymi o ruchu ludzi lub pojazdów",
    "projektujesz systemy reagujące z wyprzedzeniem"
   ],
   "for_you_en": [
    "are curious how a machine predicts human behaviour",
    "work with data on how people or vehicles move",
    "design systems that react ahead of time"
   ],
   "how": "Model koduje przeszłe tory agentów i elementy mapy, opisuje interakcje między nimi i dekoduje przyszłe trajektorie. Wyniki ocenia się błędami położenia oraz metrykami predykcji pojedynczego agenta lub spójnych ruchów wielu agentów.",
   "how_en": "The model encodes agents' past tracks and map elements, represents their interactions and decodes future trajectories. Results are evaluated with position errors and metrics for either one-agent forecasts or consistent motions of several agents.",
   "limits": "Ludzkie zamiary są z natury niepewne, a modele bywają zbyt pewne w rzadkich sytuacjach. Przewidywanie bez uwzględnienia planu własnego auta pomija to, że inni reagują na jego ruch.",
   "limits_en": "Human intentions are inherently uncertain, and models can be overconfident in rare situations. Forecasting without the ego car's plan ignores that others react to its moves.",
   "terms": [
    {
     "gloss": "Odległość między przewidzianą a rzeczywistą pozycją agenta.",
     "term": "błąd przemieszczenia"
    },
    {
     "gloss": "Przewidywanie spójnych ruchów kilku agentów naraz.",
     "term": "predykcja łączna"
    },
    {
     "gloss": "Jak daleko w przyszłość sięga przewidywanie.",
     "term": "horyzont"
    }
   ],
   "terms_en": [
    {
     "gloss": "Distance between an agent's predicted and observed position.",
     "term": "displacement error"
    },
    {
     "gloss": "Predicting consistent motions for several agents at once.",
     "term": "joint prediction"
    },
    {
     "gloss": "How far into the future the prediction reaches.",
     "term": "horizon"
    }
   ],
   "prereq": [
    "timeseries"
   ],
   "keywords": [
    "Waymo Open Motion Dataset",
    "Argoverse",
    "trajectory prediction",
    "motion forecasting",
    "VectorNet",
    "MTR",
    "joint prediction",
    "interaction modelling"
   ],
   "source_ids": [
    "vectornet-2020",
    "mtr-2022",
    "womd-2021"
   ],
   "url": "https://aiatlasgraph.com/t/motionforecasting",
   "markdown_url": "https://aiatlasgraph.com/t/motionforecasting.md",
   "updated": "2026-10-30"
  },
  "motionimitation": {
   "id": "motionimitation",
   "parent_id": "humanoids",
   "label": "Naśladowanie ruchu człowieka przez robota",
   "canonical_name": "Motion imitation and retargeting from human data",
   "aliases": [
    "motion imitation",
    "motion retargeting",
    "human-to-humanoid",
    "humanoid shadowing",
    "naśladowanie ruchu",
    "przenoszenie ruchu"
   ],
   "description": "Przenoszenie ruchów z nagrań ludzi (motion capture, wideo) na kinematykę robota i trening polityk RL, które fizycznie je odtwarzają.",
   "description_en": "Transferring motion from human recordings (motion capture, video) to robot kinematics and training RL policies that physically reproduce it.",
   "plain": "Uczenie robota lub animowanej postaci ruchów przez kopiowanie nagrań ludzi – od chodu po taniec i salta.",
   "plain_en": "Teaching a robot or animated character movements by copying recordings of people, from walking to dancing and flips.",
   "solves": "Zaprojektowanie naturalnego ruchu wielu stawów od zera jest niemal niemożliwe, a nagrania ludzi są łatwo dostępne.",
   "solves_en": "Designing natural motion for many joints from scratch is nearly impossible, while recordings of people are easy to find.",
   "does": "Przekłada ruch człowieka na proporcje robota, a potem w symulacji uczy go powtarzać ten ruch bez przewracania się.",
   "does_en": "It translates human movement to the robot's proportions, then in simulation teaches it to repeat the motion without falling.",
   "example": "Operator macha ręką i robi krok przed kamerą, a humanoid w tej samej chwili powtarza jego ruchy.",
   "example_en": "An operator waves and steps in front of a camera, and a humanoid repeats the movements at the same moment.",
   "for_you": [
    "chcesz nauczyć robota ruchu z nagrania wideo",
    "sterujesz humanoidem własnym ciałem",
    "animujesz postacie w grach fizycznie realistycznym ruchem"
   ],
   "for_you_en": [
    "want to teach a robot motion from a video",
    "control a humanoid with your own body",
    "animate game characters with physically realistic motion"
   ],
   "how": "Retargeting dopasowuje szkielet człowieka do stawów robota i odrzuca ruchy niewykonalne. Polityka RL w symulacji fizyki dostaje nagrodę za zgodność póz z wzorcem (jak w DeepMimic) i za równowagę. Wytrenowany imitator śledzi ruch z kamery w czasie rzeczywistym, co służy teleoperacji i zbieraniu demonstracji.",
   "how_en": "Retargeting fits the human skeleton to the robot's joints and filters out infeasible motions. An RL policy in physics simulation is rewarded for matching reference poses (as in DeepMimic) and for balance. The trained imitator tracks camera-captured motion in real time, enabling teleoperation and demonstration collection.",
   "limits": "Proporcje, zakresy stawów i siła robota różnią się od ludzkich, więc część ruchów trzeba odrzucić lub zniekształcić. Śledzenie pozy z jednej kamery bywa zaszumione. Odtworzenie ruchu nie daje jeszcze umiejętności celowego działania.",
   "limits_en": "Robot proportions, joint ranges and strength differ from human ones, so some motions are dropped or distorted. Single-camera pose tracking is noisy. Reproducing motion does not by itself yield purposeful task skills.",
   "terms": [
    {
     "gloss": "Przełożenie ruchu z jednego szkieletu na inny o innych proporcjach.",
     "term": "retargeting"
    },
    {
     "gloss": "Nagrywanie ruchu ciała za pomocą markerów, czujników lub kamer.",
     "term": "motion capture"
    },
    {
     "gloss": "Nagradzanie polityki za zgodność póz z nagraniem.",
     "term": "śledzenie ruchu wzorcowego"
    }
   ],
   "terms_en": [
    {
     "gloss": "Mapping motion from one skeleton onto another with different proportions.",
     "term": "retargeting"
    },
    {
     "gloss": "Recording body motion with markers, sensors or cameras.",
     "term": "motion capture"
    },
    {
     "gloss": "Rewarding a policy for matching poses with a recording.",
     "term": "reference motion tracking"
    }
   ],
   "prereq": [
    "poseestimation",
    "ppo"
   ],
   "keywords": [
    "DeepMimic",
    "AMP",
    "H2O",
    "OmniH2O",
    "HumanPlus",
    "AMASS",
    "SMPL",
    "PHC"
   ],
   "source_ids": [
    "deepmimic-2018",
    "h2o-2024",
    "humanplus-2024"
   ],
   "url": "https://aiatlasgraph.com/t/motionimitation",
   "markdown_url": "https://aiatlasgraph.com/t/motionimitation.md",
   "updated": "2026-10-30"
  },
  "motionmatching": {
   "id": "motionmatching",
   "parent_id": "charanimation",
   "label": "Dopasowywanie ruchu z bazy nagrań (motion matching)",
   "canonical_name": "Motion matching",
   "aliases": [
    "motion matching",
    "dopasowywanie ruchu",
    "wyszukiwanie ruchu"
   ],
   "description": "Kinematyczna metoda animacji, która co kilka klatek szuka w bazie nagrań najbliższego wektora cech pozy i trajektorii i przeskakuje do tego miejsca.",
   "description_en": "A kinematic animation method that every frame or few frames searches the recording database for the nearest pose-and-trajectory feature vector and jumps playback there.",
   "plain": "Gra co chwilę przeszukuje dużą bibliotekę nagranego ruchu i odtwarza fragment najlepiej pasujący do tego, co robi gracz.",
   "plain_en": "The game keeps searching a big library of recorded movement and plays the snippet that best fits what the player is doing.",
   "solves": "Klasyczne grafy animacji z ręcznie ustawionymi przejściami rozrastają się do setek połączeń, a ruch i tak wygląda sztywno.",
   "solves_en": "Classic animation graphs with hand-set transitions grow to hundreds of links, and the motion still looks stiff.",
   "does": "Działa jak DJ, który w każdej chwili wybiera z płytoteki takt pasujący do poprzedniego i do nastroju sali.",
   "does_en": "It works like a DJ who keeps picking from the record crate the bar that fits the last one and the mood of the room.",
   "example": "Sterujesz postacią gałką pada, nagle zawracasz, a ona wykonuje naturalny obrót z przeniesieniem ciężaru, zamiast obracać się w miejscu.",
   "example_en": "You steer a character with the gamepad stick, suddenly reverse, and she makes a natural weight-shifting turn instead of spinning in place.",
   "for_you": [
    "animujesz chodzenie i bieganie postaci w grze",
    "masz dużo nagrań motion capture",
    "walczysz z limitem pamięci na animacje"
   ],
   "for_you_en": [
    "animate character walking and running in a game",
    "have a lot of motion-capture data",
    "struggle with memory limits for animation"
   ],
   "how": "Każda klatka bazy jest opisana wektorem cech: pozycje i prędkości stóp, prędkość bioder i próbki przyszłej trajektorii. W grze z bieżącej pozy i żądanej ścieżki powstaje zapytanie, wyszukiwanie najbliższego sąsiada wskazuje klatkę, a skoki wygładza inercjalizacja. Wersja uczona zastępuje bazy sieciami (dekompresor, krok, projektor).",
   "how_en": "Each database frame is described by a feature vector: foot positions and velocities, hip velocity and future trajectory samples. In-game, a query is built from the current pose and desired path, nearest-neighbour search picks a frame, and inertialisation smooths the jump. The learned variant replaces the databases with networks (decompressor, stepper, projector).",
   "limits": "Metoda tylko odtwarza nagrany ruch i nie miesza danych, więc luki w nagraniach widać od razu. Pamięć rośnie z każdym nowym stylem i stawem. Wersja uczona oszczędza pamięć, ale wymaga treningu sieci i może wprowadzać drobne błędy.",
   "limits_en": "The method only plays back recorded motion and does not blend data, so gaps in recordings show at once. Memory grows with every new style and joint. The learned version saves memory but needs network training and can add small errors.",
   "terms": [
    {
     "gloss": "Kilkanaście liczb opisujących pozę i kierunek ruchu w danej klatce.",
     "term": "wektor cech"
    },
    {
     "gloss": "Wygładzanie przeskoku między klipami przez wygaszanie różnicy póz.",
     "term": "inercjalizacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A dozen or so numbers describing pose and heading in a frame.",
     "term": "feature vector"
    },
    {
     "gloss": "Smoothing a jump between clips by decaying the pose difference.",
     "term": "inertialization"
    }
   ],
   "prereq": [
    "knn"
   ],
   "keywords": [
    "motion matching",
    "learned motion matching",
    "inertialization",
    "feature database",
    "trajectory prediction",
    "Unreal Engine Motion Matching",
    "pose search"
   ],
   "source_ids": [
    "holden-learned-motion-matching-2020"
   ],
   "url": "https://aiatlasgraph.com/t/motionmatching",
   "markdown_url": "https://aiatlasgraph.com/t/motionmatching.md",
   "updated": "2026-10-30"
  },
  "mpt": {
   "id": "mpt",
   "parent_id": "subagents",
   "label": "Rynkowa samoorkiestracja rojów agentów",
   "canonical_name": "Market-based post-training for decentralized agent swarms",
   "aliases": [
    "MPT",
    "market-based post-training"
   ],
   "description": "Ramy post-treningu, w których zdecentralizowane roje agentów wspólnie uczą się polityk działań i samoorkiestracji przez oferty.",
   "description_en": "A post-training framework in which decentralized agent swarms jointly learn action policies and self-orchestration through bids.",
   "plain": "Agenci w grupie sami decydują, kto w danej chwili działa, składając oferty, i uczą się wspólnie bez szefa.",
   "plain_en": "Agents in a group decide who acts next by bidding, and learn together without a central boss.",
   "solves": "Trudno nauczyć grupę asystentów, kiedy który ma działać, gdy nie ma centralnego koordynatora.",
   "solves_en": "It is hard to teach a group of assistants when each should act when there is no central coordinator.",
   "does": "Agenci składają oferty decydujące, kto działa; wynik zadania rozdziela zasługę za działania, a porównania kontrfaktyczne uczą lepszego ofertowania.",
   "does_en": "Agents bid to decide who acts; the task outcome assigns credit to actions, while counterfactual comparisons teach better bidding.",
   "example": "Trzej asystenci budują narzędzie w grze: jeden zbiera drewno, inny kopie, trzeci składa, a oferty decydują, kto teraz działa.",
   "example_en": "Three assistants build a tool in a game: one gathers wood, another mines, the third assembles, and bids decide who acts now.",
   "for_you": [
    "pracujesz z kilkoma asystentami bez jednego lidera",
    "chcesz, by grupa sama ustalała kolejność działań",
    "zadania wymagają współpracy kilku ról"
   ],
   "for_you_en": [
    "work with several assistants without a single leader",
    "want the group to set the order of actions itself",
    "tasks need cooperation of several roles"
   ],
   "how": "Agenci na każdej turze składają oferty odzwierciedlające chęć działania. Najwyższa oferta wygrywa i wykonuje akcję. Nagroda z zadania jest przypisywana lokalnie mechanizmem bucket-brigade: działający zatrzymuje część (1-oferta) i przekazuje ofertę wstecz. Polityki działań uczy się REINFORCE z bazową średnią na turach, w których agent działał. Oferty trenuje się preferencją Bradleya-Terry na kontrfaktycznych trajektoriach, w których działał drugi w kolejce. Trening naprzemiennie aktualizuje działania i oferty.",
   "how_en": "Agents bid on each turn reflecting willingness to act. The highest bid wins and executes the action. Task reward is assigned locally via a bucket-brigade: the actor keeps a fraction (1-bid) and passes the bid backward. Action policies are learned with REINFORCE using a per-agent mean baseline on turns the agent acted. Bids are trained with a Bradley-Terry preference objective on counterfactual trajectories where the runner-up acts. Training alternates action and bidding updates.",
   "limits": "Metoda wymaga wiarygodnej, zewnętrznie ocenianej nagrody za zadanie oraz możliwości odtworzenia identycznego stanu do kosztownych rolloutów kontrfaktycznych. Nie sprawdzono jej dla nieodwracalnych interakcji w świecie rzeczywistym, rojów trenowanych w znacznie większej skali ani wielu modeli powyżej 10 mld parametrów każdy.",
   "limits_en": "The method requires reliable externally evaluated task rewards and the ability to restore the same state for costly counterfactual rollouts. It has not been evaluated for irreversible real-world interactions, jointly trained swarms at substantially larger scale, or multiple models above 10B parameters each.",
   "terms": [
    {
     "gloss": "Liczba pokazująca, jak bardzo agent chce działać w tej turze.",
     "term": "oferta"
    },
    {
     "gloss": "Sposób rozkładania nagrody wstecz przez kolejne działania.",
     "term": "bucket-brigade"
    },
    {
     "gloss": "Symulacja, co by się stało, gdyby działał inny agent.",
     "term": "kontrfaktyczny rollout"
    }
   ],
   "terms_en": [
    {
     "gloss": "A number showing how much an agent wants to act this turn.",
     "term": "bid"
    },
    {
     "gloss": "A way of assigning reward backward through successive actions.",
     "term": "bucket-brigade"
    },
    {
     "gloss": "A simulation of what would happen if another agent acted.",
     "term": "counterfactual rollout"
    }
   ],
   "prereq": [
    "marl"
   ],
   "keywords": [
    "market-based post-training",
    "MPT",
    "decentralized agent swarms",
    "self-orchestration",
    "bidding agents",
    "bucket brigade credit",
    "counterfactual rollouts",
    "Bradley-Terry bids"
   ],
   "source_ids": [
    "mpt-arxiv-2610.22322",
    "mpt-github"
   ],
   "url": "https://aiatlasgraph.com/t/mpt",
   "markdown_url": "https://aiatlasgraph.com/t/mpt.md",
   "updated": "2026-10-30"
  },
  "mrta": {
   "id": "mrta",
   "parent_id": "multirobot",
   "label": "Przydzielanie zadań robotom we flocie",
   "canonical_name": "Multi-robot task allocation (MRTA)",
   "aliases": [
    "multi-robot task allocation",
    "MRTA",
    "fleet task assignment",
    "przydział zadań robotom",
    "dyspozytor floty"
   ],
   "description": "Przypisywanie zadań robotom w celu minimalizacji czasu, energii lub liczby maszyn: metody dokładne, heurystyki, aukcje i polityki uczone.",
   "description_en": "Assigning tasks to robots to minimise time, energy or fleet size: exact methods, heuristics, auctions and learned policies.",
   "plain": "Program decyduje, który robot ma wykonać które zlecenie, żeby cała praca poszła szybko i bez pustych przejazdów.",
   "plain_en": "Software decides which robot should handle which job so the whole workload goes quickly with no empty runs.",
   "solves": "Źle rozdzielone zlecenia sprawiają, że jedne roboty stoją, inne jeżdżą przez całą halę, a baterie wyczerpują się w złym momencie.",
   "solves_en": "Badly shared jobs leave some robots idle, others crossing the whole hall, and batteries running flat at the wrong moment.",
   "does": "Działa jak giełda zleceń: roboty „licytują” zadania według tego, ile by je kosztowały, albo planista układa najtańszy przydział dla wszystkich.",
   "does_en": "It works like a job exchange: robots “bid” for tasks by what they would cost, or a planner works out the cheapest assignment for all.",
   "example": "W szpitalu kilka robotów transportowych rozwozi leki i pościel; nowe zlecenie dostaje ten, który jest najbliżej i ma naładowaną baterię.",
   "example_en": "In a hospital several transport robots deliver medicines and linen; a new job goes to the nearest one with a charged battery.",
   "for_you": [
    "zarządzasz flotą robotów lub wózków autonomicznych",
    "układasz harmonogram dla wielu maszyn",
    "interesuje cię optymalizacja w logistyce"
   ],
   "for_you_en": [
    "manage a fleet of robots or autonomous carts",
    "schedule work for many machines",
    "are interested in logistics optimisation"
   ],
   "how": "Problem zapisuje się jako przydział z kosztami, np. czasem dojazdu, i rozwiązuje algorytmem węgierskim lub programowaniem całkowitoliczbowym, gdy flota jest mała. Dla dużych i zmiennych flot stosuje się heurystyki, metaheurystyki i aukcje, w których roboty licytują zadania lokalnie. RL uczy polityk przydziału, które reagują na nowe zlecenia na bieżąco.",
   "how_en": "The problem is written as an assignment with costs, e.g. travel time, and solved with the Hungarian algorithm or integer programming for small fleets. Large, changing fleets use heuristics, metaheuristics and auctions where robots bid for tasks locally. RL learns allocation policies that respond to new jobs online.",
   "limits": "Metody dokładne nie skalują się do dużych flot, a aukcje zwykle oddają część optymalności za szybkość. Niewiele badań testuje dynamiczne warunki z ludźmi w hali. Polityki RL są kosztowne w trenowaniu.",
   "limits_en": "Exact methods do not scale to large fleets, and auctions usually trade some optimality for speed. Few studies test dynamic conditions with people in the hall. RL policies are expensive to train.",
   "terms": [
    {
     "gloss": "Klasyczny sposób na najtańsze przypisanie zadań wykonawcom jeden do jednego.",
     "term": "algorytm węgierski"
    },
    {
     "gloss": "Roboty zgłaszają koszt wykonania, a zadanie trafia do najtańszego.",
     "term": "aukcja zadań"
    },
    {
     "gloss": "Optymalizacja liniowa z częścią zmiennych całkowitych, np. tak/nie.",
     "term": "MILP"
    }
   ],
   "terms_en": [
    {
     "gloss": "A classic method for the cheapest one-to-one assignment of jobs to workers.",
     "term": "Hungarian algorithm"
    },
    {
     "gloss": "Robots report their cost to do a job, and it goes to the cheapest.",
     "term": "task auction"
    },
    {
     "gloss": "Linear optimisation with some integer variables, e.g. yes/no.",
     "term": "MILP"
    }
   ],
   "prereq": [
    "geneticalgorithms"
   ],
   "keywords": [
    "Hungarian algorithm",
    "MILP",
    "auction-based allocation",
    "CBBA",
    "genetic algorithm",
    "vehicle routing problem",
    "reinforcement learning allocation",
    "fleet management"
   ],
   "source_ids": [
    "mrta-fleets-review-2025"
   ],
   "url": "https://aiatlasgraph.com/t/mrta",
   "markdown_url": "https://aiatlasgraph.com/t/mrta.md",
   "updated": "2026-10-30"
  },
  "mtqe": {
   "id": "mtqe",
   "parent_id": "machinetranslation",
   "label": "Ocena jakości tłumaczenia bez wzorca (quality estimation)",
   "canonical_name": "Machine translation quality estimation",
   "aliases": [
    "machine translation quality estimation",
    "QE",
    "translation quality estimation",
    "ocena jakości tłumaczenia"
   ],
   "description": "Przewidywanie jakości tłumaczenia maszynowego na podstawie samego tekstu źródłowego i przekładu, bez tłumaczenia referencyjnego.",
   "description_en": "Predicting machine-translation quality from the source and translation alone, without a reference translation.",
   "plain": "Program ocenia, jak dobre jest gotowe tłumaczenie, choć nikt nie przygotował wzorcowej wersji do porównania.",
   "plain_en": "Software judges how good a finished translation is even though nobody prepared a reference version to compare with.",
   "solves": "Firmy tłumaczą maszynowo tysiące tekstów i nie wiedzą, które z nich musi jeszcze przejrzeć człowiek.",
   "solves_en": "Companies machine-translate thousands of texts and don't know which ones still need a human check.",
   "does": "Jak doświadczony redaktor znający oba języki: patrzy na oryginał i przekład i wystawia ocenę, nie mając klucza odpowiedzi.",
   "does_en": "Like a bilingual editor: it looks at the original and the translation and gives a score without an answer key.",
   "example": "Sklep internetowy publikuje od razu dobrze ocenione opisy produktów, a słabo ocenione odsyła do tłumacza.",
   "example_en": "An online shop publishes well-scored product descriptions at once and sends poorly scored ones to a translator.",
   "for_you": [
    "tłumaczysz maszynowo dużo tekstów",
    "decydujesz, co przekazać do poprawy człowiekowi",
    "porównujesz różne systemy tłumaczące"
   ],
   "for_you_en": [
    "machine-translate a lot of text",
    "decide what goes to a human for fixing",
    "compare different translation systems"
   ],
   "how": "Wielojęzyczny enkoder czyta parę źródło–tłumaczenie, a głowica regresyjna przewiduje ocenę zgodną z ludzkimi ocenami lub oznacza błędne słowa. Wynik służy do filtrowania, kierowania do korekty oraz do wyboru albo łączenia najlepszych kandydatów tłumaczenia.",
   "how_en": "A multilingual encoder reads the source–translation pair and a regression head predicts a score matching human judgements or flags wrong words. The score drives filtering, routing to post-editing and choosing or combining the best translation candidates.",
   "limits": "QE-fusion oceniono dla kilku rodzin modeli i pięciu par językowych według automatycznych miar jakości. Wynik nie ustanawia niezawodności estymacji dla rzadkich języków, innych domen ani oceny przez ludzi; jakość całego potoku zależy też od użytej metryki QE.",
   "limits_en": "QE fusion was evaluated across several model families and five language pairs using automatic quality metrics. This does not establish reliable estimation for low-resource languages, other domains or human judgment; the pipeline also depends on the QE metric used.",
   "terms": [
    {
     "gloss": "Ocena bez wzorcowego tłumaczenia przygotowanego przez człowieka.",
     "term": "reference-free"
    },
    {
     "gloss": "Poprawianie tłumaczenia maszynowego przez tłumacza.",
     "term": "post-editing"
    },
    {
     "gloss": "Wybór najlepszego z kilku tłumaczeń według oceny QE.",
     "term": "QE reranking"
    }
   ],
   "terms_en": [
    {
     "gloss": "Scoring without a human reference translation.",
     "term": "reference-free"
    },
    {
     "gloss": "A translator correcting machine-translation output.",
     "term": "post-editing"
    },
    {
     "gloss": "Choosing the best of several translations by QE score.",
     "term": "QE reranking"
    }
   ],
   "prereq": [
    "textgenmetrics"
   ],
   "keywords": [
    "CometKiwi",
    "COMET",
    "xCOMET",
    "MetricX",
    "QE reranking",
    "minimum Bayes risk decoding",
    "WMT QE shared task"
   ],
   "source_ids": [
    "vernikos-2024-qe-fusion"
   ],
   "url": "https://aiatlasgraph.com/t/mtqe",
   "markdown_url": "https://aiatlasgraph.com/t/mtqe.md",
   "updated": "2026-10-30"
  },
  "multiagentopd": {
   "id": "multiagentopd",
   "parent_id": "onpolicydistill",
   "label": "Destylacja on-policy dla hierarchicznych zespołów agentów",
   "canonical_name": "On-policy distillation for hierarchical multi-agent teams",
   "aliases": [
    "MultiAgent-OPD",
    "MultiAgent on-policy distillation"
   ],
   "description": "Łączy destylację on-policy z uczeniem ze wzmocnieniem, by end-to-end trenować współdzielony zespół Leader-Searcher-Answerer.",
   "description_en": "Combines on-policy distillation with reinforcement learning to train a shared-parameter Leader-Searcher-Answerer team end to end.",
   "plain": "Sposób wspólnego trenowania lidera i podagentów, w którym nauczyciel ocenia kroki wyszukiwania, a nie tylko końcową odpowiedź.",
   "plain_en": "A way of jointly training a leader and subagents in which a teacher scores search steps, not only the final answer.",
   "solves": "Podagenci dostają tylko pośredni sygnał z końcowego wyniku zespołu, więc trudno im się uczyć, co zrobiły źle.",
   "solves_en": "Subagents receive only an indirect signal from the team's final outcome, so they struggle to learn what they did wrong.",
   "does": "Najpierw trenuje nauczyciela, potem używa go do oceny tokenów wyszukiwania uczniów, łącząc to z nagrodami za sukces zespołu.",
   "does_en": "It first trains a teacher, then uses it to score the students' search tokens, combining that with rewards for team success.",
   "example": "Zespół szuka informacji do odpowiedzi. Nauczyciel wskazuje lepsze zapytania w trakcie, a lider uczy się, kiedy przydzielać zadania.",
   "example_en": "A team searches for information to answer a question. The teacher points to better queries along the way, and the leader learns when to assign tasks.",
   "for_you": [
    "budujesz zespół agentów z podziałem ról",
    "końcowa odpowiedź nie mówi podagentom, co poprawić",
    "chcesz gęstszego sygnału niż tylko sukces lub porażka zadania"
   ],
   "for_you_en": [
    "building a team of agents with role division",
    "the final answer does not tell subagents what to improve",
    "want a denser signal than only task success or failure"
   ],
   "how": "Najpierw trenuje nauczyciela w prostszym przepływie Searcher-Answerer na poprawności odpowiedzi. Podczas treningu zespołu zamrożony nauczyciel ocenia tokeny wyszukiwania i podsumowań uczniów, dając lokalny nadzór procesowy. Lider uczy się z sukcesu zespołu, Answerer z poprawności kandydatów.",
   "how_en": "It first trains a teacher in a simpler Searcher-Answerer workflow on answer correctness. During team training the frozen teacher scores student search and summary tokens, providing local process supervision. The leader learns from team success and the answerer from candidate correctness.",
   "limits": "Dowody obejmują siedem zbiorów zadań pytanie–odpowiedź dla konkretnego, współdzielącego parametry układu Leader–Searcher–Answerer i do czterech prób. Nie pokazują jeszcze, że lokalny nadzór nauczyciela przenosi się na dowolne topologie ról, modele heterogeniczne lub zadania spoza tego układu.",
   "limits_en": "Evidence covers seven question-answering datasets for a specific shared-parameter Leader–Searcher–Answerer setup and up to four attempts. It does not yet show that the teacher's local supervision transfers to arbitrary role topologies, heterogeneous models or tasks outside that setup.",
   "terms": [
    {
     "gloss": "Ocena pośrednich kroków, a nie tylko końcowego wyniku.",
     "term": "nadzór procesowy"
    },
    {
     "gloss": "Kilka ról korzystających z tych samych parametrów modelu.",
     "term": "zespół współdzielony"
    }
   ],
   "terms_en": [
    {
     "gloss": "Scoring intermediate steps rather than only the final outcome.",
     "term": "process supervision"
    },
    {
     "gloss": "Several roles that use the same model parameters.",
     "term": "shared-parameter team"
    }
   ],
   "prereq": [
    "subagents",
    "marl"
   ],
   "keywords": [
    "MultiAgent-OPD",
    "hierarchical multi-agent",
    "on-policy distillation",
    "process supervision",
    "Leader-Searcher-Answerer",
    "shared parameters"
   ],
   "source_ids": [
    "sun-multiagentopd-2026"
   ],
   "url": "https://aiatlasgraph.com/t/multiagentopd",
   "markdown_url": "https://aiatlasgraph.com/t/multiagentopd.md",
   "updated": "2026-10-30"
  },
  "multihypothesis": {
   "id": "multihypothesis",
   "parent_id": "motionforecasting",
   "label": "Przewidywanie kilku wariantów ruchu naraz",
   "canonical_name": "Multi-modal trajectory prediction",
   "aliases": [
    "multimodal trajectory prediction",
    "multi-hypothesis prediction",
    "motion queries",
    "Motion Transformer",
    "MTR",
    "goal-conditioned prediction"
   ],
   "description": "Generowanie zestawu odrębnych trajektorii z prawdopodobieństwami dla każdego agenta, by objąć różne zamiary zamiast ich średniej.",
   "description_en": "Generating a set of distinct trajectories with probabilities for each agent, covering different intentions rather than their average.",
   "plain": "Przewidywanie kilku możliwych dróg dla tego samego pojazdu naraz, każdej z oceną, jak bardzo jest prawdopodobna.",
   "plain_en": "Predicting several possible paths for the same vehicle at once, each with a score for how likely it is.",
   "solves": "Na skrzyżowaniu auto może skręcić albo jechać prosto; jedna uśredniona prognoza wskazuje trasę, której nikt nie wybierze.",
   "solves_en": "At a junction a car may turn or go straight; a single averaged forecast points to a path nobody will take.",
   "does": "Jak prognoza pogody podająca szanse: sześćdziesiąt procent, że skręci w lewo, trzydzieści, że pojedzie prosto, dziesięć, że zawróci.",
   "does_en": "Like a weather forecast with odds: sixty per cent it turns left, thirty that it goes straight, ten that it makes a U-turn.",
   "example": "Przed skrzyżowaniem auto szykuje się zarówno na to, że rowerzysta skręci, jak i na to, że pojedzie prosto.",
   "example_en": "Before a junction the car prepares both for the cyclist turning and for the cyclist carrying straight on.",
   "for_you": [
    "interesuje cię, jak AI radzi sobie z niepewnością",
    "przewidujesz zachowania, które mogą skończyć się różnie",
    "pracujesz z modelami generującymi warianty"
   ],
   "for_you_en": [
    "are interested in how AI handles uncertainty",
    "forecast behaviour that can end in different ways",
    "work with models that generate alternatives"
   ],
   "how": "Model używa niewielkiego zestawu wyuczonych zapytań ruchu, z których każde obsługuje inny możliwy tryb. MTR najpierw lokalizuje globalny zamiar, a potem dopracowuje lokalny przebieg trajektorii.",
   "how_en": "The model uses a small set of learned motion queries, each handling a different possible mode. MTR first localises the global intention, then refines the local trajectory.",
   "limits": "Liczba hipotez jest stała, więc rzadkie zachowania mogą nie dostać własnego trybu. Prawdopodobieństwa bywają źle skalibrowane, a metryki „najlepsza z K” premiują różnorodność bardziej niż trafną ocenę szans.",
   "limits_en": "The number of hypotheses is fixed, so rare behaviours may get no mode of their own. Probabilities can be poorly calibrated, and best-of-K metrics reward diversity more than accurate odds.",
   "terms": [
    {
     "gloss": "Jeden z odrębnych możliwych sposobów zachowania agenta.",
     "term": "tryb ruchu"
    },
    {
     "gloss": "Wskazanie obszaru, do którego może zmierzać agent.",
     "term": "lokalizacja zamiaru"
    },
    {
     "gloss": "Wyuczony wektor obsługujący jeden możliwy tryb ruchu.",
     "term": "zapytanie ruchu"
    }
   ],
   "terms_en": [
    {
     "gloss": "One of the distinct possible ways an agent may behave.",
     "term": "motion mode"
    },
    {
     "gloss": "Identifying the region an agent may be heading towards.",
     "term": "intention localisation"
    },
    {
     "gloss": "A learned vector handling one possible motion mode.",
     "term": "motion query"
    }
   ],
   "prereq": [
    "selfattention",
    "probability"
   ],
   "keywords": [
    "Motion Transformer",
    "MTR",
    "motion queries",
    "goal-conditioned prediction",
    "multi-modal trajectory prediction",
    "Waymo Open Motion Dataset"
   ],
   "source_ids": [
    "mtr-2022",
    "womd-2021"
   ],
   "url": "https://aiatlasgraph.com/t/multihypothesis",
   "markdown_url": "https://aiatlasgraph.com/t/multihypothesis.md",
   "updated": "2026-10-30"
  },
  "multiinstance": {
   "id": "multiinstance",
   "parent_id": "learningparadigms",
   "label": "Uczenie wieloinstancyjne (MIL)",
   "canonical_name": "Multiple instance learning (MIL)",
   "aliases": [
    "MIL",
    "multiple-instance learning",
    "uczenie z worków"
   ],
   "description": "Uczenie z etykiet przypisanych do worków instancji; model agreguje reprezentacje instancji, np. mechanizmem uwagi, w predykcję dla całego worka.",
   "description_en": "Learning from labels attached to bags of instances; the model aggregates instance representations, e.g. with attention, into a bag-level prediction.",
   "plain": "Model dostaje jedną etykietę dla całej grupy elementów i sam musi odkryć, które z nich o niej zdecydowały.",
   "plain_en": "A model gets one label for a whole group of items and has to work out which items decided it.",
   "solves": "Często wiadomo tylko, że gdzieś w dużym zbiorze jest problem, ale nikt nie zaznaczył dokładnie gdzie.",
   "solves_en": "Often we only know that a problem sits somewhere in a large collection, but nobody marked exactly where.",
   "does": "Jak kontroler, który wie, że w skrzynce jest zepsuty owoc, i uczy się rozpoznawać, który to, bez zaglądania do etykiet poszczególnych sztuk.",
   "does_en": "Like an inspector who knows a crate holds a rotten fruit and learns to spot which one, with no tag on each piece.",
   "example": "Lekarz oznacza tylko, czy cały skan tkanki jest chory, a model wskazuje fragmenty, które o tym zdecydowały.",
   "example_en": "A doctor marks only whether a whole tissue scan is diseased, and the model points to the patches that decided it.",
   "for_you": [
    "masz etykiety dla całych dokumentów, nagrań lub skanów",
    "chcesz wskazać, która część decyduje o wyniku"
   ],
   "for_you_en": [
    "have labels for whole documents, recordings or scans",
    "want to point to the part that drives the result"
   ],
   "how": "W klasycznym założeniu worek jest pozytywny, jeśli zawiera choć jedną pozytywną instancję. Sieć koduje każdą instancję, a operator agregacji niezależny od kolejności (maksimum, średnia, pooling uwagowy) tworzy wektor worka. Wagi uwagi pokazują, które instancje najbardziej wpłynęły na decyzję.",
   "how_en": "The classic assumption is that a bag is positive if it contains at least one positive instance. A network encodes each instance and an order-independent aggregator (max, mean, attention pooling) forms a bag vector. Attention weights show which instances most influenced the decision.",
   "limits": "Wagi uwagi nie są pewnym wyjaśnieniem i mogą wskazywać korelacje zamiast przyczyn. Bardzo duże worki są kosztowne obliczeniowo. Założenia o związku instancji z workiem nie zawsze pasują do danych.",
   "limits_en": "Attention weights are not a reliable explanation and can highlight correlations rather than causes. Very large bags are computationally costly. Assumptions about how instances relate to the bag do not always fit the data.",
   "terms": [
    {
     "gloss": "Zbiór instancji z jedną wspólną etykietą.",
     "term": "worek (bag)"
    },
    {
     "gloss": "Średnia ważona instancji z wagami wyuczonymi przez sieć.",
     "term": "pooling uwagowy"
    },
    {
     "gloss": "Wynik nie zależy od kolejności elementów w worku.",
     "term": "niezmienniczość permutacyjna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A set of instances sharing a single label.",
     "term": "bag"
    },
    {
     "gloss": "A weighted average of instances with weights learned by the network.",
     "term": "attention pooling"
    },
    {
     "gloss": "The output does not depend on the order of items in the bag.",
     "term": "permutation invariance"
    }
   ],
   "keywords": [
    "attention-based MIL",
    "ABMIL",
    "CLAM",
    "TransMIL",
    "bag-level classification",
    "weakly supervised learning",
    "whole-slide images"
   ],
   "source_ids": [
    "ilse-abmil-2018"
   ],
   "url": "https://aiatlasgraph.com/t/multiinstance",
   "markdown_url": "https://aiatlasgraph.com/t/multiinstance.md",
   "updated": "2026-10-30"
  },
  "multilayeragentmonitor": {
   "id": "multilayeragentmonitor",
   "parent_id": "safetyevals",
   "label": "Wielowarstwowe monitorowanie agentów",
   "canonical_name": "Multi-layer monitoring for agent misalignment",
   "aliases": [
    "multi-layer agent monitoring",
    "frontier model monitoring"
   ],
   "description": "Kaskada monitorów od tanich sond aktywacji, przez recenzentów modeli, po agentów śledczych analizujących pełne transkrypty i logi.",
   "description_en": "A cascade of monitors from cheap activation probes, through model reviewers, to investigative agents analysing full transcripts and logs.",
   "plain": "To kilka poziomów sprawdzania, czy agent nie robi czegoś niepożądanego — od szybkiego skanu po głęboką analizę.",
   "plain_en": "This is several levels of checking whether an agent is doing something undesirable — from a quick scan to deep analysis.",
   "solves": "Pojedynczy monitor jest albo zbyt drogi, albo za płytki, by wyłapać sekwencje działań prowadzące do ucieczki lub oszustwa.",
   "solves_en": "A single monitor is either too expensive or too shallow to catch sequences of actions leading to escape or deception.",
   "does": "Tanie sondy flagują przypadki, recenzent analizuje kontekst i narzędzia, a śledczy rekonstruują cały przebieg i sprawdzają logi.",
   "does_en": "Cheap probes flag cases, a reviewer analyses context and tools, and investigators reconstruct the full sequence and check logs.",
   "example": "Podczas treningu sonda wyłapuje nietypowe aktywacje, recenzent widzi próbę dostępu do sieci, a śledczy potwierdza to logami i alarmuje człowieka w ciągu minut.",
   "example_en": "During training a probe catches unusual activations, a reviewer sees an attempt to access the network, and an investigator confirms it with logs and alerts a human within minutes.",
   "for_you": [
    "prowadzisz treningi lub działanie silnych agentów z narzędziami",
    "chcesz wykrywać problemy zanim wymkną się spod kontroli"
   ],
   "for_you_en": [
    "run training or operation of strong agents with tools",
    "want to detect problems before they get out of control"
   ],
   "how": "Warstwa 0: sondy aktywacji z wysokim recall i losową próbką. Warstwa 1: model-recenzent analizuje ostatni kontekst, tok rozumowania i użycie narzędzi. Warstwa 2: agenci śledczy czytają pełny przebieg i uruchamiają kod w izolacji. Warstwa 3: automatyczne dochodzenie porównuje ustalenia z logami sieciowymi i telemetrią; sprawy o najwyższym priorytecie trafiają do ludzi. Podczas treningu monitoring działa asynchronicznie, aby opóźnienie dochodzenia nie wpływało na dobór próbek ani presję optymalizacyjną.",
   "how_en": "Layer 0: activation probes tuned for high recall plus a random sample. Layer 1: a model reviewer examines recent context, chain of thought and tool use. Layer 2: investigative agents read the full trajectory and run code in isolation. Layer 3: automated investigation compares findings with network logs and telemetry; the highest-priority cases go to humans. During training, monitoring runs asynchronously so investigation latency does not affect sample selection or optimization pressure.",
   "limits": "Głębsze warstwy są kosztowne, sondy mogą przegapić nowe wzorce, a fałszywe alarmy ograniczają ciągłe alarmowanie ludzi. Monitoring musi mieć audytowalne pokrycie i być regularnie red-teamowany: niezależne testy historycznej wersji systemu OpenAI wykazały luki pokrycia i sposoby obchodzenia. OpenAI zgłosiło poprawki, ale METR nie zweryfikował późniejszej, rozszerzonej architektury.",
   "limits_en": "Deeper layers are costly, probes can miss novel patterns, and false positives limit continuous human paging. Monitoring needs auditable coverage and regular red-teaming: independent tests of a historical version of OpenAI's system found coverage gaps and bypasses. OpenAI reported fixes, but METR did not validate the later expanded architecture.",
   "terms": [
    {
     "gloss": "Poziom sprawdzania o rosnącej głębokości i koszcie, od sond do śledztwa.",
     "term": "warstwa monitorowania"
    },
    {
     "gloss": "Model analizujący pełny transkrypt i logi, by zrekonstruować co się stało.",
     "term": "agent śledczy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A checking level of increasing depth and cost, from probes to investigation.",
     "term": "monitoring layer"
    },
    {
     "gloss": "A model analysing the full transcript and logs to reconstruct what happened.",
     "term": "investigative agent"
    }
   ],
   "prereq": [
    "cotmonitoring",
    "agentsecurity"
   ],
   "keywords": [
    "multi-layer monitoring",
    "activation probes",
    "model reviewer",
    "investigative agents",
    "misalignment detection",
    "agent monitoring",
    "asynchronous monitoring"
   ],
   "source_ids": [
    "openai-frontier-monitoring-2026",
    "metr-openai-monitoring-redteam-2026"
   ],
   "url": "https://aiatlasgraph.com/t/multilayeragentmonitor",
   "markdown_url": "https://aiatlasgraph.com/t/multilayeragentmonitor.md",
   "updated": "2026-10-30"
  },
  "multilingualnlp": {
   "id": "multilingualnlp",
   "parent_id": "nlp",
   "label": "Wielojęzyczność i języki o małych zasobach",
   "canonical_name": "Multilingual and low-resource language processing",
   "aliases": [
    "multilingual NLP",
    "low-resource languages",
    "low-resource NLP",
    "cross-lingual transfer",
    "multilingual LLM",
    "wielojęzyczność",
    "języki niskozasobowe",
    "transfer międzyjęzykowy",
    "NLP wielojęzyczne"
   ],
   "description": "Przetwarzanie wielu języków naraz i języków z małą ilością danych. Opiera się na transferze międzyjęzykowym we wspólnych modelach wielojęzycznych; jakość dla języków niskozasobowych wciąż wyraźnie odstaje od angielskiego.",
   "description_en": "Processing many languages at once and languages with little data. It relies on cross-lingual transfer in shared multilingual models; quality for low-resource languages still lags clearly behind English.",
   "examples": "transfer międzyjęzykowy · XLM-R · NLLB · wielojęzyczne LLM · języki niskozasobowe · tokenizacja a koszt języka",
   "examples_en": "cross-lingual transfer · XLM-R · NLLB · multilingual LLMs · low-resource languages · tokenisation and per-language cost",
   "plain": "To uczenie i sprawdzanie modeli językowych tak, żeby radziły sobie z różnymi językami, również tymi z mniejszą ilością danych.",
   "plain_en": "This trains and evaluates language models to handle different languages, including those with less training data.",
   "solves": "Twój język ma mniej przykładów w danych modelu, więc odpowiedzi mogą być słabsze lub brzmieć nienaturalnie.",
   "solves_en": "Your language has fewer examples in a model's training data, so responses may be weaker or sound unnatural.",
   "does": "Łączy naukę na różnych językach z przenoszeniem poznanych wzorów i sprawdzaniem wyników osobno dla każdego języka.",
   "does_en": "It combines learning across languages, transferring familiar patterns and checking results separately for each language.",
   "example": "Asystent rozumie pytanie zadane po polsku z regionalnym słowem i odpowiada naturalną polszczyzną, a nie kalką z angielskiego.",
   "example_en": "An assistant understands a question in a regional dialect and replies in natural local language rather than a literal translation.",
   "for_you": [
    "korzystasz z modelu w języku z mniejszą ilością danych",
    "obsługujesz klientów mówiących różnymi językami",
    "zauważasz, że w twoim języku model odpowiada gorzej"
   ],
   "for_you_en": [
    "use a model in a language with less training data",
    "serve customers who speak different languages",
    "notice the model answers worse in your language"
   ],
   "how": "Wspólne parametry uczą reprezentacje z wielu języków oraz celów treningowych. Dobór mieszanki, tokenizacji i danych równoległych steruje transferem między językami, czasem z dostrajaniem dla konkretnej pary lub zadania.",
   "how_en": "Shared parameters learn representations across languages and training objectives. Mixture selection, tokenisation and parallel data govern cross-language transfer, sometimes with adaptation to a specific pair or task.",
   "limits": "Transfer może pomagać lub powodować konkurencję o pojemność modelu. Małe zasoby, inna pisownia i niedobór ewaluacji ograniczają jakość; wyniku jednego języka nie należy przenosić na pozostałe.",
   "limits_en": "Transfer can help or create competition for model capacity. Limited resources, different scripts and sparse evaluation constrain quality; one language's results cannot represent the others.",
   "terms": [
    {
     "gloss": "Wykorzystanie wzorców wyuczonych w jednym języku do zadań w innym.",
     "term": "transfer międzyjęzykowy"
    },
    {
     "gloss": "Język z niewielką ilością użytecznych danych treningowych lub ewaluacyjnych.",
     "term": "język niskozasobowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Using patterns learned in one language for tasks in another.",
     "term": "cross-lingual transfer"
    },
    {
     "gloss": "A language with limited useful training or evaluation data.",
     "term": "low-resource language"
    }
   ],
   "prereq": [
    "tokenization",
    "representations"
   ],
   "keywords": [
    "XLM-R",
    "NLLB",
    "cross-lingual transfer",
    "low-resource languages",
    "multilingual embeddings",
    "token fertility"
   ],
   "source_ids": [
    "nllb-2022",
    "hendy-2023-gpt-mt",
    "xlm-r-2019",
    "zhu-2024-multilingual-llm-survey"
   ],
   "url": "https://aiatlasgraph.com/t/multilingualnlp",
   "markdown_url": "https://aiatlasgraph.com/t/multilingualnlp.md",
   "updated": "2026-10-30"
  },
  "multilora": {
   "id": "multilora",
   "parent_id": "serving",
   "label": "Serwowanie wielu adapterów LoRA na jednym modelu",
   "canonical_name": "Multi-LoRA serving",
   "aliases": [
    "multi-LoRA serving",
    "S-LoRA",
    "LoRA adapter serving",
    "serwowanie wielu LoRA"
   ],
   "description": "Jeden model bazowy w pamięci GPU obsługuje zapytania do wielu dostrojonych wariantów naraz: adapter LoRA wybierany jest per zapytanie, a adaptery ładowane i wymieniane w locie.",
   "description_en": "One base model in GPU memory serves requests for many fine-tuned variants at once: a LoRA adapter is selected per request, and adapters are loaded and swapped on the fly.",
   "examples": "wybór adaptera per zapytanie · wspólna pula pamięci na adaptery i KV cache · dynamiczne ładowanie adapterów · batchowanie mieszanych adapterów",
   "examples_en": "per-request adapter selection · shared memory pool for adapters and KV cache · dynamic adapter loading · batching mixed adapters",
   "plain": "To obsługiwanie wielu dostrojonych wariantów przy użyciu jednego wspólnego modelu bazowego.",
   "plain_en": "This serves multiple adapted variants using one shared base model.",
   "solves": "Każdy zespół potrzebuje własnego wariantu, ale osobna pełna kopia modelu dla każdego zajmuje dużo pamięci.",
   "solves_en": "Each team needs its own variant, but keeping a full model copy for each consumes substantial memory.",
   "does": "System dobiera do zapytania mały adapter ze zmianami, pozostawiając wspólne ustawienia modelu w pamięci.",
   "does_en": "A system selects a small adaptation component for each request while keeping shared model parameters in memory.",
   "example": "Jeden serwer obsługuje odpowiedzi działu wsparcia i sklepu, wybierając odpowiedni adapter dla każdej rozmowy.",
   "example_en": "One server handles support and shop responses, selecting the appropriate adaptation component for each conversation.",
   "for_you": [
    "masz kilka dostrojonych wersji tego samego modelu",
    "chcesz współdzielić pamięć modelu bazowego"
   ],
   "for_you_en": [
    "have several adapted versions of the same model",
    "want to share base-model memory"
   ],
   "how": "Wspólne wagi bazowe pozostają załadowane, a identyfikator zapytania wskazuje dodawane projekcje niskorangowe. Harmonogram i kernele grupują lub łączą wykonanie różnych adapterów, zarządzając ich ładowaniem oraz pamięcią oddzielnie od bazy.",
   "how_en": "Shared base weights remain loaded while request identifiers select added low-rank projections. Schedulers and kernels group or combine execution across adapters, managing loading and memory separately from the base.",
   "limits": "Adaptery muszą pasować do wersji i modułów modelu bazowego. Wiele rang i aktywnych wariantów zwiększa narzut; pomylenie stanu lub identyfikatora może użyć niewłaściwego adaptera.",
   "limits_en": "Adapters must match base-model versions and modules. Varied ranks and active variants add overhead; mixed state or identifiers can select incorrect adapters.",
   "terms": [
    {
     "gloss": "Wybór dostrojonych parametrów osobno dla każdego zapytania.",
     "term": "adapter per request"
    },
    {
     "gloss": "Zbiór wariantów utrzymywanych lub ładowanych według potrzeb serwera.",
     "term": "pula adapterów"
    }
   ],
   "terms_en": [
    {
     "gloss": "Selecting fine-tuned parameters separately for each request.",
     "term": "per-request adapter"
    },
    {
     "gloss": "Variants retained or loaded according to server needs.",
     "term": "adapter pool"
    }
   ],
   "prereq": [
    "lora",
    "gpuprog"
   ],
   "keywords": [
    "S-LoRA",
    "per-request adapters",
    "adapter paging",
    "dynamic adapter loading",
    "mixed-adapter batching",
    "adapter memory pools"
   ],
   "source_ids": [
    "s-lora-2023",
    "vllm-lora-docs"
   ],
   "url": "https://aiatlasgraph.com/t/multilora",
   "markdown_url": "https://aiatlasgraph.com/t/multilora.md",
   "updated": "2026-10-30"
  },
  "multimodal": {
   "id": "multimodal",
   "parent_id": "modalities",
   "label": "Modele multimodalne",
   "canonical_name": "Multimodal models",
   "description": "Wspólne przetwarzanie kilku rodzajów danych.",
   "description_en": "Processing several kinds of data together.",
   "examples": "Vision-language · speech-language",
   "examples_en": "Vision-language · speech-language",
   "plain": "To modele, które w jednym miejscu rozumieją naraz tekst, obrazy, dźwięk albo wideo.",
   "plain_en": "These are models that understand text, images, sound or video together in one place.",
   "solves": "Świat nie składa się z samego tekstu, a osobne programy do zdjęć, mowy i pisma gubią to, co łączy te informacje.",
   "solves_en": "The world is not made of text alone, and separate tools for photos, speech and writing lose what links that information.",
   "does": "Zamienia obraz, dźwięk i słowa na wspólny zapis, dzięki czemu model może zestawić zdjęcie z pytaniem o nie.",
   "does_en": "It turns images, sound and words into one shared form, so the model can match a photo with a question about it.",
   "example": "Robisz zdjęcie wnętrza lodówki i pytasz, co ugotować na obiad, a asystent proponuje przepis z tego, co widać na półkach.",
   "example_en": "You photograph the inside of your fridge and ask what to cook, and the assistant suggests a recipe from what is on the shelves.",
   "for_you": [
    "pokazujesz modelowi zdjęcia, zrzuty ekranu lub nagrania",
    "chcesz rozmawiać z asystentem głosem i obrazem",
    "łączysz różne rodzaje danych w jednym zadaniu"
   ],
   "for_you_en": [
    "show a model photos, screenshots or recordings",
    "want to talk to an assistant with voice and images",
    "combine different kinds of data in one task"
   ],
   "how": "Enkodery mapują różne sygnały do reprezentacji, które łączy się przez wspólną przestrzeń, uwagę lub tokeny. Cele parowane i wielozadaniowe uczą zależności między modalnościami oraz dopasowanie odpowiedzi do dostępnych wejść.",
   "how_en": "Encoders map different signals to representations fused through shared spaces, attention or tokens. Paired and multitask objectives learn cross-modal relationships and align responses with available inputs.",
   "limits": "Brakujące lub sprzeczne modalności mogą zmieniać predykcję. Synchronizacja, koszt kodowania i nierówna jakość danych ograniczają fuzję; silniejszy kanał może przesłaniać pozostałe.",
   "limits_en": "Missing or conflicting modalities can change predictions. Synchronisation, encoding costs and uneven data quality limit fusion; stronger channels may overshadow others.",
   "terms": [
    {
     "gloss": "Dopasowanie reprezentacji sygnałów odnoszących się do tej samej treści.",
     "term": "alignment modalności"
    },
    {
     "gloss": "Uwaga wykorzystująca jedną reprezentację do wyboru informacji z innej.",
     "term": "cross-attention"
    }
   ],
   "terms_en": [
    {
     "gloss": "Aligning signal representations referring to the same content.",
     "term": "modality alignment"
    },
    {
     "gloss": "Attention using one representation to select information from another.",
     "term": "cross-attention"
    }
   ],
   "prereq": [
    "representations",
    "transformers"
   ],
   "keywords": [
    "cross-attention",
    "modality alignment",
    "early fusion",
    "late fusion",
    "Qwen3-Omni",
    "Flamingo",
    "visual grounding",
    "shared embedding space"
   ],
   "courses": [
    {
     "title": "Building Multimodal Search and RAG",
     "url": "https://www.deeplearning.ai/courses/building-multimodal-search-and-rag"
    }
   ],
   "source_ids": [
    "audio",
    "vision",
    "cs336",
    "dlai",
    "hf-vlms-explained-2024",
    "mllm-survey-yin-2023"
   ],
   "url": "https://aiatlasgraph.com/t/multimodal",
   "markdown_url": "https://aiatlasgraph.com/t/multimodal.md",
   "updated": "2026-10-30"
  },
  "multimodaldata": {
   "id": "multimodaldata",
   "parent_id": "data",
   "label": "Kuracja danych multimodalnych",
   "canonical_name": "Multimodal data curation",
   "aliases": [
    "image-text data curation",
    "video data curation",
    "kuracja danych obraz-tekst"
   ],
   "description": "Filtrowanie, segmentacja i (re)opisywanie danych obraz–tekst, wideo i mowy przed pretrainingiem modeli multimodalnych i generatywnych.",
   "description_en": "Filtering, segmenting and (re)captioning image–text, video and speech data before pretraining multimodal and generative models.",
   "plain": "Przesiewanie i opisywanie milionów zdjęć, filmów i nagrań, zanim posłużą do nauki modeli, które widzą i słyszą.",
   "plain_en": "Sifting and describing millions of photos, videos and recordings before they are used to teach models that see and hear.",
   "solves": "Materiały zebrane z internetu są pełne złych podpisów, nieruchomych ujęć i szumu, przez co model uczy się bałaganu.",
   "solves_en": "Material gathered from the web is full of wrong captions, static shots and noise, so the model learns the mess.",
   "does": "Działa jak montażysta z archiwum: tnie, ocenia, odrzuca słabe ujęcia i dopisuje porządne opisy do reszty.",
   "does_en": "It works like an archive film editor: cutting, rating, discarding weak shots and writing proper descriptions for the rest.",
   "example": "Generator obrazów lepiej trzyma się długiego polecenia, bo uczył się na zdjęciach z dokładnymi, a nie przypadkowymi podpisami.",
   "example_en": "An image generator follows a long request better because it learned from photos with accurate rather than random captions.",
   "for_you": [
    "budujesz zbiór zdjęć, filmów lub nagrań do trenowania",
    "dziwisz się, skąd modele obrazu biorą swoje nawyki",
    "porównujesz otwarte zbiory danych multimodalnych"
   ],
   "for_you_en": [
    "are building a photo, video or audio collection for training",
    "wonder where image models get their habits from",
    "compare open multimodal datasets"
   ],
   "how": "Pipeline łączy tanie sygnały: podobieństwo obraz–tekst z modelu kontrastowego, oceny estetyki, przepływ optyczny, OCR, jakość akustyczną i detekcję języka. Progi dobiera się eksperymentalnie, trenując małe modele na podzbiorach. Coraz częściej oryginalne podpisy zastępuje się syntetycznymi opisami z modeli wizja–język.",
   "how_en": "Pipelines combine cheap signals: image–text similarity from a contrastive model, aesthetic scores, optical flow, OCR, acoustic quality and language ID. Thresholds are chosen experimentally by training small models on subsets. Original captions are increasingly replaced with synthetic descriptions from vision-language models.",
   "limits": "Filtr oparty na istniejącym modelu dziedziczy jego uprzedzenia i może wycinać całe grupy treści. Każdy etap wymaga uruchomienia dużych modeli na miliardach próbek, a dobór progów jest kosztowny.",
   "limits_en": "A filter built on an existing model inherits its biases and can cut out whole groups of content. Every stage runs large models over billions of samples, and threshold tuning is expensive.",
   "terms": [
    {
     "gloss": "Miara, jak dobrze podpis pasuje do obrazu według modelu kontrastowego.",
     "term": "CLIP score"
    },
    {
     "gloss": "Surowy, nieprzefiltrowany zbiór par, z którego wybiera się dane.",
     "term": "pula kandydatów"
    },
    {
     "gloss": "Zastępowanie oryginalnych podpisów nowymi opisami wygenerowanymi przez model.",
     "term": "recaptioning"
    }
   ],
   "terms_en": [
    {
     "gloss": "How well a caption matches an image according to a contrastive model.",
     "term": "CLIP score"
    },
    {
     "gloss": "Raw, unfiltered collection of pairs from which training data is selected.",
     "term": "candidate pool"
    },
    {
     "gloss": "Replacing original captions with new model-generated descriptions.",
     "term": "recaptioning"
    }
   ],
   "prereq": [
    "clipcontrastive",
    "vlm"
   ],
   "keywords": [
    "DataComp",
    "LAION-5B",
    "CLIP score filtering",
    "recaptioning",
    "PySceneDetect",
    "optical flow filtering",
    "aesthetic predictor",
    "Emilia-Pipe",
    "DNSMOS",
    "video-text datasets",
    "data filtering networks"
   ],
   "source_ids": [
    "gadre-2023-datacomp",
    "li-2024-recap-datacomp",
    "blattmann-2023-svd",
    "he-2024-emilia"
   ],
   "url": "https://aiatlasgraph.com/t/multimodaldata",
   "markdown_url": "https://aiatlasgraph.com/t/multimodaldata.md",
   "updated": "2026-10-30"
  },
  "multiobjectiveevo": {
   "id": "multiobjectiveevo",
   "parent_id": "evoclassic",
   "label": "Ewolucyjna optymalizacja wielokryterialna (NSGA-II)",
   "canonical_name": "Evolutionary multi-objective optimisation (NSGA-II)",
   "aliases": [
    "EMO",
    "EMOA",
    "multi-objective optimization",
    "NSGA-II",
    "Pareto front",
    "optymalizacja wielokryterialna",
    "front Pareto"
   ],
   "description": "Algorytmy ewolucyjne aproksymujące front Pareto problemu z wieloma celami w jednym przebiegu, np. NSGA-II, NSGA-III i MOEA/D.",
   "description_en": "Evolutionary algorithms approximating the Pareto front of a multi-objective problem in one run, such as NSGA-II, NSGA-III and MOEA/D.",
   "plain": "Szukanie od razu całego zestawu kompromisów, gdy kilka celów ciągnie w różne strony.",
   "plain_en": "Finding a whole set of trade-offs at once when several goals pull in different directions.",
   "solves": "Chcesz taniej, szybciej i trwalej naraz, a poprawa jednego zawsze psuje coś innego.",
   "solves_en": "You want cheaper, faster and more durable at once, and improving one always hurts another.",
   "does": "Zamiast jednego zwycięzcy pokazuje menu najlepszych kompromisów: każdy wariant jest lepszy od innych w czymś, a wybór zostaje dla człowieka.",
   "does_en": "Instead of one winner it shows a menu of best compromises: each option beats others somewhere, and the choice stays with a person.",
   "example": "Projektant roweru dostaje zestaw ram: od najlżejszej, ale droższej, po najtańszą, ale cięższą, i wybiera tę, która pasuje do budżetu.",
   "example_en": "A bike designer gets a set of frames from the lightest but pricier to the cheapest but heavier, and picks one that fits the budget.",
   "for_you": [
    "ważysz koszt, jakość i czas jednocześnie",
    "chcesz zobaczyć wszystkie rozsądne kompromisy przed decyzją"
   ],
   "for_you_en": [
    "balance cost, quality and time together",
    "want to see all sensible trade-offs before deciding"
   ],
   "how": "NSGA-II sortuje populację na kolejne fronty niezdominowane, a gdy front trzeba przyciąć, preferuje rozwiązania o większej odległości zatłoczenia, by zachować rozproszenie. Selekcja turniejowa porównuje najpierw rangę frontu, potem tę odległość. Przy wielu celach stosuje się punkty referencyjne albo dekompozycję na podproblemy.",
   "how_en": "NSGA-II sorts the population into successive non-dominated fronts and, when a front must be cut, prefers solutions with larger crowding distance to keep spread. Tournament selection compares front rank first, then that distance. Many-objective variants use reference points or decomposition into subproblems.",
   "limits": "Przy więcej niż trzech celach prawie wszystkie rozwiązania stają się niezdominowane i selekcja słabnie. Front trzeba jeszcze zinterpretować i wybrać z niego wariant, a każda ocena wielu celów zwiększa koszt.",
   "limits_en": "With more than three objectives nearly all solutions become non-dominated and selection weakens. The front still needs interpreting and a choice, and evaluating many objectives raises cost.",
   "terms": [
    {
     "gloss": "Rozwiązanie nie gorsze w żadnym celu i lepsze w co najmniej jednym.",
     "term": "dominacja Pareto"
    },
    {
     "gloss": "Miara, jak gęsto są otoczone rozwiązania na froncie.",
     "term": "odległość zatłoczenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A solution no worse on any goal and better on at least one.",
     "term": "Pareto dominance"
    },
    {
     "gloss": "How densely a solution is surrounded on the front.",
     "term": "crowding distance"
    }
   ],
   "prereq": [
    "geneticalgorithms"
   ],
   "keywords": [
    "NSGA-II",
    "NSGA-III",
    "MOEA/D",
    "SPEA2",
    "SMS-EMOA",
    "hypervolume",
    "ZDT benchmark",
    "pymoo"
   ],
   "source_ids": [
    "gecco2026tracks",
    "pymoo-nsga2"
   ],
   "url": "https://aiatlasgraph.com/t/multiobjectiveevo",
   "markdown_url": "https://aiatlasgraph.com/t/multiobjectiveevo.md",
   "updated": "2026-10-30"
  },
  "multirobot": {
   "id": "multirobot",
   "parent_id": "robotics",
   "label": "Floty i zespoły robotów",
   "canonical_name": "Multi-robot systems and fleet coordination",
   "aliases": [
    "multi-robot systems",
    "robot fleets",
    "multi-robot coordination",
    "systemy wielorobotowe",
    "floty robotów",
    "koordynacja wielu robotów"
   ],
   "description": "Koordynacja wielu robotów: przydział zadań, planowanie bezkolizyjnych tras wielu agentów, sterowanie formacją i roje oraz zarządzanie flotą.",
   "description_en": "Coordinating many robots: task allocation, collision-free multi-agent path planning, formation control and swarms, and fleet management.",
   "plain": "Wiele robotów pracuje razem: dzieli się zadaniami, uzgadnia trasy i nie wchodzi sobie w drogę.",
   "plain_en": "Many robots working together: sharing out tasks, agreeing on routes and staying out of each other's way.",
   "solves": "Gdy w hali jeździ sto wózków, każdy z osobna może działać dobrze, a razem korkują się i dublują pracę.",
   "solves_en": "With a hundred carts in a hall, each may work fine alone, yet together they jam up and duplicate work.",
   "does": "Pełni rolę dyspozytora i kontrolera ruchu: przydziela roboty do zadań i układa im trasy tak, by się nie zderzały.",
   "does_en": "It plays dispatcher and traffic controller: assigning robots to jobs and laying out routes so they do not collide.",
   "example": "W centrum logistycznym setki małych robotów przywożą regały do stanowisk pakowania i mijają się na skrzyżowaniach bez zatrzymywania.",
   "example_en": "In a fulfilment centre hundreds of small robots bring shelves to packing stations and pass each other at junctions without stopping.",
   "for_you": [
    "planujesz automatyzację magazynu wieloma robotami",
    "zastanawiasz się, jak koordynować wiele dronów naraz",
    "łączysz optymalizację z robotyką"
   ],
   "for_you_en": [
    "plan warehouse automation with many robots",
    "wonder how to coordinate many drones at once",
    "combine optimisation with robotics"
   ],
   "how": "Decyzje zapadają centralnie, gdy planista zna stan całej floty, albo rozproszenie, gdy roboty negocjują lokalnie, np. aukcjami lub komunikacją z sąsiadami. Typowy podział to przydział zadań, planowanie tras bez konfliktów i wykonanie z korektą opóźnień. Coraz częściej używa się RL wieloagentowego i modeli językowych do rozdzielania poleceń.",
   "how_en": "Decisions are made centrally when a planner knows the whole fleet's state, or in a distributed way when robots negotiate locally, e.g. via auctions or neighbour communication. A typical split is task allocation, conflict-free path planning and execution with delay correction. Multi-agent RL and language models are increasingly used to distribute commands.",
   "limits": "Liczba kombinacji rośnie lawinowo z liczbą robotów, więc duże floty wymagają przybliżeń. Opóźnienia i awarie pojedynczych robotów rozbijają plan. Metody uczone testuje się zwykle na znacznie mniejszych flotach niż klasyczne.",
   "limits_en": "The number of combinations explodes with fleet size, so large fleets need approximations. Delays and individual robot failures break the plan. Learned methods are usually tested on much smaller fleets than classical ones.",
   "terms": [
    {
     "gloss": "Decyzja, który robot wykona które zlecenie.",
     "term": "przydział zadań"
    },
    {
     "gloss": "Każdy robot decyduje sam, znając tylko najbliższe otoczenie.",
     "term": "sterowanie rozproszone"
    },
    {
     "gloss": "Utrzymywanie przez roboty ustalonego układu względem siebie.",
     "term": "formacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Deciding which robot does which job.",
     "term": "task allocation"
    },
    {
     "gloss": "Each robot decides alone, knowing only its neighbourhood.",
     "term": "decentralised control"
    },
    {
     "gloss": "Robots keeping an agreed layout relative to each other.",
     "term": "formation"
    }
   ],
   "prereq": [
    "marl"
   ],
   "keywords": [
    "multi-robot task allocation",
    "MAPF",
    "conflict-based search",
    "market-based coordination",
    "formation control",
    "swarm robotics",
    "multi-agent reinforcement learning",
    "fleet management",
    "Open-RMF",
    "LLM multi-robot"
   ],
   "source_ids": [
    "llm-multirobot-survey-2025",
    "mrta-fleets-review-2025",
    "mapf-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/multirobot",
   "markdown_url": "https://aiatlasgraph.com/t/multirobot.md",
   "updated": "2026-10-30"
  },
  "multitask": {
   "id": "multitask",
   "parent_id": "ml",
   "label": "Uczenie wielozadaniowe",
   "canonical_name": "Multi-task learning",
   "aliases": [
    "MTL",
    "multitask learning",
    "uczenie wielu zadań"
   ],
   "description": "Wspólny trening na kilku zadaniach ze współdzieloną reprezentacją, działający jak regularyzacja i transfer wiedzy między zadaniami.",
   "description_en": "Joint training on several tasks with a shared representation, acting as regularisation and knowledge transfer between tasks.",
   "plain": "Jeden model uczy się kilku powiązanych zadań naraz i korzysta z tego, co mają wspólnego.",
   "plain_en": "One model learns several related tasks at once and benefits from what they share.",
   "solves": "Osobny model do każdego drobnego zadania kosztuje więcej, a każdy z nich widzi tylko część danych.",
   "solves_en": "A separate model for every small job costs more, and each one sees only part of the data.",
   "does": "Jak kucharz uczący się jednocześnie krojenia i smażenia: wspólne wyczucie produktów pomaga w obu umiejętnościach.",
   "does_en": "Like a cook learning to chop and to fry at the same time: a shared feel for ingredients helps with both.",
   "example": "Asystent poczty jednym modelem rozpoznaje temat wiadomości, jej pilność i to, czy trzeba na nią odpowiedzieć.",
   "example_en": "An email assistant uses one model to spot a message's topic, its urgency and whether it needs a reply.",
   "for_you": [
    "masz kilka powiązanych rzeczy do przewidzenia z tych samych danych",
    "jedno zadanie ma mało danych, a pokrewne dużo"
   ],
   "for_you_en": [
    "need to predict several related things from the same data",
    "one task has little data but a related one has plenty"
   ],
   "how": "Najczęściej stosuje się twarde współdzielenie parametrów: wspólny enkoder i osobne głowice zadań, trenowane sumą ważonych strat. Miękkie współdzielenie trzyma osobne modele, ale karze różnice ich wag. Zadania pomocnicze dodaje się celowo, by poprawić zadanie główne.",
   "how_en": "The most common setup is hard parameter sharing: a shared encoder with task-specific heads, trained on a weighted sum of losses. Soft sharing keeps separate models but penalises differences between their weights. Auxiliary tasks are added on purpose to improve the main task.",
   "limits": "Zadania mogą sobie szkodzić (negatywny transfer), a dobór wag strat jest trudny i mocno wpływa na wynik. Konflikty gradientów rosną, gdy zadania są słabo powiązane.",
   "limits_en": "Tasks can hurt each other (negative transfer), and choosing loss weights is hard and strongly affects results. Gradient conflicts grow when tasks are only loosely related.",
   "terms": [
    {
     "gloss": "Wspólne warstwy dla wszystkich zadań i osobne wyjścia.",
     "term": "twarde współdzielenie parametrów"
    },
    {
     "gloss": "Sytuacja, w której wspólna nauka pogarsza wynik któregoś zadania.",
     "term": "negatywny transfer"
    },
    {
     "gloss": "Dodatkowe zadanie trenowane tylko po to, by pomóc głównemu.",
     "term": "zadanie pomocnicze"
    }
   ],
   "terms_en": [
    {
     "gloss": "Shared layers for all tasks with separate outputs.",
     "term": "hard parameter sharing"
    },
    {
     "gloss": "When joint learning makes one of the tasks worse.",
     "term": "negative transfer"
    },
    {
     "gloss": "An extra task trained only to help the main one.",
     "term": "auxiliary task"
    }
   ],
   "prereq": [
    "lossfunctions"
   ],
   "keywords": [
    "hard parameter sharing",
    "soft parameter sharing",
    "auxiliary tasks",
    "negative transfer",
    "GradNorm",
    "uncertainty weighting",
    "PCGrad",
    "multi-head model"
   ],
   "source_ids": [
    "ruder-mtl-2017"
   ],
   "url": "https://aiatlasgraph.com/t/multitask",
   "markdown_url": "https://aiatlasgraph.com/t/multitask.md",
   "updated": "2026-10-30"
  },
  "multitoken": {
   "id": "multitoken",
   "parent_id": "pretraining",
   "label": "Przewidywanie wielu tokenów naraz (multi-token prediction)",
   "canonical_name": "Multi-token prediction",
   "aliases": [
    "multi-token prediction",
    "MTP",
    "predykcja wielu tokenów",
    "n-token prediction"
   ],
   "description": "Pomocniczy cel pretrainingu: z każdej pozycji model przewiduje kilka kolejnych tokenów osobnymi głowicami.",
   "description_en": "An auxiliary pretraining objective: from each position the model predicts several upcoming tokens with separate heads.",
   "plain": "Trening, w którym model zgaduje nie tylko następne słowo, ale od razu kilka kolejnych, co uczy go patrzeć dalej do przodu.",
   "plain_en": "Training in which the model guesses not just the next word but several at once, teaching it to look further ahead.",
   "solves": "Przewidywanie jednego słowa naraz uczy krótkowzroczności i każe generować tekst powoli, słowo po słowie.",
   "solves_en": "Predicting one word at a time encourages short-sightedness and forces slow, word-by-word generation.",
   "does": "Jak kierowca, który patrzy kilka samochodów przed siebie, a nie tylko na zderzak tego tuż przed nim.",
   "does_en": "Like a driver who watches several cars ahead rather than just the bumper in front.",
   "example": "Podpowiadacz w edytorze kodu szybciej proponuje całe linijki, bo model przewiduje kilka elementów naprzód jednocześnie.",
   "example_en": "A code editor's autocomplete suggests whole lines faster because the model predicts several pieces ahead at once.",
   "for_you": [
    "ciekawi cię, czym nowsze modele różnią się od starszych",
    "zależy ci na szybszym generowaniu tekstu"
   ],
   "for_you_en": [
    "wonder how newer models differ from older ones",
    "care about faster text generation"
   ],
   "how": "Na wspólnym trzonie sieci umieszcza się n głowic wyjściowych; k-ta przewiduje token na pozycji t+k, a straty się sumuje. Po treningu dodatkowe głowice można pominąć albo użyć do samospekulatywnego dekodowania, przyspieszając inferencję.",
   "how_en": "n output heads sit on a shared trunk; head k predicts the token at position t+k, and the losses are summed. After training the extra heads can be dropped or used for self-speculative decoding to speed up inference.",
   "limits": "Korzyści raportowano głównie dla dużych modeli i kodu; w małych modelach bywają słabe lub ujemne. Dodatkowe głowice zwiększają pamięć w treningu, a liczba przewidywanych tokenów to kolejny hiperparametr.",
   "limits_en": "Gains were reported mainly for large models and code; in small models they can be weak or negative. Extra heads add training memory, and the number of predicted tokens is another hyperparameter.",
   "terms": [
    {
     "gloss": "Końcowa warstwa zamieniająca stan modelu na rozkład nad tokenami.",
     "term": "głowica wyjściowa"
    },
    {
     "gloss": "Model sam proponuje kilka tokenów i sam je sprawdza w jednym kroku.",
     "term": "samospekulatywne dekodowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A final layer turning the model's state into a distribution over tokens.",
     "term": "output head"
    },
    {
     "gloss": "The model drafts several tokens and verifies them itself in one step.",
     "term": "self-speculative decoding"
    }
   ],
   "prereq": [
    "nexttoken",
    "lossfunctions"
   ],
   "keywords": [
    "MTP",
    "auxiliary loss",
    "self-speculative decoding",
    "Medusa heads",
    "DeepSeek-V3 MTP",
    "sample efficiency"
   ],
   "source_ids": [
    "gloeckle-2024-mtp"
   ],
   "url": "https://aiatlasgraph.com/t/multitoken",
   "markdown_url": "https://aiatlasgraph.com/t/multitoken.md",
   "updated": "2026-10-30"
  },
  "mup": {
   "id": "mup",
   "parent_id": "optimization",
   "label": "Przenoszenie hiperparametrów z małego modelu na duży (μP)",
   "canonical_name": "Maximal update parametrization (μP) and hyperparameter transfer",
   "aliases": [
    "muP",
    "μP",
    "maximal update parametrization",
    "parametryzacja maksymalnej aktualizacji"
   ],
   "description": "Parametryzacja sieci, przy której optymalne hiperparametry stroi się na małym modelu i przenosi bez zmian na duży.",
   "description_en": "A network parametrisation under which optimal hyperparameters are tuned on a small model and transferred unchanged to a large one.",
   "plain": "Metoda pozwalająca dobrać ustawienia nauki na małej, taniej wersji modelu i od razu użyć ich w dużej.",
   "plain_en": "A method for choosing training settings on a small, cheap version of a model and using them straight away on the big one.",
   "solves": "Testowanie ustawień treningu na dużym modelu jest tak drogie, że prawie nikogo nie stać na wiele prób.",
   "solves_en": "Testing training settings on a large model is so expensive that almost nobody can afford many attempts.",
   "does": "Jak próbna degustacja z małego garnka: przy dobrze przeliczonych proporcjach przepis sprawdzi się też w kotle na wesele.",
   "does_en": "Like a test tasting from a small pot: with properly scaled proportions, the recipe also works in a wedding-sized cauldron.",
   "example": "Laboratorium w jeden dzień sprawdza dziesiątki ustawień na malutkich modelach, a potem trenuje duży model raz, od razu dobrze.",
   "example_en": "A lab tries dozens of settings on tiny models in one day, then trains the big model once and gets it right.",
   "for_you": [
    "planujesz trenować modele od zera",
    "ciekawi cię, jak duże laboratoria oszczędzają na eksperymentach"
   ],
   "for_you_en": [
    "plan to train models from scratch",
    "wonder how large labs save on experiments"
   ],
   "how": "μP określa, jak skalować inicjalizację, mnożniki wyjść i learning rate poszczególnych warstw wraz z szerokością sieci, by wielkość aktualizacji cech pozostawała stała. Wtedy optimum hiperparametrów jest stabilne względem szerokości: stroi się mały model zastępczy i przenosi wyniki (μTransfer).",
   "how_en": "μP specifies how initialisation, output multipliers and per-layer learning rates scale with network width so that feature updates stay a constant size. The hyperparameter optimum then stays stable across width: a small proxy model is tuned and the results transferred (μTransfer).",
   "limits": "Gwarancje dotyczą głównie skalowania szerokości; transfer przy zmianie głębokości, długości treningu czy batcha wymaga rozszerzeń. Trzeba zmienić kod modelu, a nie wszystkie hiperparametry, np. regularyzacja, przenoszą się dobrze.",
   "limits_en": "Guarantees mainly cover width scaling; transfer across depth, training length or batch size needs extensions. Model code must change, and not every hyperparameter, e.g. regularisation, transfers well.",
   "terms": [
    {
     "gloss": "Reguły, jak skalować wagi i kroki nauki wraz z rozmiarem sieci.",
     "term": "parametryzacja"
    },
    {
     "gloss": "Mała wersja modelu używana do tanich eksperymentów.",
     "term": "model zastępczy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Rules for scaling weights and learning steps with network size.",
     "term": "parametrisation"
    },
    {
     "gloss": "A small version of a model used for cheap experiments.",
     "term": "proxy model"
    }
   ],
   "prereq": [
    "hptuning",
    "scalinglaws"
   ],
   "keywords": [
    "muP",
    "muTransfer",
    "μTransfer",
    "Tensor Programs",
    "width scaling",
    "u-muP",
    "CompleteP",
    "hyperparameter transfer",
    "mup library"
   ],
   "source_ids": [
    "yang-2022-mup"
   ],
   "url": "https://aiatlasgraph.com/t/mup",
   "markdown_url": "https://aiatlasgraph.com/t/mup.md",
   "updated": "2026-10-30"
  },
  "musicseparation": {
   "id": "musicseparation",
   "parent_id": "audio",
   "label": "Rozdzielanie wokalu i instrumentów",
   "canonical_name": "Music source separation",
   "aliases": [
    "source separation",
    "music demixing",
    "stem separation",
    "separacja źródeł",
    "separacja muzyki"
   ],
   "description": "To rozdzielanie gotowego nagrania muzycznego na osobne części dźwiękowe.",
   "description_en": "This splits a finished music recording into separate sound parts.",
   "plain": "To rozdzielanie gotowego nagrania muzycznego na osobne części dźwiękowe.",
   "plain_en": "This splits a finished music recording into separate sound parts.",
   "solves": "Masz tylko wspólne nagranie, a potrzebujesz osobno usłyszeć śpiew lub akompaniament.",
   "solves_en": "You only have the mixed recording but need to hear the singing or accompaniment separately.",
   "does": "Próbuje rozplątać dźwięki jak splot kilku nici i ułożyć każdą na osobnej ścieżce.",
   "does_en": "It tries to untangle sounds like intertwined threads and place each on a separate track.",
   "example": "Wydzielasz wokal z nagrania, żeby dokładniej przeanalizować wykonanie.",
   "example_en": "You isolate vocals from a recording to analyse the performance more closely.",
   "for_you": [
    "analizujesz aranżacje muzyczne",
    "potrzebujesz roboczych ścieżek z gotowego nagrania"
   ],
   "for_you_en": [
    "analyse musical arrangements",
    "need working tracks from a finished recording"
   ],
   "how": "Sieć estymuje składowe miksu na podstawie przebiegu fali, spektrogramu lub obu reprezentacji. Hybrid Transformer Demucs wymienia informacje między domeną czasową i widmową przez attention.",
   "how_en": "A network estimates mixture components from the waveform, a spectrogram or both. Hybrid Transformer Demucs exchanges information between time and spectral domains through attention.",
   "limits": "Ścieżki są oszacowaniem, nie oryginalnymi nagraniami studyjnymi. Mogą zawierać przesłuchy i artefakty, a obsługiwane źródła zależą od modelu.",
   "limits_en": "Tracks are estimates, not original studio recordings. They may contain leakage and artifacts, and supported sources depend on the model.",
   "terms": [
    {
     "gloss": "Osobna ścieżka jednego instrumentu lub wokalu wydzielona z miksu.",
     "term": "stem"
    },
    {
     "gloss": "Obraz dźwięku: które częstotliwości brzmią w której chwili.",
     "term": "spektrogram"
    },
    {
     "gloss": "Miara jakości separacji: stosunek sygnału do zniekształceń.",
     "term": "SDR"
    }
   ],
   "terms_en": [
    {
     "gloss": "A separate track of one instrument or vocal taken from the mix.",
     "term": "stem"
    },
    {
     "gloss": "A picture of sound: which frequencies sound at which moment.",
     "term": "spectrogram"
    },
    {
     "gloss": "Separation quality measure: signal-to-distortion ratio.",
     "term": "SDR"
    }
   ],
   "prereq": [
    "cnnarchs",
    "selfattention"
   ],
   "keywords": [
    "HT Demucs",
    "Hybrid Demucs",
    "MUSDB18",
    "SDR"
   ],
   "source_ids": [
    "rouard-htdemucs-2022"
   ],
   "url": "https://aiatlasgraph.com/t/musicseparation",
   "markdown_url": "https://aiatlasgraph.com/t/musicseparation.md",
   "updated": "2026-10-30"
  },
  "musictranscription": {
   "id": "musictranscription",
   "parent_id": "audio",
   "label": "Automatyczny zapis nut z nagrania",
   "canonical_name": "Automatic music transcription",
   "aliases": [
    "AMT",
    "music transcription",
    "polyphonic note transcription",
    "transkrypcja muzyki",
    "audio to MIDI"
   ],
   "description": "To rozpoznawanie wysokości i czasu trwania nut słyszanych w nagraniu.",
   "description_en": "This identifies the pitch and duration of notes heard in a recording.",
   "plain": "To rozpoznawanie wysokości i czasu trwania nut słyszanych w nagraniu.",
   "plain_en": "This identifies the pitch and duration of notes heard in a recording.",
   "solves": "Przepisanie melodii lub akordów ze słuchu jest czasochłonne.",
   "solves_en": "Writing down a melody or chords by ear takes time.",
   "does": "Tworzy roboczy szkic nut, podobnie jak ktoś spisujący melodię podczas słuchania.",
   "does_en": "It creates a rough note sketch, like someone writing down a melody while listening.",
   "example": "Nagrywasz krótką melodię i otrzymujesz zapis nut do poprawienia w edytorze.",
   "example_en": "You record a short melody and obtain notes to refine in an editor.",
   "for_you": [
    "zapisujesz pomysły muzyczne",
    "analizujesz nuty w nagraniach"
   ],
   "for_you_en": [
    "write down musical ideas",
    "analyse notes in recordings"
   ],
   "how": "Model estymuje wysokości dźwięków oraz początki i aktywność nut w kolejnych ramkach. Basic Pitch uczy te wyjścia wspólnie i obsługuje wiele równoczesnych wysokości.",
   "how_en": "A model estimates pitches, note onsets and note activity over successive frames. Basic Pitch learns these outputs jointly and supports simultaneous pitches.",
   "limits": "Wynik wymaga korekty, zwłaszcza w gęstych miksach. Rozpoznanie nut nie daje automatycznie kompletnej partytury z poprawną notacją rytmiczną.",
   "limits_en": "Results need correction, especially in dense mixtures. Recognising notes does not automatically produce a complete score with correct rhythmic notation.",
   "terms": [
    {
     "gloss": "Jak wysoko brzmi nuta; zależy od częstotliwości podstawowej.",
     "term": "wysokość dźwięku"
    },
    {
     "gloss": "Moment rozpoczęcia nuty.",
     "term": "onset"
    },
    {
     "gloss": "Format zapisu nut jako zdarzeń: która nuta, kiedy i jak głośno.",
     "term": "MIDI"
    }
   ],
   "terms_en": [
    {
     "gloss": "How high a note sounds; set by its fundamental frequency.",
     "term": "pitch"
    },
    {
     "gloss": "The moment a note begins.",
     "term": "onset"
    },
    {
     "gloss": "A format storing notes as events: which note, when and how loud.",
     "term": "MIDI"
    }
   ],
   "prereq": [
    "convpool"
   ],
   "keywords": [
    "Basic Pitch",
    "multipitch estimation",
    "note onset detection",
    "MIDI"
   ],
   "source_ids": [
    "bittner-basicpitch-2022"
   ],
   "url": "https://aiatlasgraph.com/t/musictranscription",
   "markdown_url": "https://aiatlasgraph.com/t/musictranscription.md",
   "updated": "2026-10-30"
  },
  "naivebayes": {
   "id": "naivebayes",
   "parent_id": "supervised",
   "label": "Naiwny klasyfikator Bayesa",
   "canonical_name": "Naive Bayes classifiers",
   "description": "Klasyfikator probabilistyczny z twierdzenia Bayesa przy uproszczeniu, że cechy są od siebie niezależne. Szybki punkt odniesienia, klasycznie dla tekstu (np. filtr spamu).",
   "description_en": "A probabilistic classifier built on Bayes' theorem with the simplifying assumption that features are independent. A fast baseline, classically for text (e.g. spam filtering).",
   "examples": "filtr spamu · wariant gaussowski i wielomianowy",
   "examples_en": "spam filter · Gaussian and multinomial variants",
   "plain": "To przewidywanie kategorii na podstawie szans występowania poszczególnych cech.",
   "plain_en": "This predicts a category using the chances of individual features occurring.",
   "solves": "Potrzebujesz prostego sposobu porządkowania wielu przykładów, takich jak wiadomości zawierające różne słowa.",
   "solves_en": "You need a simple way to sort many examples, such as messages containing different words.",
   "does": "Łączy szanse cech dla każdej kategorii, upraszczając obliczenia założeniem, że przy znanej kategorii cechy są niezależne.",
   "does_en": "It combines feature probabilities for each category, simplifying calculations by assuming features are independent when the category is known.",
   "example": "Filtr poczty porównuje słowa wiadomości z wcześniejszymi przykładami i ocenia, czy wiadomość przypomina niechcianą reklamę.",
   "example_en": "An email filter compares a message's words with earlier examples and assesses whether it resembles unwanted advertising.",
   "for_you": [
    "porządkujesz przykłady według wcześniej znanych kategorii",
    "chcesz prostego modelu do porównania wyników"
   ],
   "for_you_en": [
    "sort examples into previously known categories",
    "want a simple model for comparing results"
   ],
   "how": "Model estymuje częstości klas i rozkłady poszczególnych cech warunkowane klasą. Założenie warunkowej niezależności pozwala mnożyć te sygnały, a reguła Bayesa przelicza je na oceny klas.",
   "how_en": "The model estimates class frequencies and individual-feature distributions conditioned on classes. Conditional independence allows these signals to be multiplied, and Bayes' rule converts them into class scores.",
   "limits": "Zależne cechy mogą wielokrotnie liczyć ten sam dowód. Niewłaściwy rozkład cech i brak wygładzania pogarszają predykcje; poprawna klasyfikacja nie gwarantuje dobrej kalibracji.",
   "limits_en": "Dependent features can count the same evidence repeatedly. Unsuitable feature distributions and missing smoothing harm predictions; correct classification does not guarantee good calibration.",
   "terms": [
    {
     "gloss": "Niezależność cech przy ustalonej wartości zmiennej warunkującej, tutaj klasy.",
     "term": "niezależność warunkowa"
    },
    {
     "gloss": "Dodanie regularizacji do częstości, by ograniczyć problemy niewidzianych zdarzeń.",
     "term": "wygładzanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Feature independence given a conditioning variable, here the class.",
     "term": "conditional independence"
    },
    {
     "gloss": "Regularising frequency estimates to reduce problems with unseen events.",
     "term": "smoothing"
    }
   ],
   "prereq": [
    "bayesinference",
    "distributions"
   ],
   "keywords": [
    "GaussianNB",
    "MultinomialNB",
    "BernoulliNB",
    "conditional independence",
    "Laplace smoothing"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "cs229-summer-2026"
   ],
   "url": "https://aiatlasgraph.com/t/naivebayes",
   "markdown_url": "https://aiatlasgraph.com/t/naivebayes.md",
   "updated": "2026-10-30"
  },
  "narrativegen": {
   "id": "narrativegen",
   "parent_id": "pcg",
   "label": "Interaktywna fabuła i reżyser historii",
   "canonical_name": "Interactive narrative and drama management",
   "aliases": [
    "interactive narrative",
    "drama management",
    "experience management",
    "interactive storytelling",
    "interaktywna narracja",
    "zarządzanie dramaturgią",
    "zarządzanie doświadczeniem"
   ],
   "description": "Systemy, w których menedżer doświadczenia śledzi działania gracza i steruje zdarzeniami oraz postaciami, by godzić sprawczość gracza ze spójnością fabuły.",
   "description_en": "Systems in which an experience manager tracks player actions and steers events and characters to reconcile player agency with plot coherence.",
   "plain": "Niewidoczny reżyser w grze dopasowuje dalszy ciąg historii do decyzji gracza, tak żeby opowieść wciąż miała sens.",
   "plain_en": "An invisible director in the game adapts the rest of the story to the player's choices so the tale still makes sense.",
   "solves": "Gracze chcą wpływać na historię, ale ręczne napisanie każdej możliwej odnogi fabuły szybko staje się niewykonalne.",
   "solves_en": "Players want to shape the story, but hand-writing every possible plot branch quickly becomes impossible.",
   "does": "Jak mistrz gry przy stole: patrzy, co robią gracze, i po cichu podsuwa wydarzenia, by opowieść szła w dobrą stronę.",
   "does_en": "Like a tabletop game master: it watches what players do and quietly slips in events to keep the story on course.",
   "example": "W grze o zombie, gdy drużyna radzi sobie zbyt łatwo, reżyser dorzuca hordę i przenosi zapasy, a gdy ledwo żyje, daje chwilę oddechu.",
   "example_en": "In a zombie game, when the team has it too easy the director sends a horde and moves supplies; when they barely survive, it grants a breather.",
   "for_you": [
    "piszesz grę z wyborami i rozgałęzioną fabułą",
    "chcesz, by system prowadził sesję jak narrator",
    "projektujesz symulacje szkoleniowe ze scenariuszem"
   ],
   "for_you_en": [
    "write a game with choices and a branching plot",
    "want a system to run a session like a narrator",
    "design training simulations with a scenario"
   ],
   "how": "Autor opisuje zdarzenia fabuły z zależnościami albo domenę możliwych akcji. Menedżer przewiduje możliwe dalsze przebiegi za pomocą przeszukiwania lub planowania, ocenia je według kryteriów autora i steruje zdarzeniami bądź postaciami.",
   "how_en": "The author describes plot events with dependencies, or a domain of possible actions. The manager anticipates possible continuations through search or planning, evaluates them by the author's criteria, and directs events or characters.",
   "limits": "Istnieje stałe napięcie między swobodą gracza a spójną historią. Zapisanie wiedzy o fabule wymaga eksperckiej pracy, a system musi reagować także na działania gracza, których autor nie przewidział.",
   "limits_en": "There is a constant tension between player freedom and a coherent story. Encoding plot knowledge takes expert work, and the system must also respond to player actions the author did not anticipate.",
   "terms": [
    {
     "gloss": "Ukryty agent, który kieruje wydarzeniami, by historia miała sens.",
     "term": "menedżer dramaturgii"
    },
    {
     "gloss": "Poczucie, że decyzje gracza naprawdę zmieniają przebieg historii.",
     "term": "sprawczość gracza"
    },
    {
     "gloss": "Historia wyłaniająca się z niezależnych działań postaci, bez scenariusza.",
     "term": "narracja emergentna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A hidden agent directing events so the story makes sense.",
     "term": "drama manager"
    },
    {
     "gloss": "The sense that the player's choices truly change the story.",
     "term": "player agency"
    },
    {
     "gloss": "A story arising from characters' independent actions, without a script.",
     "term": "emergent narrative"
    }
   ],
   "prereq": [
    "classicalplanning"
   ],
   "keywords": [
    "drama manager",
    "experience management",
    "Facade",
    "AI Director",
    "plot graphs",
    "narrative planning",
    "Automated Story Director",
    "LLM storytelling",
    "branching narrative"
   ],
   "source_ids": [
    "riedl-bulitko-interactive-narrative-2013"
   ],
   "url": "https://aiatlasgraph.com/t/narrativegen",
   "markdown_url": "https://aiatlasgraph.com/t/narrativegen.md",
   "updated": "2026-10-30"
  },
  "nashequilibria": {
   "id": "nashequilibria",
   "parent_id": "gametheory",
   "label": "Równowaga Nasha i rozwiązywanie gier",
   "canonical_name": "Nash equilibrium and solving games",
   "aliases": [
    "Nash equilibrium",
    "Nash equilibria",
    "równowaga Nasha",
    "równowagi Nasha",
    "equilibrium computation"
   ],
   "description": "Koncepcja rozwiązania gry: profil strategii, w którym strategia każdego gracza jest najlepszą odpowiedzią na strategie pozostałych.",
   "description_en": "Game solution concept: a strategy profile in which each player's strategy is a best response to the others'.",
   "plain": "Stan gry, w którym żaden uczestnik nie zyska, zmieniając tylko swoją decyzję, gdy inni trzymają się swoich.",
   "plain_en": "A game state in which no participant gains by changing only their own choice while others stick to theirs.",
   "solves": "Gdy wynik zależy od cudzych ruchów, trudno powiedzieć, co jest rozsądnym wyborem i jak zachowają się pozostali.",
   "solves_en": "When results depend on others' moves, it is hard to say what a sensible choice is and how others will behave.",
   "does": "Szuka punktu spoczynku, jak kulka w dolince: każdy, kto spróbuje się z niego ruszyć sam, wychodzi na tym gorzej.",
   "does_en": "It looks for a resting point, like a ball in a dip: anyone who tries to move away alone ends up worse off.",
   "example": "Dwie kawiarnie na jednej ulicy ustawiają ceny tak, że żadnej nie opłaca się samej obniżyć ani podnieść cen.",
   "example_en": "Two cafés on one street settle on prices where neither gains by cutting or raising its prices alone.",
   "for_you": [
    "budujesz agenta grającego przeciw ludziom lub programom",
    "analizujesz konkurencję na rynku",
    "trenujesz kilka modeli, które ze sobą rywalizują"
   ],
   "for_you_en": [
    "build an agent that plays against people or programs",
    "analyse competition in a market",
    "train several models that compete with each other"
   ],
   "how": "Każda skończona gra ma co najmniej jedną równowagę Nasha w strategiach mieszanych. W grach dwuosobowych o sumie zerowej równowagę można wyznaczyć przez programowanie liniowe dzięki twierdzeniu minimaksowemu; dla ogólnych gier obliczenia są trudniejsze. Minimalizacja żalu prowadzi do równowag skorelowanych lub grubo skorelowanych, a fikcyjna gra zbiega tylko w wybranych klasach gier.",
   "how_en": "Every finite game has at least one Nash equilibrium in mixed strategies. In two-player zero-sum games, the minimax theorem permits computation by linear programming; general games are harder. Regret minimisation approaches correlated or coarse-correlated equilibria, while fictitious play converges only for selected game classes.",
   "limits": "Gra może mieć wiele równowag, a teoria nie mówi, którą wybiorą gracze. Równowaga nie musi być dobra dla wszystkich, jak w dylemacie więźnia, a ludzie często od niej odchodzą.",
   "limits_en": "A game may have many equilibria and theory does not say which players will choose. An equilibrium need not be good for all, as in the prisoner's dilemma, and people often deviate from it.",
   "terms": [
    {
     "gloss": "Strategia dająca najwyższą wypłatę przy ustalonych ruchach innych.",
     "term": "najlepsza odpowiedź"
    },
    {
     "gloss": "Zysk jednego gracza jest dokładnie stratą drugiego.",
     "term": "gra o sumie zerowej"
    },
    {
     "gloss": "Uczenie przez porównywanie z najlepszą strategią, którą można było zagrać.",
     "term": "minimalizacja żalu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Strategy giving the highest payoff given others' fixed moves.",
     "term": "best response"
    },
    {
     "gloss": "One player's gain is exactly the other's loss.",
     "term": "zero-sum game"
    },
    {
     "gloss": "Learning by comparing with the best strategy one could have played.",
     "term": "regret minimisation"
    }
   ],
   "prereq": [
    "adversarialsearch"
   ],
   "keywords": [
    "mixed strategies",
    "minimax theorem",
    "best response",
    "fictitious play",
    "regret minimization",
    "correlated equilibrium",
    "PPAD",
    "prisoner's dilemma",
    "Stackelberg equilibrium",
    "OpenSpiel"
   ],
   "source_ids": [
    "nisan-agt-2007"
   ],
   "url": "https://aiatlasgraph.com/t/nashequilibria",
   "markdown_url": "https://aiatlasgraph.com/t/nashequilibria.md",
   "updated": "2026-10-30"
  },
  "naturalES": {
   "id": "naturalES",
   "parent_id": "evostrategies",
   "label": "Naturalne strategie ewolucyjne (NES)",
   "canonical_name": "Natural evolution strategies (NES)",
   "aliases": [
    "natural evolution strategies",
    "NES",
    "naturalne strategie ewolucyjne"
   ],
   "description": "Rodzina strategii ewolucyjnych aktualizujących parametry rozkładu poszukiwań naturalnym gradientem oczekiwanego przystosowania.",
   "description_en": "Evolution strategies that update search-distribution parameters by the natural gradient of expected fitness.",
   "plain": "Zamiast pojedynczych rozwiązań program przesuwa całą chmurę prób w stronę, gdzie wyniki średnio wypadają lepiej.",
   "plain_en": "Instead of single solutions the program shifts a whole cloud of trials toward where results are better on average.",
   "solves": "Wynik umiemy tylko zmierzyć, a nie wyliczyć jego pochodnej, więc zwykłe uczenie przez gradient nie działa.",
   "solves_en": "We can only measure a result, not compute its derivative, so ordinary gradient-based learning does not work.",
   "does": "Jak strzelec poprawiający celownik: patrzy, które strzały z rozrzutu trafiły bliżej, i przesuwa środek oraz szerokość serii.",
   "does_en": "Like a shooter adjusting the sight: sees which shots in the spread landed closer and moves the centre and width of the next volley.",
   "example": "Badacze uczą wirtualnego robota chodzić bez obliczania pochodnych; tysiące lekko zmienionych wersji próbują kroku, a średnia przesuwa się ku lepszym.",
   "example_en": "Researchers teach a virtual robot to walk without derivatives; thousands of slightly changed versions try a step, and the average shifts toward better ones.",
   "for_you": [
    "optymalizujesz coś, czego nie da się zróżniczkować",
    "chcesz zrozumieć strategie ewolucyjne trenujące sieci neuronowe"
   ],
   "for_you_en": [
    "optimise something you cannot differentiate",
    "want to understand evolution strategies that train neural networks"
   ],
   "how": "Maksymalizuje się oczekiwane przystosowanie pod rozkładem parametryzowanym θ. Sztuczka log-wiarygodności daje estymator gradientu ze średniej f(z)·∇log π(z|θ) po próbkach, bez różniczkowania funkcji celu. Mnożenie przez odwrotność macierzy Fishera daje gradient naturalny, a rangowe użyteczności zamiast surowych ocen stabilizują kroki.",
   "how_en": "Expected fitness under a distribution with parameters θ is maximised. The log-likelihood trick estimates the gradient as the sample mean of f(z)·∇log π(z|θ), never differentiating the objective. Multiplying by the inverse Fisher matrix gives the natural gradient, and rank-based utilities instead of raw fitness stabilise steps.",
   "limits": "Słabo radzi sobie z funkcjami o bardzo wielu lokalnych optimach. Pełna macierz kowariancji w xNES kosztuje sześciennie względem wymiaru, a wariant separowalny traci, gdy zmienne mocno od siebie zależą.",
   "limits_en": "It struggles on highly multimodal functions. The full covariance in xNES costs cubic time in the dimension, while the separable variant suffers when variables are strongly dependent.",
   "terms": [
    {
     "gloss": "Kierunek zmiany rozkładu prób, w którym rośnie średni wynik.",
     "term": "gradient przeszukiwania"
    },
    {
     "gloss": "Gradient poprawiony o geometrię rozkładu, niezależny od parametryzacji.",
     "term": "gradient naturalny"
    },
    {
     "gloss": "Zastąpienie surowych ocen wagami zależnymi tylko od rankingu.",
     "term": "kształtowanie przystosowania"
    }
   ],
   "terms_en": [
    {
     "gloss": "The direction to shift the trial distribution so the average result rises.",
     "term": "search gradient"
    },
    {
     "gloss": "A gradient corrected for the distribution's geometry, independent of parameterisation.",
     "term": "natural gradient"
    },
    {
     "gloss": "Replacing raw scores with weights that depend only on rank.",
     "term": "fitness shaping"
    }
   ],
   "prereq": [
    "policygradient",
    "distributions"
   ],
   "keywords": [
    "xNES",
    "SNES",
    "search gradient",
    "Fisher information matrix",
    "fitness shaping",
    "log-likelihood trick",
    "OpenAI-ES",
    "evosax"
   ],
   "source_ids": [
    "nes-jmlr-2014"
   ],
   "url": "https://aiatlasgraph.com/t/naturalES",
   "markdown_url": "https://aiatlasgraph.com/t/naturalES.md",
   "updated": "2026-10-30"
  },
  "navmesh": {
   "id": "navmesh",
   "parent_id": "gamecharacters",
   "label": "Siatki nawigacyjne i odnajdywanie drogi",
   "canonical_name": "Navigation meshes and pathfinding",
   "aliases": [
    "navmesh",
    "navigation mesh",
    "pathfinding",
    "siatka nawigacyjna",
    "odnajdywanie ścieżek",
    "Recast",
    "crowd simulation"
   ],
   "description": "Reprezentacja przestrzeni chodzenia jako siatki wielokątów wypukłych, generowanej z geometrii poziomu, oraz wyszukiwanie ścieżek i unikanie kolizji na niej.",
   "description_en": "Representing walkable space as a mesh of convex polygons generated from level geometry, with pathfinding and collision avoidance on top.",
   "plain": "Mapa miejsc, po których postacie mogą chodzić, i sposób szukania na niej najkrótszej drogi omijającej przeszkody.",
   "plain_en": "A map of the places characters can walk and a way to find the shortest route on it around obstacles.",
   "solves": "Postacie wpadające na ściany, utykające w kątach albo tratujące się w tłumie od razu psują wrażenie gry.",
   "solves_en": "Characters walking into walls, sticking in corners or trampling each other in crowds instantly ruin a game.",
   "does": "Jak plan pieszych ścieżek w parku: zamiast liczyć każdy krok po trawie, łączy wolne płaty terenu i szuka drogi między nimi.",
   "does_en": "Like a park's footpath plan: instead of computing every step on the grass, it links open patches and routes between them.",
   "example": "W grze strategicznej klikasz cel po drugiej stronie miasta, a oddział sam omija budynki, rzekę i inne jednostki.",
   "example_en": "In a strategy game you click a spot across town, and the squad walks around buildings, the river and other units on its own.",
   "for_you": [
    "tworzysz grę, w której postacie się poruszają",
    "budujesz symulację ruchu ludzi lub pojazdów"
   ],
   "for_you_en": [
    "make a game where characters move around",
    "build a simulation of people or vehicle movement"
   ],
   "how": "Generator wokselizuje geometrię poziomu, odrzuca miejsca zbyt strome lub niskie dla postaci i scala resztę w wielokąty. Algorytm A* szuka drogi po grafie wielokątów, a wynik wygładza się w prostą ścieżkę. W trakcie ruchu lokalne sterowanie omija inne postacie i dynamiczne przeszkody.",
   "how_en": "The generator voxelises level geometry, discards places too steep or low for characters and merges the rest into polygons. A* finds a route over the polygon graph, and the result is smoothed into a straight path. During movement, local steering avoids other characters and dynamic obstacles.",
   "limits": "Siatkę trzeba przeliczać, gdy świat się zmienia, co w dużych, zniszczalnych światach jest kosztowne. Postacie o różnych rozmiarach i sposobach ruchu potrzebują osobnych siatek. Gęste tłumy wciąż potrafią się zakleszczać.",
   "limits_en": "The mesh must be rebuilt when the world changes, which is costly in large, destructible worlds. Characters of different sizes and movement types need separate meshes. Dense crowds can still jam.",
   "terms": [
    {
     "gloss": "Zamiana geometrii na siatkę małych sześcianów.",
     "term": "wokselizacja"
    },
    {
     "gloss": "Usuwanie zbędnych zakrętów z drogi wyznaczonej po wielokątach.",
     "term": "wygładzanie ścieżki"
    },
    {
     "gloss": "Lokalne korekty ruchu, by nie wpaść na innych.",
     "term": "unikanie kolizji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Turning geometry into a grid of small cubes.",
     "term": "voxelisation"
    },
    {
     "gloss": "Removing needless turns from a route found over polygons.",
     "term": "path smoothing"
    },
    {
     "gloss": "Local movement corrections to avoid bumping into others.",
     "term": "collision avoidance"
    }
   ],
   "prereq": [
    "astar"
   ],
   "keywords": [
    "navigation mesh",
    "Recast & Detour",
    "A* pathfinding",
    "funnel algorithm",
    "RVO",
    "ORCA",
    "flow fields",
    "hierarchical pathfinding",
    "steering behaviors"
   ],
   "source_ids": [
    "recast-navigation-docs"
   ],
   "url": "https://aiatlasgraph.com/t/navmesh",
   "markdown_url": "https://aiatlasgraph.com/t/navmesh.md",
   "updated": "2026-10-30"
  },
  "neat": {
   "id": "neat",
   "parent_id": "neuroevolution",
   "label": "Ewolucja budowy sieci (NEAT)",
   "canonical_name": "NeuroEvolution of Augmenting Topologies (NEAT)",
   "aliases": [
    "NEAT",
    "NeuroEvolution of Augmenting Topologies",
    "topology evolution",
    "ewolucja topologii"
   ],
   "description": "Algorytm ewoluujący jednocześnie wagi i topologię sieci, z historycznymi znacznikami genów, specjacją i stopniową komplikacją od minimalnej struktury.",
   "description_en": "An algorithm evolving network weights and topology together, using historical gene markings, speciation and gradual complexification from minimal structure.",
   "plain": "Metoda, w której sieci zaczynają od najprostszej budowy i ewolucja stopniowo dokłada im nowe połączenia i neurony.",
   "plain_en": "A method where networks start with the simplest structure and evolution gradually adds new connections and neurons.",
   "solves": "Nie wiadomo z góry, jak duża i jak połączona powinna być sieć do danego zadania.",
   "solves_en": "Nobody knows in advance how big or how connected a network should be for a task.",
   "does": "Każda nowa zmiana budowy dostaje numer, by dało się krzyżować różne sieci, a nowinki mają chronioną niszę, zanim muszą konkurować.",
   "does_en": "Each structural change gets a number so different networks can be crossed, and newcomers get a protected niche before competing.",
   "example": "Program uczy wirtualnego ptaszka omijać rury w prostej grze; zaczyna od kilku połączeń i dorasta tylko tyle, ile trzeba.",
   "example_en": "Software teaches a virtual bird to dodge pipes in a simple game; it starts with a few connections and grows only as needed.",
   "for_you": [
    "chcesz małej sieci dopasowanej do prostego zadania sterowania",
    "uczysz się podstaw neuroewolucji na prostych grach"
   ],
   "for_you_en": [
    "want a small network fitted to a simple control task",
    "are learning neuroevolution basics on simple games"
   ],
   "how": "Każdy nowy gen połączenia dostaje numer innowacji, co pozwala wyrównać genomy o różnej budowie podczas krzyżowania. Populacja dzieli się na gatunki według podobieństwa, więc nowe struktury mają czas na dostrojenie wag. Sieci startują bez neuronów ukrytych i rosną tylko wtedy, gdy to poprawia wynik.",
   "how_en": "Each new connection gene gets an innovation number, letting genomes of different structure be aligned during crossover. The population splits into species by similarity, so new structures have time to tune weights. Networks start with no hidden neurons and grow only when it helps.",
   "limits": "Sprawdza się przy małych sieciach i prostych zadaniach sterowania; nie konkuruje z gradientem przy dużych modelach obrazu czy języka. Wymaga strojenia progów specjacji i wielu parametrów.",
   "limits_en": "It works for small networks and simple control tasks; it does not compete with gradients on large vision or language models. Speciation thresholds and many parameters need tuning.",
   "terms": [
    {
     "gloss": "Znacznik mówiący, kiedy pojawił się dany gen połączenia.",
     "term": "numer innowacji"
    },
    {
     "gloss": "Podział populacji na grupy podobnych sieci konkurujących głównie wewnątrz.",
     "term": "specjacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A marker recording when a connection gene first appeared.",
     "term": "innovation number"
    },
    {
     "gloss": "Splitting the population into groups of similar networks competing mostly within.",
     "term": "speciation"
    }
   ],
   "prereq": [
    "neuralbasics",
    "geneticalgorithms"
   ],
   "keywords": [
    "NEAT-Python",
    "HyperNEAT",
    "ES-HyperNEAT",
    "CoDeepNEAT",
    "rtNEAT",
    "innovation numbers",
    "speciation"
   ],
   "source_ids": [
    "neat-2002",
    "neuroevolution-review-2019"
   ],
   "url": "https://aiatlasgraph.com/t/neat",
   "markdown_url": "https://aiatlasgraph.com/t/neat.md",
   "updated": "2026-10-30"
  },
  "ner": {
   "id": "ner",
   "parent_id": "infoextraction",
   "label": "Rozpoznawanie nazw własnych (NER)",
   "canonical_name": "Named entity recognition (NER)",
   "aliases": [
    "NER",
    "named entity recognition",
    "entity recognition",
    "rozpoznawanie nazw własnych",
    "rozpoznawanie encji nazwanych"
   ],
   "description": "Etykietowanie fragmentów tekstu (spanów) typami encji, np. osoba, organizacja, miejsce, data; klasycznie jako klasyfikacja tokenów w schemacie BIO.",
   "description_en": "Labelling text spans with entity types such as person, organisation, location or date; classically framed as token classification with a BIO scheme.",
   "plain": "Program zaznacza w tekście imiona, nazwy firm, miejsca i daty, a przy każdej wpisuje, czym jest.",
   "plain_en": "Software marks people's names, company names, places and dates in a text and labels what each one is.",
   "solves": "W tysiącach dokumentów trudno szybko znaleźć, o kim i o czym właściwie jest mowa.",
   "solves_en": "In thousands of documents it is hard to see quickly who and what is actually being talked about.",
   "does": "Działa jak korektor z kolorowymi flamastrami: osoby na żółto, miasta na zielono, kwoty na niebiesko.",
   "does_en": "It works like a proofreader with coloured markers: people in yellow, cities in green, amounts in blue.",
   "example": "Wklejasz notatkę ze spotkania, a narzędzie samo wypisuje wszystkie wspomniane osoby, firmy i terminy.",
   "example_en": "You paste meeting notes and the tool lists every person, company and deadline mentioned.",
   "for_you": [
    "szukasz nazwisk lub firm w stosie dokumentów",
    "chcesz zanonimizować tekst przed udostępnieniem",
    "budujesz wyszukiwarkę po osobach i miejscach"
   ],
   "for_you_en": [
    "search a pile of documents for names or companies",
    "need to anonymise a text before sharing it",
    "build search by people and places"
   ],
   "how": "Enkoder (dawniej BiLSTM, dziś transformer) tworzy kontekstowe reprezentacje tokenów, a dekoder tagów (softmax lub CRF) przypisuje etykiety B/I/O. Nowsze podejścia oceniają całe spany albo podają typy encji jako tekst, co pozwala rozpoznawać typy niewidziane w treningu.",
   "how_en": "An encoder (formerly BiLSTM, now transformer) builds contextual token representations and a tag decoder (softmax or CRF) assigns B/I/O labels. Newer approaches score whole spans or take entity types as text, allowing types unseen in training.",
   "limits": "Zagnieżdżone i nieciągłe encje słabo pasują do tagowania BIO. Modele tracą jakość w nowych domenach i językach, a granice encji bywają sporne nawet dla anotatorów.",
   "limits_en": "Nested and discontinuous entities fit BIO tagging poorly. Models degrade in new domains and languages, and entity boundaries are disputed even among annotators.",
   "terms": [
    {
     "gloss": "Znaczniki początku, środka i braku encji dla każdego tokenu.",
     "term": "BIO"
    },
    {
     "gloss": "Warstwa wybierająca spójną sekwencję etykiet zamiast każdej osobno.",
     "term": "CRF"
    },
    {
     "gloss": "Encja zawarta w innej, np. miasto w nazwie uczelni.",
     "term": "nested NER"
    }
   ],
   "terms_en": [
    {
     "gloss": "Begin, inside and outside tags given to every token.",
     "term": "BIO"
    },
    {
     "gloss": "A layer choosing a consistent label sequence instead of each label separately.",
     "term": "CRF"
    },
    {
     "gloss": "An entity inside another, e.g. a city in a university's name.",
     "term": "nested NER"
    }
   ],
   "prereq": [
    "tokenization",
    "transformers"
   ],
   "keywords": [
    "token classification",
    "BIO tagging",
    "CRF",
    "BiLSTM-CRF",
    "spaCy",
    "GLiNER",
    "CoNLL-2003",
    "OntoNotes",
    "nested NER"
   ],
   "source_ids": [
    "li-2018-ner-deep-survey"
   ],
   "url": "https://aiatlasgraph.com/t/ner",
   "markdown_url": "https://aiatlasgraph.com/t/ner.md",
   "updated": "2026-10-30"
  },
  "nerf": {
   "id": "nerf",
   "parent_id": "spatial",
   "label": "Neuronowe pola promieniowania (NeRF)",
   "canonical_name": "Neural radiance fields (NeRF)",
   "aliases": [
    "NeRF",
    "neural radiance fields",
    "radiance fields",
    "neural scene representation",
    "novel view synthesis",
    "pola promieniowania",
    "pola radiancji",
    "neuronowa reprezentacja sceny"
   ],
   "description": "Zapis sceny 3D w sieci neuronowej, która dla punktu w przestrzeni i kierunku patrzenia zwraca kolor i gęstość; uczona ze zdjęć o znanych pozycjach kamery pozwala renderować nowe, niesfotografowane widoki.",
   "description_en": "Storing a 3D scene in a neural network that returns colour and density for a point in space and a viewing direction; trained from photos with known camera poses, it renders new, unphotographed views.",
   "examples": "synteza nowych widoków · rendering wolumetryczny · pozycje kamer · Instant-NGP · Zip-NeRF",
   "examples_en": "novel view synthesis · volume rendering · camera poses · Instant-NGP · Zip-NeRF",
   "plain": "To odtwarzanie wyglądu przestrzennej sceny w sieci neuronowej, żeby ze zdjęć przygotować nowe widoki.",
   "plain_en": "This stores a spatial scene's appearance in a neural network to create new views from photos.",
   "solves": "Zdjęcia pokazują miejsce z kilku pozycji, a ty chcesz obejrzeć je z innego punktu bez ręcznego odtwarzania sceny.",
   "solves_en": "Photos show a place from a few positions, but you want another viewpoint without rebuilding the scene by hand.",
   "does": "Sieć przewiduje kolor i gęstość wzdłuż linii patrzenia, a ich złożenie tworzy obraz z wybranej pozycji kamery.",
   "does_en": "The network predicts colour and density along viewing rays, which are combined into an image from the chosen camera position.",
   "example": "Fotografujesz rzeźbę z różnych stron, a program odtwarza jej widok z pozycji pomiędzy miejscami, w których stałeś.",
   "example_en": "You photograph a sculpture from several sides, and software reconstructs a view between the positions where you stood.",
   "for_you": [
    "chcesz zamienić zdjęcia miejsca w wirtualny spacer",
    "dokumentujesz obiekty, zabytki lub wnętrza",
    "pracujesz przy efektach wizualnych"
   ],
   "for_you_en": [
    "want to turn photos of a place into a virtual walk",
    "document objects, monuments or interiors",
    "work in visual effects"
   ],
   "how": "Sieć mapuje pozycję przestrzenną i kierunek obserwacji na gęstość oraz kolor. Całkowanie wzdłuż promieni kamery daje render, którego błąd względem zdjęć aktualizuje parametry pola.",
   "how_en": "A network maps spatial positions and viewing directions to density and colour. Integration along camera rays produces renders whose errors against photographs update field parameters.",
   "limits": "Rekonstrukcja zależy od kalibracji i pokrycia widoków. Nieobserwowane fragmenty pozostają niepewne, a gęstość wizualna nie jest automatycznie dokładną powierzchnią obiektu.",
   "limits_en": "Reconstruction depends on calibration and view coverage. Unobserved regions remain uncertain, while visual density is not automatically an accurate object surface.",
   "terms": [
    {
     "gloss": "Funkcja opisująca wygląd i gęstość sceny w przestrzeni oraz kierunkach.",
     "term": "pole promieniowania"
    },
    {
     "gloss": "Łączenie wkładów punktów wzdłuż promienia do koloru piksela.",
     "term": "renderowanie objętościowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "A function describing scene appearance and density across space and directions.",
     "term": "radiance field"
    },
    {
     "gloss": "Combining point contributions along a ray into a pixel colour.",
     "term": "volume rendering"
    }
   ],
   "prereq": [
    "neuralbasics",
    "linearalgebra"
   ],
   "keywords": [
    "novel view synthesis",
    "volume rendering",
    "camera poses",
    "positional encoding",
    "Instant-NGP",
    "Zip-NeRF"
   ],
   "source_ids": [
    "hf-cv-course-3d-vision",
    "nerf-2020",
    "slam-radiance-fields-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/nerf",
   "markdown_url": "https://aiatlasgraph.com/t/nerf.md",
   "updated": "2026-10-30"
  },
  "networkids": {
   "id": "networkids",
   "parent_id": "threatdetection",
   "label": "Wykrywanie włamań w ruchu sieciowym",
   "canonical_name": "Machine-learning network intrusion detection",
   "aliases": [
    "ML-based NIDS",
    "network anomaly detection",
    "flow-based intrusion detection",
    "wykrywanie anomalii w sieci",
    "NIDS"
   ],
   "description": "Klasyfikatory i detektory anomalii uczone na przepływach i pakietach sieciowych, odróżniające ruch normalny od ataków.",
   "description_en": "Classifiers and anomaly detectors trained on network flows and packets, separating normal traffic from attacks.",
   "plain": "Modele, które obserwują połączenia w sieci firmy i zauważają te, które wyglądają na skanowanie, włamanie lub wyprowadzanie danych.",
   "plain_en": "Models that watch connections on a company network and notice those that look like scanning, break-ins or data theft.",
   "solves": "Przez sieć firmy przechodzą miliony połączeń dziennie, a atakujący ukrywa się wśród nich, używając zwykłych protokołów.",
   "solves_en": "Millions of connections cross a company network daily, and an attacker hides among them using ordinary protocols.",
   "does": "Jak ochroniarz na parkingu, który zna rytm dnia: zauważa auto krążące wokół budynku dziesiąty raz, choć każdy przejazd z osobna jest niewinny.",
   "does_en": "Like a car-park guard who knows the day's rhythm: notices a car circling the building for the tenth time, though each pass alone is innocent.",
   "example": "Komputer w księgowości nagle łączy się po kolei z setkami innych maszyn w sieci; system oznacza to jako możliwe rozprzestrzenianie się ransomware.",
   "example_en": "An accounting PC suddenly connects to hundreds of other machines in turn; the system flags it as possible ransomware spreading.",
   "for_you": [
    "administrujesz siecią firmową",
    "uczysz się wykrywania anomalii na prawdziwych danych",
    "oceniasz narzędzia do monitoringu sieci"
   ],
   "for_you_en": [
    "administer a company network",
    "are learning anomaly detection on real data",
    "evaluate network monitoring tools"
   ],
   "how": "Sondy sieciowe zamieniają ruch na rekordy przepływów z cechami, takimi jak czas, liczba bajtów, porty i flagi. Na tych danych uczy się klasyfikator znanych ataków albo model normalnego ruchu wykrywający odstępstwa.",
   "how_en": "Network sensors turn traffic into flow records with features such as duration, byte counts, ports and flags. An attack classifier or a model of normal traffic that flags deviations is then trained on those records.",
   "limits": "Ataki są rzadkie, ruch normalny bardzo zmienny, a koszt fałszywego alarmu wysoki. Założenia laboratoryjne i rozkłady danych w benchmarkach często nie odpowiadają sieciom operacyjnym, dlatego wynik z publikacji nie gwarantuje skuteczności po wdrożeniu.",
   "limits_en": "Attacks are rare, normal traffic is highly variable and false alarms are costly. Laboratory assumptions and benchmark data distributions often do not match operational networks, so a published score does not guarantee deployed performance.",
   "terms": [
    {
     "gloss": "Podsumowanie jednego połączenia: kto, z kim, ile danych, jak długo.",
     "term": "przepływ sieciowy"
    },
    {
     "gloss": "Połączenia między maszynami wewnątrz tej samej sieci.",
     "term": "ruch wschód–zachód"
    },
    {
     "gloss": "Szukanie tego, co odbiega od wyuczonego obrazu normalności.",
     "term": "detekcja anomalii"
    }
   ],
   "terms_en": [
    {
     "gloss": "A summary of one connection: who, with whom, how much data, how long.",
     "term": "network flow"
    },
    {
     "gloss": "Connections between machines inside the same network.",
     "term": "east–west traffic"
    },
    {
     "gloss": "Looking for what departs from the learned picture of normal.",
     "term": "anomaly detection"
    }
   ],
   "prereq": [
    "anomalydetection",
    "classmetrics"
   ],
   "keywords": [
    "NetFlow",
    "Zeek",
    "CICIDS2017",
    "UNSW-NB15",
    "autoencoder",
    "isolation forest",
    "graph neural networks",
    "lateral movement detection"
   ],
   "source_ids": [
    "sommer-paxson-closed-world-2010",
    "arp-dos-donts-ml-security-2020"
   ],
   "url": "https://aiatlasgraph.com/t/networkids",
   "markdown_url": "https://aiatlasgraph.com/t/networkids.md",
   "updated": "2026-10-30"
  },
  "neural": {
   "id": "neural",
   "parent_id": null,
   "label": "Sieci i modele generatywne",
   "canonical_name": "Neural architectures and generative models",
   "description": "Rodziny modeli i ich mechanizmy. Nie każdy model generatywny jest modelem językowym.",
   "description_en": "Model families and their mechanisms. Not every generative model is a language model.",
   "plain": "To sposoby budowania modeli, które uczą się wzorów w danych, przewidują wyniki i tworzą nowe treści.",
   "plain_en": "These are ways to build models that learn patterns in data, predict outcomes and create new content.",
   "solves": "Nie da się ręcznie rozpisać wszystkich reguł potrzebnych do rozpoznawania zdjęć, rozumienia tekstu lub tworzenia obrazów.",
   "solves_en": "You cannot manually write every rule needed to recognise photos, process text or create images.",
   "does": "Połączone części modelu przekształcają dane, a uczenie dostosowuje ich działanie; różne układy odpowiadają różnym zadaniom i kosztom.",
   "does_en": "Connected model components transform data, while training adjusts their behaviour; different designs suit different tasks and costs.",
   "example": "Jedna aplikacja rozpoznaje przedmioty na zdjęciu, a inna tworzy ilustrację z opisu, korzystając z inaczej zbudowanych modeli.",
   "example_en": "One app recognises objects in a photo while another creates an illustration from a description, using differently structured models.",
   "for_you": [
    "chcesz zrozumieć, jak zbudowany jest model",
    "porównujesz modele rozpoznające dane i tworzące treści"
   ],
   "for_you_en": [
    "want to understand how a model is built",
    "compare models that recognise data and generate content"
   ],
   "how": "Parametry sieci dopasowuje się przez minimalizację funkcji celu, budując reprezentacje w kolejnych warstwach. Architektury przestrzenne, sekwencyjne i generatywne różnią się sposobem wymiany informacji oraz procedurą uzyskiwania przewidywań lub próbek.",
   "how_en": "Network parameters are fitted by minimising an objective, building representations through successive layers. Spatial, sequential and generative architectures differ in information exchange and procedures for obtaining predictions or samples.",
   "limits": "Złożoność modelu zwiększa wymagania dotyczące danych, pamięci i obliczeń. Niski błąd treningowy nie gwarantuje uogólniania; generowana próbka nie jest dowodem poprawności jej treści.",
   "limits_en": "Model complexity increases data, memory and computation requirements. Low training error does not guarantee generalisation; generated samples do not establish content correctness.",
   "terms": [
    {
     "gloss": "Wartość dostosowywana podczas treningu do realizacji funkcji celu.",
     "term": "parametr uczony"
    },
    {
     "gloss": "Układ operacji i połączeń określający sposób przetwarzania danych.",
     "term": "architektura"
    }
   ],
   "terms_en": [
    {
     "gloss": "A value adjusted during training to fulfil an objective.",
     "term": "learned parameter"
    },
    {
     "gloss": "The arrangement of operations and connections defining data processing.",
     "term": "architecture"
    }
   ],
   "prereq": [
    "linearalgebra",
    "mathoptimization"
   ],
   "keywords": [
    "MLP",
    "backpropagation",
    "CNN",
    "RNN",
    "Transformers",
    "attention mechanisms",
    "graph neural networks",
    "representation learning",
    "diffusion models",
    "VAE",
    "GAN",
    "Mixture of Experts",
    "test-time compute"
   ],
   "source_ids": [
    "cs336",
    "vision",
    "cs229"
   ],
   "url": "https://aiatlasgraph.com/t/neural",
   "markdown_url": "https://aiatlasgraph.com/t/neural.md",
   "updated": "2026-10-30"
  },
  "neuralbasics": {
   "id": "neuralbasics",
   "parent_id": "neural",
   "label": "Podstawy sieci neuronowych",
   "canonical_name": "Neural network fundamentals",
   "description": "Warstwy, funkcje straty i uczenie reprezentacji.",
   "description_en": "Layers, loss functions and representation learning.",
   "examples": "MLP · backpropagation",
   "examples_en": "MLP · backpropagation",
   "plain": "To podstawowe elementy sieci neuronowej i zasady, dzięki którym uczy się ona na przykładach.",
   "plain_en": "These are the basic parts of a neural network and the principles that let it learn from examples.",
   "solves": "Sieć wygląda jak czarna skrzynka, więc trudno zrozumieć, skąd biorą się jej wyniki i błędy.",
   "solves_en": "A network looks like a black box, making its results and errors difficult to understand.",
   "does": "Warstwy przekształcają liczby, miara błędu ocenia wynik, a trening wykorzystuje ją do poprawiania połączeń.",
   "does_en": "Layers transform numbers, an error measure evaluates the result, and training uses it to adjust connections.",
   "example": "Ucząc model rozpoznawać rodzaje kwiatów, obserwujesz, jak kolejne poprawki zmniejszają błędy na przykładach treningowych.",
   "example_en": "While training a model to recognise flower types, you watch successive adjustments reduce errors on training examples.",
   "for_you": [
    "zaczynasz poznawać budowę modeli",
    "chcesz rozumieć, co zmienia się podczas uczenia"
   ],
   "for_you_en": [
    "are starting to learn how models are built",
    "want to understand what changes during training"
   ],
   "how": "Warstwy składają przekształcenia afiniczne z nieliniowościami, tworząc różniczkowalny graf obliczeń. Funkcja straty porównuje wyjście z celem, a optymalizator aktualizuje parametry na podstawie gradientów i przykładów treningowych.",
   "how_en": "Layers compose affine transformations with nonlinearities to form a differentiable computation graph. A loss compares outputs with targets, and an optimiser updates parameters using gradients and training examples.",
   "limits": "Skala wejść, inicjalizacja i dobór celu wpływają na stabilność uczenia. Duża pojemność sprzyja zapamiętywaniu; niewłaściwy cel może być minimalizowany bez realizacji zamierzonego zadania.",
   "limits_en": "Input scales, initialisation and objective choice affect learning stability. High capacity enables memorisation; an inappropriate objective can be minimised without achieving the intended task.",
   "terms": [
    {
     "gloss": "Zapis operacji i zależności potrzebny do obliczania wyniku oraz pochodnych.",
     "term": "graf obliczeń"
    },
    {
     "gloss": "Uczone przesunięcie dodawane do wyniku ważonej sumy wejść.",
     "term": "bias"
    }
   ],
   "terms_en": [
    {
     "gloss": "A record of operations and dependencies for calculating outputs and derivatives.",
     "term": "computation graph"
    },
    {
     "gloss": "A learned offset added to a weighted sum of inputs.",
     "term": "bias"
    }
   ],
   "prereq": [
    "linearalgebra",
    "calculus"
   ],
   "keywords": [
    "computation graphs",
    "dense layers",
    "activation functions",
    "gradient propagation",
    "cross-entropy",
    "MSE",
    "normalization layers",
    "residual connections",
    "dropout",
    "weight initialization"
   ],
   "courses": [
    {
     "title": "Deep Learning Specialization",
     "url": "https://www.deeplearning.ai/specializations/deep-learning"
    }
   ],
   "source_ids": [
    "cs336",
    "vision",
    "cs229",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/neuralbasics",
   "markdown_url": "https://aiatlasgraph.com/t/neuralbasics.md",
   "updated": "2026-10-30"
  },
  "neuralca": {
   "id": "neuralca",
   "parent_id": "cellularautomata",
   "label": "Neuronowe automaty komórkowe (wzory, które rosną i się naprawiają)",
   "canonical_name": "Neural cellular automata (NCA)",
   "aliases": [
    "neural cellular automata",
    "NCA",
    "growing neural cellular automata",
    "neuronowe automaty komórkowe"
   ],
   "description": "Automaty komórkowe o ciągłym, wielokanałowym stanie, w których reguła aktualizacji jest siecią neuronową trenowaną gradientowo przez wiele kroków symulacji.",
   "description_en": "Cellular automata with continuous multi-channel state whose update rule is a neural network trained by gradient descent through many simulation steps.",
   "plain": "Automat komórkowy, w którym każda komórka używa tej samej małej sieci neuronowej, wytrenowanej tak, by razem wyhodować zadany kształt.",
   "plain_en": "A cellular automaton where every cell uses the same small neural network, trained so that together they grow a target shape.",
   "solves": "Zwykle trzeba z góry opisać cały kształt, a uszkodzony obraz czy struktura nie odbudowują się same.",
   "solves_en": "Usually the whole shape must be described up front, and a damaged image or structure does not rebuild itself.",
   "does": "Jak komórki zarodka: każda zna tylko sąsiadów i tę samą instrukcję, a razem budują organizm i zabliźniają rany.",
   "does_en": "Like embryo cells: each knows only its neighbours and the same instructions, yet together they build a body and heal wounds.",
   "example": "Na ekranie z jednej kropki wyrasta kolorowa jaszczurka; gdy zetrzesz jej ogon myszką, po chwili ogon odrasta.",
   "example_en": "On screen a colourful lizard grows from a single dot; when you erase its tail with the mouse, the tail soon grows back.",
   "for_you": [
    "interesuje cię samonaprawa i samoorganizacja",
    "generujesz tekstury albo efekty wizualne",
    "znasz sieci konwolucyjne i szukasz nietypowych zastosowań"
   ],
   "for_you_en": [
    "are interested in self-repair and self-organisation",
    "generate textures or visual effects",
    "know convolutional networks and seek unusual uses"
   ],
   "how": "Każda komórka ma wektor stanu z kanałami koloru, życia i ukrytymi. Stałe filtry, np. Sobela, mierzą gradienty u sąsiadów, a mała sieć wspólna dla wszystkich komórek wylicza zmianę stanu; aktualizacje są losowo asynchroniczne. Model startuje z jednej komórki, a stratę względem obrazu docelowego propaguje się wstecz w czasie; trening z uszkodzeniami uczy regeneracji.",
   "how_en": "Each cell has a state vector with colour, alive and hidden channels. Fixed filters such as Sobel measure neighbour gradients, and a small network shared by all cells computes the state change; updates are randomly asynchronous. The model starts from one cell and the loss against a target image is backpropagated through time; training with damage teaches regeneration.",
   "limits": "Trening przez wiele kroków jest niestabilny i wymaga sztuczek, np. puli wcześniejszych stanów. Wzory bywają niestabilne poza czasem treningu, a jedna sieć zwykle uczy się jednego kształtu lub tekstury.",
   "limits_en": "Training through many steps is unstable and needs tricks such as a pool of earlier states. Patterns can be unstable beyond training time, and one network usually learns one shape or texture.",
   "terms": [
    {
     "gloss": "Funkcja mówiąca komórce, jak zmienić stan po spojrzeniu na sąsiadów.",
     "term": "reguła aktualizacji"
    },
    {
     "gloss": "Liczenie gradientu przez wszystkie kroki symulacji naraz.",
     "term": "propagacja wsteczna w czasie"
    },
    {
     "gloss": "W każdym kroku zmienia się tylko losowa część komórek.",
     "term": "aktualizacja asynchroniczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Function telling a cell how to change after looking at neighbours.",
     "term": "update rule"
    },
    {
     "gloss": "Computing gradients through all simulation steps at once.",
     "term": "backpropagation through time"
    },
    {
     "gloss": "Only a random subset of cells changes at each step.",
     "term": "asynchronous update"
    }
   ],
   "prereq": [
    "cnn",
    "backprop"
   ],
   "keywords": [
    "Growing Neural Cellular Automata",
    "Distill",
    "Sobel filter",
    "self-organising textures",
    "pool sampling",
    "regeneration",
    "differentiable self-organization",
    "morphogenesis"
   ],
   "source_ids": [
    "mordvintsev-nca-2020"
   ],
   "url": "https://aiatlasgraph.com/t/neuralca",
   "markdown_url": "https://aiatlasgraph.com/t/neuralca.md",
   "updated": "2026-10-30"
  },
  "neuralcharcontrol": {
   "id": "neuralcharcontrol",
   "parent_id": "charanimation",
   "label": "Neuronowe sterowanie ruchem postaci",
   "canonical_name": "Neural character controllers",
   "aliases": [
    "neural character controllers",
    "neural motion controller",
    "neural character control",
    "neuronowy kontroler ruchu",
    "neuronowe sterowanie ruchem postaci"
   ],
   "description": "Autoregresyjne sieci przewidujące pozę kolejnej klatki z poprzedniego stanu, sterowania i geometrii sceny, często z wagami zależnymi od fazy ruchu.",
   "description_en": "Autoregressive networks predicting the next frame's pose from the previous state, control input and scene geometry, often with weights that depend on the motion phase.",
   "plain": "Sieć neuronowa wyuczona na nagraniach ruchu w każdej klatce przewiduje kolejną pozę postaci, dopasowaną do terenu i poleceń gracza.",
   "plain_en": "A neural network trained on motion recordings predicts the character's next pose every frame, matched to terrain and the player's commands.",
   "solves": "Gotowe klipy nie pasują do każdego kamienia, schodka czy niskiego sufitu, więc postacie potykają się o świat gry.",
   "solves_en": "Ready-made clips do not fit every rock, step or low ceiling, so characters stumble against the game world.",
   "does": "Pamięta rytm kroku jak metronom i na tej podstawie dobiera sposób poruszania każdą częścią ciała w danym momencie.",
   "does_en": "It keeps the rhythm of the stride like a metronome and uses it to decide how each body part moves at that moment.",
   "example": "Postać w grze przygodowej naturalnie przechodzi po nierównym podłożu i omija przeszkody, choć nikt nie animował ręcznie tego konkretnego miejsca.",
   "example_en": "A character in an adventure game moves naturally over uneven ground and around obstacles, though nobody hand-animated that exact place.",
   "for_you": [
    "chcesz ruchu dopasowanego do nierównego terenu",
    "masz ograniczoną pamięć, a dużo nagrań",
    "interesuje cię uczenie maszynowe w animacji"
   ],
   "for_you_en": [
    "want motion that adapts to uneven terrain",
    "have little memory but lots of recordings",
    "are curious about machine learning in animation"
   ],
   "how": "W PFNN wagi sieci nie są stałe: oblicza je cykliczna funkcja fazy kroku, a wejściem są sterowanie, poprzednia poza i wysokości terenu wokół trajektorii. Sieć trenuje się end-to-end na dużym zbiorze ruchu dopasowanego do wirtualnych terenów. Następcy zastępują ręcznie zdefiniowaną fazę mieszaniną ekspertów lub fazami wyuczonymi.",
   "how_en": "In PFNN the network weights are not fixed: a cyclic function of the gait phase computes them, and inputs are control, previous pose and terrain heights along the trajectory. The network is trained end-to-end on a large motion dataset fitted to virtual terrain. Successors replace the hand-defined phase with mixtures of experts or learned phases.",
   "limits": "Trening wymaga dużego, starannie przygotowanego zbioru ruchu i dopasowania go do terenów. Ruch jest kinematyczny, więc bez fizyki możliwe są poślizgi stóp. Nowe typy akcji spoza danych wychodzą niepewnie, a debugowanie sieci jest trudniejsze niż grafu animacji.",
   "limits_en": "Training needs a large, carefully prepared motion dataset fitted to terrain. Motion is kinematic, so foot sliding is possible without physics. New action types outside the data come out unreliably, and debugging a network is harder than an animation graph.",
   "terms": [
    {
     "gloss": "Miejsce w cyklu kroku, np. moment postawienia lewej stopy.",
     "term": "faza ruchu"
    },
    {
     "gloss": "Model przewidujący kolejny krok na podstawie własnych poprzednich wyników.",
     "term": "model autoregresyjny"
    },
    {
     "gloss": "Kilka podsieci, których wyniki miesza się zależnie od sytuacji.",
     "term": "mieszanina ekspertów"
    }
   ],
   "terms_en": [
    {
     "gloss": "Position in the gait cycle, e.g. the moment the left foot lands.",
     "term": "motion phase"
    },
    {
     "gloss": "A model predicting the next step from its own previous outputs.",
     "term": "autoregressive model"
    },
    {
     "gloss": "Several sub-networks whose outputs are blended depending on the situation.",
     "term": "mixture of experts"
    }
   ],
   "prereq": [
    "mlp"
   ],
   "keywords": [
    "PFNN",
    "phase-functioned neural network",
    "Neural State Machine",
    "Mode-Adaptive Neural Networks",
    "DeepPhase",
    "AI4Animation",
    "autoregressive motion model"
   ],
   "source_ids": [
    "holden-pfnn-2017"
   ],
   "url": "https://aiatlasgraph.com/t/neuralcharcontrol",
   "markdown_url": "https://aiatlasgraph.com/t/neuralcharcontrol.md",
   "updated": "2026-10-30"
  },
  "neuralgameengines": {
   "id": "neuralgameengines",
   "parent_id": "pcg",
   "label": "Grywalne światy z modeli generatywnych (neuronowe silniki gier)",
   "canonical_name": "Neural game engines and interactive world generation",
   "aliases": [
    "neural game engines",
    "generative interactive environments",
    "playable world models",
    "interaktywne modele świata",
    "neuronowy silnik gry",
    "GameNGen",
    "Genie"
   ],
   "description": "Modele generatywne, zwykle dyfuzyjne lub autoregresyjne, przewidujące kolejne klatki interaktywnego świata z historii obrazu i akcji gracza w czasie rzeczywistym.",
   "description_en": "Generative models, usually diffusion or autoregressive, that predict the next frames of an interactive world from image history and player actions in real time.",
   "plain": "Model, który na bieżąco rysuje kolejne klatki gry w odpowiedzi na ruchy gracza, zamiast korzystać z tradycyjnego silnika.",
   "plain_en": "A model that draws each next frame of a game in response to the player's moves, instead of using a traditional engine.",
   "solves": "Zbudowanie grywalnego świata wymaga programistów, grafików i lat pracy, więc nie da się wypróbować pomysłu w kilka minut.",
   "solves_en": "Building a playable world takes programmers, artists and years of work, so you cannot try out an idea in minutes.",
   "does": "Jak gawędziarz, który na każde „idę w lewo” od razu dopowiada, co tam widać, i pamięta, co opisał przed chwilą.",
   "does_en": "Like a storyteller who answers every 'I go left' by describing what is there, and remembers what was just described.",
   "example": "Wpisujesz „nadmorskie miasteczko w deszczu” i po chwili spacerujesz po nim, a każdy obrót głową odsłania nowe uliczki.",
   "example_en": "You type 'seaside town in the rain' and moments later walk around it, each turn of your head revealing new streets.",
   "for_you": [
    "chcesz szybko wypróbować pomysł na grę lub świat",
    "ciekawi cię przyszłość silników gier"
   ],
   "for_you_en": [
    "want to quickly try out a game or world idea",
    "wonder about the future of game engines"
   ],
   "how": "Model uczy się na nagraniach rozgrywki z zapisanymi akcjami, np. zebranych przez agenta uczącego się grać. Generuje następną klatkę warunkowaną poprzednimi klatkami i bieżącym wejściem, a zaburzanie kontekstu w treningu ogranicza narastanie błędów. Nowsze modele tworzą świat z opisu tekstowego i pozwalają zmieniać go poleceniami.",
   "how_en": "The model learns from gameplay recordings with logged actions, e.g. collected by an agent learning to play. It generates the next frame conditioned on previous frames and current input, and corrupting context during training limits error build-up. Newer models create a world from a text description and let users change it with prompts.",
   "limits": "Spójność trzyma się minuty, nie godziny, a pamięć wizualna jest krótka. Zestaw akcji jest ograniczony, reguły gry bywają łamane, a interakcje wielu niezależnych postaci są trudne. Generowanie w czasie rzeczywistym wymaga drogich akceleratorów.",
   "limits_en": "Consistency lasts minutes, not hours, and visual memory is short. The action set is limited, game rules can break, and interactions among many independent characters are hard. Real-time generation needs costly accelerators.",
   "terms": [
    {
     "gloss": "Model zgaduje kolejny obraz na podstawie poprzednich i akcji.",
     "term": "predykcja następnej klatki"
    },
    {
     "gloss": "Narastanie drobnych błędów, gdy model karmi się własnymi klatkami.",
     "term": "dryf autoregresyjny"
    },
    {
     "gloss": "Model przewidujący, jak świat zmieni się po akcji.",
     "term": "model świata"
    }
   ],
   "terms_en": [
    {
     "gloss": "The model guesses the next image from previous ones and actions.",
     "term": "next-frame prediction"
    },
    {
     "gloss": "Small errors piling up as the model feeds on its own frames.",
     "term": "autoregressive drift"
    },
    {
     "gloss": "A model predicting how the world changes after an action.",
     "term": "world model"
    }
   ],
   "prereq": [
    "videogen",
    "worldfoundation"
   ],
   "keywords": [
    "GameNGen",
    "Genie",
    "Genie 3",
    "Oasis",
    "DIAMOND",
    "WHAM",
    "action-conditioned video generation",
    "world models"
   ],
   "source_ids": [
    "valevski-gamengen-2024",
    "genie3-blog-2025"
   ],
   "url": "https://aiatlasgraph.com/t/neuralgameengines",
   "markdown_url": "https://aiatlasgraph.com/t/neuralgameengines.md",
   "updated": "2026-10-30"
  },
  "neuraloperators": {
   "id": "neuraloperators",
   "parent_id": "sciml",
   "label": "Operatory neuronowe (FNO, DeepONet)",
   "canonical_name": "Neural operators (FNO, DeepONet)",
   "aliases": [
    "neural operators",
    "Fourier Neural Operator",
    "FNO",
    "DeepONet",
    "operator learning"
   ],
   "description": "Sieci uczące odwzorowań między przestrzeniami funkcji (np. warunek początkowy → rozwiązanie PDE), w dużej mierze niezależne od rozdzielczości siatki.",
   "description_en": "Networks learning mappings between function spaces (e.g. initial condition → PDE solution), largely independent of mesh resolution.",
   "plain": "Modele, które uczą się całej rodziny symulacji naraz i podają wynik dla nowych warunków bez liczenia od zera.",
   "plain_en": "Models that learn a whole family of simulations at once and give results for new conditions without starting from scratch.",
   "solves": "Klasyczny solver dla każdych nowych warunków liczy wszystko od początku, co przy setkach wariantów trwa za długo.",
   "solves_en": "A classical solver recomputes everything for each new set of conditions, which takes too long across hundreds of variants.",
   "does": "Uczy się reguły zamiany warunków na wynik, a nie jednej odpowiedzi, więc poradzi sobie też z warunkami, których nie widział.",
   "does_en": "It learns the rule that turns conditions into results rather than a single answer, so it can also handle conditions it has not seen.",
   "example": "Hydrolog sprawdza w kilka minut dziesiątki scenariuszy przepływu wód gruntowych, zmieniając przepuszczalność gleby.",
   "example_en": "A hydrologist checks dozens of groundwater-flow scenarios in minutes by varying soil permeability.",
   "for_you": [
    "liczysz wiele wariantów tej samej symulacji",
    "potrzebujesz szybkiego zastępcy symulacji do optymalizacji projektu"
   ],
   "for_you_en": [
    "run many variants of the same simulation",
    "need a fast stand-in for a simulation when optimising a design"
   ],
   "how": "Fourier Neural Operator przekształca pole do dziedziny częstotliwości, mnoży niskie mody przez uczone wagi i wraca transformatą odwrotną, łącząc to z lokalną warstwą liniową. DeepONet łączy sieć kodującą funkcję wejściową z siecią kodującą punkt zapytania. Trening odbywa się na parach wygenerowanych przez solver.",
   "how_en": "The Fourier Neural Operator transforms a field to the frequency domain, multiplies low modes by learned weights and transforms back, combined with a local linear layer. DeepONet pairs a network encoding the input function with one encoding the query point. Training uses solver-generated pairs.",
   "limits": "Wymagają wielu drogich par treningowych z solvera. Wersja fourierowska zakłada regularne siatki i sprzyja warunkom periodycznym; długie rozwijanie w czasie kumuluje błąd, a złożone geometrie potrzebują wariantów.",
   "limits_en": "They need many expensive solver-generated training pairs. The Fourier variant assumes regular grids and favours periodic conditions; long time rollouts accumulate error, and complex geometries need variants.",
   "terms": [
    {
     "gloss": "Przepis zamieniający całą funkcję (np. pole temperatury) w inną funkcję.",
     "term": "operator"
    },
    {
     "gloss": "Składowe sygnału o różnych częstotliwościach.",
     "term": "mody Fouriera"
    },
    {
     "gloss": "Model wytrenowany na jednej siatce działa też na gęstszej.",
     "term": "niezależność od rozdzielczości"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule turning one whole function (e.g. a temperature field) into another.",
     "term": "operator"
    },
    {
     "gloss": "Components of a signal at different frequencies.",
     "term": "Fourier modes"
    },
    {
     "gloss": "A model trained on one grid also works on a finer one.",
     "term": "resolution invariance"
    }
   ],
   "prereq": [
    "linearalgebra",
    "calculus"
   ],
   "keywords": [
    "Fourier Neural Operator",
    "DeepONet",
    "neuraloperator library",
    "Navier-Stokes",
    "Darcy flow",
    "PDEBench",
    "zero-shot super-resolution"
   ],
   "source_ids": [
    "fno-2020"
   ],
   "url": "https://aiatlasgraph.com/t/neuraloperators",
   "markdown_url": "https://aiatlasgraph.com/t/neuraloperators.md",
   "updated": "2026-10-30"
  },
  "neuralsensorsim": {
   "id": "neuralsensorsim",
   "parent_id": "adsimulation",
   "label": "Odtwarzanie scen z nagrań do symulacji czujników",
   "canonical_name": "Neural sensor simulation from driving logs",
   "aliases": [
    "neural reconstruction",
    "neural sensor simulation",
    "UniSim",
    "log replay simulation",
    "Gaussian splatting for driving"
   ],
   "description": "Rekonstrukcja scen z logów jazdy reprezentacjami neuronowymi i renderowanie kamer oraz LiDAR-u z nowych punktów widzenia do symulacji w pętli zamkniętej.",
   "description_en": "Reconstructing scenes from driving logs with neural representations and rendering camera and LiDAR data from new viewpoints for closed-loop simulation.",
   "plain": "Zamiana nagrania z prawdziwej jazdy w trójwymiarową scenę, w której można przestawiać auta i patrzeć z innych miejsc.",
   "plain_en": "Turning a recording of a real drive into a 3D scene where cars can be moved and viewed from other positions.",
   "solves": "Wirtualne miasta wyglądają sztucznie, a zwykłe nagrania z drogi nie pozwalają sprawdzić, co by było, gdyby auto pojechało inaczej.",
   "solves_en": "Virtual cities look fake, and plain road recordings cannot show what would happen if the car had driven differently.",
   "does": "Jak cyfrowy makieciarz: z jednego przejazdu odtwarza ulicę z jej prawdziwym wyglądem, a potem pozwala dostawić pieszego czy zmienić pas.",
   "does_en": "Like a digital model-maker, it rebuilds the street from one drive with its real look, then lets you add a pedestrian or change lanes.",
   "example": "Inżynierowie biorą nagranie spokojnego przejazdu i wstawiają auto gwałtownie zajeżdżające drogę, by sprawdzić reakcję systemu.",
   "example_en": "Engineers take a recording of a calm drive and insert a car that suddenly cuts in, to test the system's reaction.",
   "for_you": [
    "interesuje cię, jak tworzy się realistyczne testy dla aut",
    "pracujesz z rekonstrukcją 3D ze zdjęć",
    "chcesz mnożyć rzadkie sytuacje z nagrań"
   ],
   "for_you_en": [
    "are curious how realistic car tests are made",
    "work with 3D reconstruction from photos",
    "want to multiply rare situations from recordings"
   ],
   "how": "Statyczne tło i ruchomi aktorzy są odtwarzani osobno w neuronowych siatkach cech, a następnie składani w scenę, w której można aktorów dodać, usunąć lub przesunąć. Renderer generuje dane kamer i LiDAR-u dla nowej trajektorii, a wyuczone priory uzupełniają niewidziane obszary.",
   "how_en": "The static background and moving actors are reconstructed separately in neural feature grids, then composed into a scene where actors can be added, removed or moved. A renderer generates camera and LiDAR data for a new trajectory, while learned priors fill unseen regions.",
   "limits": "Jakość spada przy dużym odejściu od nagranej trasy i w miejscach nigdy niewidzianych. Rekonstrukcja każdej sceny jest kosztowna, a wiarygodna zmiana oświetlenia czy pogody pozostaje trudna.",
   "limits_en": "Quality drops when straying far from the recorded path and in never-seen places. Reconstructing each scene is costly, and convincingly changing lighting or weather remains hard.",
   "terms": [
    {
     "gloss": "Odtworzenie sceny 3D w postaci wyuczonej sieci lub chmury elementów.",
     "term": "rekonstrukcja neuronowa"
    },
    {
     "gloss": "Wygenerowanie obrazu z miejsca, w którym kamery nie było.",
     "term": "synteza nowego widoku"
    },
    {
     "gloss": "Ruchomy obiekt sceny, np. auto, odtwarzany osobno od tła.",
     "term": "aktor dynamiczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Rebuilding a 3D scene as a learned network or cloud of primitives.",
     "term": "neural reconstruction"
    },
    {
     "gloss": "Generating an image from a place where no camera stood.",
     "term": "novel view synthesis"
    },
    {
     "gloss": "A moving scene object, such as a car, rebuilt separately from the background.",
     "term": "dynamic actor"
    }
   ],
   "prereq": [
    "gen3d"
   ],
   "keywords": [
    "UniSim",
    "neural feature grids",
    "neural sensor simulation",
    "novel-view synthesis",
    "LiDAR simulation",
    "sensor-log reconstruction",
    "closed-loop simulation"
   ],
   "source_ids": [
    "unisim-2023"
   ],
   "url": "https://aiatlasgraph.com/t/neuralsensorsim",
   "markdown_url": "https://aiatlasgraph.com/t/neuralsensorsim.md",
   "updated": "2026-10-30"
  },
  "neuroevolution": {
   "id": "neuroevolution",
   "parent_id": "evolutionary",
   "label": "Neuroewolucja",
   "canonical_name": "Neuroevolution",
   "aliases": [
    "neuroevolution",
    "evolving neural networks",
    "neuroewolucja",
    "ewolucja sieci neuronowych"
   ],
   "description": "Stosowanie algorytmów ewolucyjnych do optymalizacji wag, architektur, hiperparametrów lub reguł uczenia sieci neuronowych.",
   "description_en": "Applying evolutionary algorithms to optimise weights, architectures, hyperparameters or learning rules of neural networks.",
   "plain": "Wychowywanie sieci neuronowych ewolucją: zamiast poprawiać jedną sieć krok po kroku, hoduje się populację sieci.",
   "plain_en": "Raising neural networks by evolution: instead of correcting one network step by step, you breed a population of them.",
   "solves": "Zwykłe uczenie sieci wymaga sygnału, jak dokładnie poprawić każdą wagę, a w wielu zadaniach znamy tylko wynik końcowy.",
   "solves_en": "Ordinary network training needs a signal for correcting each weight, but many tasks only reveal the final outcome.",
   "does": "Ocenia całe sieci po tym, jak sobie radzą, i rozmnaża najlepsze; może zmieniać nie tylko wagi, ale też budowę sieci.",
   "does_en": "It scores whole networks by how they perform and breeds the best; it can change not only weights but also the network’s structure.",
   "example": "Postać w grze uczy się sterować pojazdem: po kilkuset pokoleniach sieci, które dojeżdżały dalej, przejmują populację.",
   "example_en": "A game character learns to steer a vehicle: after a few hundred generations networks that drove further take over the population.",
   "for_you": [
    "znasz tylko końcowy wynik zadania, bez podpowiedzi po drodze",
    "chcesz, by program sam dobrał budowę sieci"
   ],
   "for_you_en": [
    "know only the final outcome, with no hints along the way",
    "want software to choose the network’s structure"
   ],
   "how": "Populacja koduje sieci bezpośrednio, jako wagi i połączenia, albo pośrednio, przez reguły rozwoju generujące dużą sieć z małego genomu. Ocena polega na uruchomieniu sieci w zadaniu. Brak propagacji wstecznej pozwala łatwo zrównoleglić obliczenia i optymalizować nieróżniczkowalne cele.",
   "how_en": "The population encodes networks directly, as weights and connections, or indirectly, through developmental rules that grow a large network from a small genome. Evaluation means running the network on the task. Without backpropagation computation parallelises easily and non-differentiable objectives can be optimised.",
   "limits": "Przy milionach wag prosta ewolucja jest mniej wydajna próbkowo niż gradient, więc dla dużych sieci stosuje się strategie ewolucyjne i dużo obliczeń. Wynik zależy od kodowania sieci.",
   "limits_en": "With millions of weights simple evolution is less sample-efficient than gradients, so large networks rely on evolution strategies and heavy compute. Results depend on network encoding.",
   "terms": [
    {
     "gloss": "Genom opisuje reguły budowy sieci, nie każde połączenie z osobna.",
     "term": "kodowanie pośrednie"
    },
    {
     "gloss": "Poprawianie modelu tylko na podstawie ocen, bez pochodnych.",
     "term": "optymalizacja bez gradientu"
    }
   ],
   "terms_en": [
    {
     "gloss": "The genome describes rules for building a network, not each connection.",
     "term": "indirect encoding"
    },
    {
     "gloss": "Improving a model using only scores, without derivatives.",
     "term": "gradient-free optimisation"
    }
   ],
   "prereq": [
    "neuralbasics"
   ],
   "keywords": [
    "NEAT",
    "HyperNEAT",
    "CoDeepNEAT",
    "evolution strategies",
    "evolutionary architecture search",
    "EvoJAX",
    "evosax",
    "population-based training",
    "indirect encoding"
   ],
   "source_ids": [
    "gecco2026tracks",
    "neuroevolution-review-2019"
   ],
   "url": "https://aiatlasgraph.com/t/neuroevolution",
   "markdown_url": "https://aiatlasgraph.com/t/neuroevolution.md",
   "updated": "2026-10-30"
  },
  "neurosymbolic": {
   "id": "neurosymbolic",
   "parent_id": "logic",
   "label": "AI neurosymboliczna",
   "canonical_name": "Neuro-symbolic AI",
   "description": "Łączenie sieci neuronowych (uczenie z danych) z systemami symbolicznymi (logika, reguły, solwery), np. LLM tłumaczący problem na język formalny dla solwera.",
   "description_en": "Combining neural networks (learning from data) with symbolic systems (logic, rules, solvers), e.g. an LLM translating a problem into a formal language for a solver.",
   "examples": "LLM + solwer · LLM-Modulo · reguły jako ograniczenia · rozumowanie na grafach wiedzy",
   "examples_en": "LLM + solver · LLM-Modulo · rules as constraints · reasoning over knowledge graphs",
   "plain": "To łączenie modeli uczących się z przykładów z programami, które sprawdzają jawne reguły.",
   "plain_en": "This combines models that learn from examples with software that checks explicit rules.",
   "solves": "Model potrafi rozpoznać opis zadania, ale jego propozycja może naruszać warunki, które muszą być spełnione.",
   "solves_en": "A model can understand a task description, yet its proposal may violate conditions that must hold.",
   "does": "Model rozpoznaje treść lub zapisuje problem, a część oparta na regułach sprawdza ograniczenia i wyprowadza wnioski.",
   "does_en": "A model recognises content or represents a problem, while a rule system checks constraints and draws conclusions.",
   "example": "Opisujesz dyżury zwykłymi słowami, asystent zapisuje wymagania, a osobny program sprawdza, czy proponowany grafik je spełnia.",
   "example_en": "You describe shifts in everyday language, an assistant records the requirements and separate software checks whether the proposed schedule satisfies them.",
   "for_you": [
    "chcesz połączyć swobodny opis z twardymi warunkami",
    "wynik musi przejść sprawdzenie według ustalonych reguł"
   ],
   "for_you_en": [
    "want everyday descriptions combined with strict conditions",
    "need results checked against defined rules"
   ],
   "how": "Model neuronowy tworzy reprezentacje, fakty lub kandydackie rozwiązania, a komponent symboliczny stosuje reguły i ograniczenia. Weryfikacja albo feedback solvera może sterować kolejnymi propozycjami i uczeniem.",
   "how_en": "A neural model produces representations, facts or candidate solutions, while a symbolic component applies rules and constraints. Verification or solver feedback can guide further proposals and learning.",
   "limits": "Przekład między reprezentacją uczoną i formalną może gubić znaczenie. Solver sprawdza własny model, więc formalna poprawność nie gwarantuje zgodności z intencją użytkownika.",
   "limits_en": "Translation between learned and formal representations can lose meaning. Solvers check their own models, so formal correctness does not guarantee agreement with user intent.",
   "terms": [
    {
     "gloss": "Algorytm poszukujący rozwiązania spełniającego formalnie opisane warunki.",
     "term": "solver"
    },
    {
     "gloss": "Przekład zadania na symbole, reguły i założenia dostępne dla weryfikatora.",
     "term": "formalizacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "An algorithm seeking a solution satisfying formally specified conditions.",
     "term": "solver"
    },
    {
     "gloss": "Translating a task into symbols, rules and assumptions available to a verifier.",
     "term": "formalisation"
    }
   ],
   "prereq": [
    "neuralbasics",
    "fol"
   ],
   "keywords": [
    "LLM-Modulo",
    "LLM+P",
    "symbolic constraints",
    "SAT solvers",
    "SMT solvers",
    "solver feedback"
   ],
   "source_ids": [
    "llmp2023",
    "kambhampati2024llmmodulo",
    "colelough2025nesy",
    "nesy-llm-2508"
   ],
   "url": "https://aiatlasgraph.com/t/neurosymbolic",
   "markdown_url": "https://aiatlasgraph.com/t/neurosymbolic.md",
   "updated": "2026-10-30"
  },
  "nextpoi": {
   "id": "nextpoi",
   "parent_id": "mobilityai",
   "label": "Przewidywanie, dokąd ktoś pójdzie dalej",
   "canonical_name": "Next point-of-interest (POI) recommendation",
   "aliases": [
    "next POI recommendation",
    "next-place prediction",
    "rekomendacja następnego miejsca"
   ],
   "description": "Przewidywanie kolejnego odwiedzanego miejsca z sekwencji zameldowań, uwzględniające kontekst przestrzenny, czasowy i społeczny.",
   "description_en": "Predicting the next visited place from a sequence of check-ins, using spatial, temporal and social context.",
   "plain": "Zgadywanie na podstawie historii odwiedzin, do jakiej kawiarni, sklepu czy muzeum dana osoba wybierze się jako następne.",
   "plain_en": "Guessing from past visits which café, shop or museum a person will head to next.",
   "solves": "Polecanie miejsc bez brania pod uwagę pory dnia i tego, gdzie ktoś właśnie jest, daje propozycje bezużyteczne, bo za daleko albo zamknięte.",
   "solves_en": "Recommending places without regard to time of day or current location yields useless ideas: too far away or closed.",
   "does": "Jak znajomy przewodnik, który wie, że po porannej kawie zwykle idziesz na targ, a w deszczowe popołudnia do kina blisko domu.",
   "does_en": "Like a local guide who knows that after morning coffee you usually go to the market, and on rainy afternoons to a cinema near home.",
   "example": "Turysta w obcym mieście dostaje po zwiedzaniu katedry podpowiedź pobliskiej restauracji, która jest jeszcze otwarta.",
   "example_en": "A tourist in a foreign city, after visiting the cathedral, gets a tip for a nearby restaurant that is still open.",
   "for_you": [
    "dostajesz w telefonie podpowiedzi miejsc w okolicy",
    "prowadzisz lokal i chcesz zrozumieć ruch klientów"
   ],
   "for_you_en": [
    "get nearby place suggestions on your phone",
    "run a venue and want to understand customer flow"
   ],
   "how": "Historia użytkownika to sekwencja zameldowań z miejscem i czasem. Modele rekurencyjne i z uwagą kodują tę sekwencję, dodając odległości i odstępy czasu między wizytami, a grafy przejść między miejscami i znajomości dostarczają kontekstu wspólnego dla wielu osób. Nowsze prace używają modeli językowych jako rekomendatorów.",
   "how_en": "A user's history is a sequence of check-ins with place and time. Recurrent and attention models encode it, adding distances and time gaps between visits, while place-transition and friendship graphs supply context shared across users. Newer work uses language models as recommenders.",
   "limits": "Dane są bardzo rzadkie: większość osób odwiedza nieliczne miejsca, a nowych użytkowników i lokali nie ma w historii. Publiczne zbiory pochodzą głównie z kilku serwisów zameldowań. Historia wizyt zdradza dom, pracę i zwyczaje.",
   "limits_en": "Data are very sparse: most people visit few places, and new users and venues have no history. Public datasets come mainly from a few check-in services. Visit histories reveal home, work and habits.",
   "terms": [
    {
     "gloss": "punkt zainteresowania: konkretne miejsce, np. kawiarnia lub muzeum",
     "term": "POI"
    },
    {
     "gloss": "serwis społecznościowy, w którym ludzie meldowali się w miejscach",
     "term": "LBSN"
    },
    {
     "gloss": "brak historii dla nowego użytkownika lub nowego miejsca",
     "term": "cold start"
    }
   ],
   "terms_en": [
    {
     "gloss": "point of interest: a specific place such as a café or museum",
     "term": "POI"
    },
    {
     "gloss": "social network where people checked in at places",
     "term": "LBSN"
    },
    {
     "gloss": "no history for a new user or a new place",
     "term": "cold start"
    }
   ],
   "prereq": [
    "recommenders"
   ],
   "keywords": [
    "Foursquare check-ins",
    "Gowalla",
    "STAN",
    "GETNext",
    "Flashback",
    "LSTPM",
    "LLM4POI",
    "cold start"
   ],
   "source_ids": [
    "poi-rec-survey-2020"
   ],
   "url": "https://aiatlasgraph.com/t/nextpoi",
   "markdown_url": "https://aiatlasgraph.com/t/nextpoi.md",
   "updated": "2026-10-30"
  },
  "nexttoken": {
   "id": "nexttoken",
   "parent_id": "pretraining",
   "label": "Przewidywanie następnego tokenu (modele autoregresyjne)",
   "canonical_name": "Next-token prediction objective",
   "aliases": [
    "next-token prediction",
    "causal language modeling",
    "autoregressive LM objective",
    "przewidywanie następnego tokenu"
   ],
   "description": "Typowy cel pretrainingu autoregresyjnego modelu językowego: przewidzieć kolejny token na podstawie poprzednich. Błąd jest zwykle optymalizowany jako entropia krzyżowa.",
   "description_en": "A common pretraining objective for autoregressive language models: predict the next token from the preceding ones. The error is typically optimised as cross-entropy.",
   "examples": "model przyczynowy (causal LM) · strata entropii krzyżowej · perplexity · mały GPT od zera",
   "examples_en": "causal LM · cross-entropy loss · perplexity · a small GPT from scratch",
   "plain": "To uczenie modelu przewidywania kolejnego kawałka tekstu na podstawie wcześniejszych fragmentów.",
   "plain_en": "This trains a model to predict the next text piece from preceding fragments.",
   "solves": "Masz wiele tekstów, ale nie ma przy nich ręcznie napisanych pytań i odpowiedzi do treningu.",
   "solves_en": "You have many texts but no manually written training questions and answers attached to them.",
   "does": "Sam tekst dostarcza celu: model widzi początek, przewiduje dalszy fragment i poprawia ustawienia według różnicy względem oryginału.",
   "does_en": "Text supplies its own target: a model sees a prefix, predicts what follows and adjusts parameters against the original continuation.",
   "example": "Podczas treningu model dostaje początek przepisu i ćwiczy przewidywanie jego dalszych słów.",
   "example_en": "During training, a model receives the beginning of a recipe and practises predicting its next words.",
   "for_you": [
    "poznajesz podstawowy cel treningu modeli językowych",
    "masz teksty bez dodatkowych etykiet"
   ],
   "for_you_en": [
    "study a basic language-model training objective",
    "have texts without extra labels"
   ],
   "how": "Sekwencję wejściową przesuwa się względem celów, aby każda pozycja przewidywała następujący token. Maska przyczynowa blokuje przyszłość, a suma ujemnych log-prawdopodobieństw uczy rozkładu warunkowego na prefiksach treningowych.",
   "how_en": "Inputs are shifted relative to targets so each position predicts its following token. Causal masking blocks future information, and summed negative log probabilities train conditional distributions over training prefixes.",
   "limits": "Trening korzysta z prawdziwych prefiksów, a generowanie z własnych tokenów. Różnica rozkładu może kumulować błędy; niski błąd tokenowy nie gwarantuje prawdziwych ani użytecznych odpowiedzi.",
   "limits_en": "Training uses reference prefixes while generation uses its own tokens. Distribution differences can accumulate errors; low token loss cannot guarantee truthful or useful answers.",
   "terms": [
    {
     "gloss": "Używanie prawdziwych wcześniejszych tokenów jako kontekstu podczas treningu.",
     "term": "teacher forcing"
    },
    {
     "gloss": "Koszt rosnący, gdy model przypisuje małą prawdopodobność zaobserwowanemu wynikowi.",
     "term": "ujemna log-wiarygodność"
    }
   ],
   "terms_en": [
    {
     "gloss": "Using reference earlier tokens as context during training.",
     "term": "teacher forcing"
    },
    {
     "gloss": "A cost increasing when a model assigns low probability to observed outcomes.",
     "term": "negative log-likelihood"
    }
   ],
   "prereq": [
    "tokenization",
    "lossfunctions"
   ],
   "keywords": [
    "causal language modeling",
    "cross-entropy loss",
    "teacher forcing",
    "perplexity",
    "autoregressive decoding",
    "multi-token prediction"
   ],
   "source_ids": [
    "hf-causal-lm"
   ],
   "url": "https://aiatlasgraph.com/t/nexttoken",
   "markdown_url": "https://aiatlasgraph.com/t/nexttoken.md",
   "updated": "2026-10-30"
  },
  "niching": {
   "id": "niching",
   "parent_id": "evodesign",
   "label": "Nisze i utrzymywanie różnorodności populacji",
   "canonical_name": "Niching and diversity preservation",
   "aliases": [
    "niching",
    "niching methods",
    "diversity preservation",
    "metody niszowe",
    "utrzymywanie różnorodności"
   ],
   "description": "Techniki zachowania różnorodności, pozwalające metaheurystykom populacyjnym znaleźć wiele optimów funkcji wielomodalnej w jednym przebiegu.",
   "description_en": "Diversity-preserving techniques that let population-based metaheuristics locate multiple optima of a multimodal function in a single run.",
   "plain": "Sztuczki, które nie pozwalają całej populacji stłoczyć się wokół jednego rozwiązania i pozwalają znaleźć kilka dobrych naraz.",
   "plain_en": "Tricks that stop the whole population crowding around one solution and let it find several good ones at once.",
   "solves": "Algorytm szybko zbiega do jednego pomysłu, często nie najlepszego, i gubi inne obiecujące warianty.",
   "solves_en": "The algorithm quickly converges on one idea, often not the best, and loses other promising options.",
   "does": "Jak kilka restauracji na jednej ulicy: gdy jedna kuchnia ma już tłum gości, opłaca się otworzyć inną, zamiast kolejnej takiej samej.",
   "does_en": "Like restaurants on one street: when one cuisine already has a crowd, it pays to open a different one rather than another copy.",
   "example": "Inżynier projektuje wspornik i dostaje od algorytmu trzy zupełnie różne, równie mocne kształty, między którymi wybiera po kosztach produkcji.",
   "example_en": "An engineer designing a bracket gets three quite different, equally strong shapes from the algorithm and chooses among them by production cost.",
   "for_you": [
    "twój problem ma wiele równie dobrych rozwiązań",
    "algorytm zbyt szybko przestaje się poprawiać",
    "chcesz mieć kilka wariantów do wyboru"
   ],
   "for_you_en": [
    "your problem has many equally good solutions",
    "the algorithm stops improving too early",
    "want several options to choose from"
   ],
   "how": "Współdzielenie przystosowania obniża ocenę osobników w zatłoczonym sąsiedztwie. Crowding każe potomkowi zastąpić najbardziej podobnego osobnika, o ile jest lepszy. Clearing i specjacja wyznaczają zwycięzców nisz i podpopulacje wokół różnych optimów.",
   "how_en": "Fitness sharing lowers the fitness of individuals in a crowded neighbourhood. Crowding makes an offspring replace the most similar individual if it is better. Clearing and speciation pick niche winners and grow subpopulations around different optima.",
   "limits": "Wiele metod wymaga promienia niszy, który trudno dobrać bez wiedzy o problemie i który zawodzi przy nierówno rozłożonych optimach. Liczenie odległości między osobnikami jest kosztowne w dużych populacjach.",
   "limits_en": "Many methods need a niche radius that is hard to set without problem knowledge and fails when optima are unevenly spaced. Computing pairwise distances is costly for large populations.",
   "terms": [
    {
     "gloss": "Funkcja celu z wieloma szczytami lub dolinami.",
     "term": "funkcja wielomodalna"
    },
    {
     "gloss": "Odległość, poniżej której osobniki uznaje się za konkurentów.",
     "term": "promień niszy"
    },
    {
     "gloss": "Utrata różnorodności, zanim znaleziono dobre rozwiązanie.",
     "term": "przedwczesna zbieżność"
    }
   ],
   "terms_en": [
    {
     "gloss": "An objective with many peaks or valleys.",
     "term": "multimodal function"
    },
    {
     "gloss": "Distance below which individuals are treated as competitors.",
     "term": "niche radius"
    },
    {
     "gloss": "Losing diversity before a good solution has been found.",
     "term": "premature convergence"
    }
   ],
   "prereq": [
    "geneticalgorithms"
   ],
   "keywords": [
    "fitness sharing",
    "deterministic crowding",
    "clearing",
    "speciation",
    "restricted tournament selection",
    "multimodal optimization",
    "CEC niching benchmark",
    "diversity maintenance"
   ],
   "source_ids": [
    "li-niching-2017"
   ],
   "url": "https://aiatlasgraph.com/t/niching",
   "markdown_url": "https://aiatlasgraph.com/t/niching.md",
   "updated": "2026-10-30"
  },
  "nli": {
   "id": "nli",
   "parent_id": "textclassification",
   "label": "Wnioskowanie z tekstu: czy zdanie wynika z innego (NLI)",
   "canonical_name": "Natural language inference (textual entailment)",
   "aliases": [
    "NLI",
    "natural language inference",
    "textual entailment",
    "RTE",
    "recognizing textual entailment",
    "wynikanie tekstowe"
   ],
   "description": "Klasyfikacja pary przesłanka–hipoteza do klas: wynikanie, sprzeczność, neutralność.",
   "description_en": "Classifying a premise–hypothesis pair as entailment, contradiction or neutral.",
   "plain": "Program dostaje dwa zdania i ocenia, czy drugie wynika z pierwszego, przeczy mu, czy nic o nim nie mówi.",
   "plain_en": "Software gets two sentences and judges whether the second follows from the first, contradicts it, or is unrelated.",
   "solves": "Trudno automatycznie sprawdzić, czy streszczenie, odpowiedź lub umowa naprawdę mówi to samo co oryginał.",
   "solves_en": "It is hard to check automatically whether a summary, answer or contract really says the same as the original.",
   "does": "Jak egzaminator logiki: nie pyta, czy zdania brzmią podobnie, tylko czy jedno daje się wyczytać z drugiego.",
   "does_en": "Like a logic examiner: it asks not whether sentences sound alike but whether one can be read out of the other.",
   "example": "Narzędzie do sprawdzania faktów podkreśla zdanie w odpowiedzi czatu, którego nie potwierdza żaden załączony dokument.",
   "example_en": "A fact-checking tool highlights a sentence in a chatbot's answer that no attached document supports.",
   "for_you": [
    "sprawdzasz, czy odpowiedź AI zgadza się ze źródłem",
    "porównujesz wersje umów lub regulaminów",
    "chcesz klasyfikować teksty bez trenowania modelu"
   ],
   "for_you_en": [
    "check whether an AI answer matches its source",
    "compare versions of contracts or terms",
    "want to classify texts without training a model"
   ],
   "how": "Przesłanka i hipoteza trafiają razem do enkodera (cross-encoder), a głowica klasyfikacyjna przewiduje jedną z trzech klas. Modele trenuje się na dużych korpusach par zdań z ręcznymi etykietami; wynik wynikania służy też do wykrywania halucynacji i klasyfikacji zero-shot.",
   "how_en": "Premise and hypothesis go into one encoder (cross-encoder) and a classification head predicts one of three classes. Models are trained on large human-labelled sentence-pair corpora; the entailment score is reused for hallucination detection and zero-shot classification.",
   "limits": "MultiNLI pokazuje różnice między gatunkami tekstu, więc wynik na jednym typie danych nie gwarantuje przeniesienia na inny. NLI ocenia relację między podaną przesłanką a hipotezą; nie sprawdza, czy sama przesłanka jest prawdziwa.",
   "limits_en": "MultiNLI shows performance differences across text genres, so results on one data type do not guarantee transfer to another. NLI evaluates the relation between a supplied premise and hypothesis; it does not verify whether the premise itself is true.",
   "terms": [
    {
     "gloss": "Tekst, z którego coś ma wynikać.",
     "term": "przesłanka"
    },
    {
     "gloss": "Zdanie sprawdzane względem przesłanki.",
     "term": "hipoteza"
    },
    {
     "gloss": "Przypadkowe wskazówki w danych, które model wykorzystuje zamiast rozumienia.",
     "term": "annotation artifacts"
    }
   ],
   "terms_en": [
    {
     "gloss": "The text from which something should follow.",
     "term": "premise"
    },
    {
     "gloss": "The sentence checked against the premise.",
     "term": "hypothesis"
    },
    {
     "gloss": "Accidental cues in data that models exploit instead of understanding.",
     "term": "annotation artifacts"
    }
   ],
   "prereq": [
    "transformers"
   ],
   "keywords": [
    "natural language inference",
    "textual entailment",
    "entailment",
    "contradiction",
    "neutral",
    "MultiNLI",
    "MNLI",
    "SNLI",
    "cross-genre NLI",
    "factual consistency"
   ],
   "source_ids": [
    "laurer-2023-nli-universal-classifiers",
    "williams-2017-multinli",
    "gururangan-2018-nli-artifacts"
   ],
   "url": "https://aiatlasgraph.com/t/nli",
   "markdown_url": "https://aiatlasgraph.com/t/nli.md",
   "updated": "2026-10-30"
  },
  "nlp": {
   "id": "nlp",
   "parent_id": "modalities",
   "label": "Język naturalny",
   "canonical_name": "Natural language processing",
   "description": "Rozumienie i wytwarzanie języka.",
   "description_en": "Understanding and producing language.",
   "examples": "Tłumaczenie · ekstrakcja · klasyfikacja",
   "examples_en": "Translation · extraction · classification",
   "plain": "To dziedzina uczenia komputerów czytania, rozumienia i pisania tekstu w ludzkich językach.",
   "plain_en": "This is the field of teaching computers to read, understand and write text in human languages.",
   "solves": "Ludzie piszą i mówią swobodnie, a programy potrzebują uporządkowanych danych, więc ogromne ilości tekstu zostają nieprzeczytane.",
   "solves_en": "People write and speak freely while software needs tidy data, so huge amounts of text go unread.",
   "does": "Rozbija tekst na kawałki, uczy się, jak słowa zwykle występują razem, i na tej podstawie odpowiada, tłumaczy albo porządkuje.",
   "does_en": "It breaks text into pieces, learns how words usually go together, and uses that to answer, translate or sort.",
   "example": "Skrzynka pocztowa sama odkłada reklamy do osobnego folderu, a telefon podpowiada następne słowo, gdy piszesz wiadomość.",
   "example_en": "Your inbox moves adverts into a separate folder on its own, and your phone suggests the next word as you type.",
   "for_you": [
    "masz dużo tekstu do przeczytania lub uporządkowania",
    "piszesz w języku innym niż angielski i chcesz dobrych wyników",
    "chcesz rozmawiać z programem zwykłymi zdaniami"
   ],
   "for_you_en": [
    "have more text than you can read or sort",
    "work in languages with less training data",
    "want to talk to software in ordinary sentences"
   ],
   "how": "Tokeny i reprezentacje kontekstowe kodują formę oraz zależności w tekście. Reguły, modele statystyczne i sieci neuronowe przewidują etykiety, relacje lub kolejne fragmenty języka zgodnie z celem zadania.",
   "how_en": "Tokens and contextual representations encode textual form and dependencies. Rules, statistical models and neural networks predict labels, relations or subsequent language segments under task objectives.",
   "limits": "Wieloznaczność, kontekst i zmiany domeny utrudniają interpretację. Jakość zależy od języka i danych; poprawność gramatyczna nie gwarantuje zachowania znaczenia ani faktów.",
   "limits_en": "Ambiguity, context and domain shifts complicate interpretation. Quality depends on language and data; grammatical correctness does not ensure preserved meaning or facts.",
   "terms": [
    {
     "gloss": "Jednostka tekstu przetwarzana przez model, niekoniecznie całe słowo.",
     "term": "token"
    },
    {
     "gloss": "Wektor znaczenia elementu zależny od otaczającego tekstu.",
     "term": "reprezentacja kontekstowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A text unit processed by a model, not necessarily a whole word.",
     "term": "token"
    },
    {
     "gloss": "An element's vector representation depending on surrounding text.",
     "term": "contextual representation"
    }
   ],
   "prereq": [
    "supervised",
    "infotheory"
   ],
   "keywords": [
    "BPE",
    "contextual embeddings",
    "BERT",
    "sequence-to-sequence models",
    "named entity recognition",
    "natural language inference",
    "SQuAD",
    "ROUGE",
    "BLEU",
    "SentencePiece"
   ],
   "source_ids": [
    "audio",
    "vision",
    "cs336",
    "dlai",
    "hf-tasks-nlp",
    "jurafsky-martin-slp3"
   ],
   "url": "https://aiatlasgraph.com/t/nlp",
   "markdown_url": "https://aiatlasgraph.com/t/nlp.md",
   "updated": "2026-10-30"
  },
  "nnregularization": {
   "id": "nnregularization",
   "parent_id": "neuralbasics",
   "label": "Regularyzacja sieci: dropout i weight decay",
   "canonical_name": "Neural network regularisation: dropout and weight decay",
   "aliases": [
    "dropout",
    "weight decay",
    "regularyzacja",
    "regularization",
    "early stopping",
    "wczesne zatrzymanie"
   ],
   "description": "Techniki ograniczające przeuczenie głębokich sieci. Dropout losowo wyłącza neurony podczas treningu, weight decay karze duże wagi; do tej rodziny należą też wczesne zatrzymanie i augmentacja danych.",
   "description_en": "Techniques that curb overfitting in deep networks. Dropout randomly switches off units during training; weight decay penalises large weights; early stopping and data augmentation belong to the same family.",
   "examples": "dropout · weight decay (L2) · wczesne zatrzymanie · augmentacja danych",
   "examples_en": "dropout · weight decay (L2) · early stopping · data augmentation",
   "plain": "To sposoby utrudniające sieci zapamiętanie przykładów zamiast nauczenia się wzorów przydatnych na nowych danych.",
   "plain_en": "These methods discourage a network from memorising examples instead of learning patterns useful on new data.",
   "solves": "Model świetnie zna ćwiczenia treningowe, ale myli się na zdjęciach lub tekstach, których wcześniej nie widział.",
   "solves_en": "A model handles training examples well but makes mistakes on photos or texts it has not seen before.",
   "does": "Trening może losowo wyłączać część sygnałów, ograniczać wielkość ustawień lub zatrzymywać naukę, gdy dalsze poprawki szkodzą nowym przykładom.",
   "does_en": "Training can randomly disable connections, limit parameter sizes or stop learning when further updates harm performance on held-out examples.",
   "example": "Model kwiatów dostaje podczas treningu różne ujęcia i ograniczenia, a ty sprawdzasz go na nowych zdjęciach.",
   "example_en": "A flower model receives varied views and training constraints, and you test it on new photos.",
   "for_you": [
    "model zapamiętuje mały zbiór danych",
    "chcesz lepszych wyników na nowych przykładach"
   ],
   "for_you_en": [
    "find a model memorises a small dataset",
    "want better results on new examples"
   ],
   "how": "Dropout losowo maskuje aktywacje w treningu, ograniczając stałą współzależność jednostek. Weight decay zmniejsza wagi podczas aktualizacji, a walidacja steruje siłą ograniczeń i momentem zakończenia uczenia.",
   "how_en": "Dropout randomly masks training activations, limiting persistent unit co-dependence. Weight decay shrinks weights during updates, while validation guides constraint strength and when training stops.",
   "limits": "Zbyt silna regularyzacja prowadzi do niedouczenia. Dropout zmienia zachowanie między treningiem i inferencją; kara kwadratowa i oddzielony weight decay nie są równoważne dla wszystkich optymalizatorów.",
   "limits_en": "Excessive regularisation causes underfitting. Dropout changes behaviour between training and inference; quadratic penalties and decoupled weight decay are not equivalent for every optimiser.",
   "terms": [
    {
     "gloss": "Losowe wyłączanie części aktywacji podczas treningu.",
     "term": "dropout"
    },
    {
     "gloss": "Zmniejszanie wag w kolejnych aktualizacjach modelu.",
     "term": "weight decay"
    }
   ],
   "terms_en": [
    {
     "gloss": "Randomly disabling some activations during training.",
     "term": "dropout"
    },
    {
     "gloss": "Shrinking weights across successive model updates.",
     "term": "weight decay"
    }
   ],
   "prereq": [
    "biasvariance",
    "crossval"
   ],
   "keywords": [
    "dropout",
    "weight decay",
    "early stopping",
    "data augmentation",
    "stochastic depth"
   ],
   "source_ids": [
    "d2l-toc",
    "udlbook-toc",
    "dropout-2014"
   ],
   "url": "https://aiatlasgraph.com/t/nnregularization",
   "markdown_url": "https://aiatlasgraph.com/t/nnregularization.md",
   "updated": "2026-10-30"
  },
  "nofreelunch": {
   "id": "nofreelunch",
   "parent_id": "learningtheory",
   "label": "Brak darmowego obiadu i założenia wstępne modelu",
   "canonical_name": "No free lunch theorem and inductive bias",
   "aliases": [
    "no free lunch",
    "NFL theorem",
    "inductive bias",
    "obciążenie indukcyjne",
    "twierdzenie o braku darmowego obiadu"
   ],
   "description": "Wynik mówiący, że uśrednione po wszystkich możliwych problemach żaden algorytm uczenia nie przewyższa innych; sukces wymaga obciążenia indukcyjnego.",
   "description_en": "Result stating that, averaged over all possible problems, no learning algorithm beats another; success requires inductive bias.",
   "plain": "Twierdzenie, że nie istnieje jeden algorytm uczenia najlepszy do wszystkiego; każdy wygrywa dzięki założeniom pasującym do danego problemu.",
   "plain_en": "The result that no single learning algorithm is best at everything; each wins thanks to assumptions that fit the problem.",
   "solves": "Ludzie szukają uniwersalnie najlepszej metody i rozczarowują się, gdy model świetny w jednym zadaniu zawodzi w innym.",
   "solves_en": "People look for a universally best method and are disappointed when a model great at one task fails at another.",
   "does": "Przypomina dobór narzędzi: młotek jest świetny do gwoździ, a kiepski do śrub — siłę daje dopasowanie założeń do zadania.",
   "does_en": "Like choosing tools: a hammer is great for nails and poor for screws — strength comes from matching assumptions to the task.",
   "example": "Model rozpoznający zdjęcia dobrze radzi sobie z obrazami, ale do przewidywania sprzedaży z tabeli lepiej sprawdza się prostsza metoda.",
   "example_en": "A model that recognises photos handles images well, but a simpler method works better for predicting sales from a table.",
   "for_you": [
    "wybierasz metodę do nowego problemu",
    "słyszysz, że jakiś model jest najlepszy do wszystkiego"
   ],
   "for_you_en": [
    "choose a method for a new problem",
    "hear that some model is best at everything"
   ],
   "how": "Dla dowolnego algorytmu istnieje rozkład, na którym zawodzi, choć inny algorytm by sobie poradził. Uczenie jest więc możliwe tylko przy wiedzy wstępnej: ograniczeniu klasy hipotez, regularyzacji lub architekturze dopasowanej do struktury danych, np. splotach dla obrazów. Prowadzi to do kompromisu między obciążeniem a złożonością.",
   "how_en": "For any algorithm there is a distribution on which it fails while another algorithm succeeds. Learning is therefore possible only with prior knowledge: restricting the hypothesis class, regularisation or an architecture matched to data structure, such as convolutions for images. This leads to the bias-complexity trade-off.",
   "limits": "Twierdzenie dotyczy średniej po wszystkich problemach, a rzeczywiste dane mają strukturę, więc nie znaczy, że wszystkie metody są w praktyce równie dobre. Bywa nadużywane jako argument przeciw porównaniom.",
   "limits_en": "The theorem concerns an average over all problems, while real data has structure, so it does not mean all methods are equally good in practice. It is sometimes misused as an argument against comparisons.",
   "terms": [
    {
     "gloss": "Założenia, które algorytm wnosi, zanim zobaczy dane.",
     "term": "obciążenie indukcyjne"
    },
    {
     "gloss": "Prostsza klasa modeli mniej przeucza, ale może nie objąć prawdy.",
     "term": "kompromis obciążenie–złożoność"
    }
   ],
   "terms_en": [
    {
     "gloss": "Assumptions an algorithm brings before seeing data.",
     "term": "inductive bias"
    },
    {
     "gloss": "A simpler model class overfits less but may miss the truth.",
     "term": "bias-complexity trade-off"
    }
   ],
   "prereq": [
    "supervised",
    "biasvariance"
   ],
   "keywords": [
    "inductive bias",
    "bias-complexity tradeoff",
    "Wolpert",
    "prior knowledge",
    "regularization",
    "Occam's razor",
    "minimum description length"
   ],
   "source_ids": [
    "shalev-bendavid-uml-2014"
   ],
   "url": "https://aiatlasgraph.com/t/nofreelunch",
   "markdown_url": "https://aiatlasgraph.com/t/nofreelunch.md",
   "updated": "2026-10-30"
  },
  "noiseshift": {
   "id": "noiseshift",
   "parent_id": "pixeldiffusion",
   "label": "Przesunięcie harmonogramu szumu",
   "canonical_name": "Noise-schedule shifting for high-resolution pixels",
   "aliases": [
    "noise schedule shift",
    "logSNR shift",
    "schedule shifting",
    "przesunięcie logSNR"
   ],
   "description": "Korekta logarytmu stosunku sygnału do szumu, gdy rośnie liczba pikseli.",
   "description_en": "An adjustment of log signal-to-noise ratio as the pixel count grows.",
   "plain": "Przy większym obrazie ten sam szum zostawia za dużo struktury, więc krzywą szumu trzeba przesunąć.",
   "plain_en": "On a larger image the same noise leaves too much structure, so the noise curve must shift.",
   "solves": "Duży obraz ma powtarzalne sąsiednie punkty, a zwykły poziom szumu nie ukrywa układu dość wcześnie.",
   "solves_en": "A large image has repetitive neighbouring points, and ordinary noise hides the layout too late.",
   "does": "Przesuwa krzywą szumu tak, by wyższa rozdzielczość dostawała mocniejsze zaszumienie na tym samym etapie.",
   "does_en": "It shifts the noise curve so a higher resolution gets stronger corruption at the same stage.",
   "example": "Model ćwiczy na małych zdjęciach, a po przejściu na duże plansze bez korekty krzywej traci kompozycję.",
   "example_en": "A model trains on small photos, then loses composition on large canvases if the curve is not adjusted.",
   "for_you": [
    "powiększasz obrazy i jakość nagle spada",
    "jedna krzywa szumu ma działać na kilku rozdzielczościach",
    "chcesz uniknąć osobnych etapów powiększania"
   ],
   "for_you_en": [
    "quality drops when you enlarge images",
    "one noise curve must cover several resolutions",
    "want to avoid separate upscaling stages"
   ],
   "how": "Przy podwojeniu szerokości i wysokości obrazu harmonogram przesuwa się w stronę większego szumu, co w opisie logSNR odpowiada obniżeniu o log 4. Można to uzyskać przez przeskalowanie danych albo równoważne przesunięcie harmonogramu bez zmiany kształtu krzywej.",
   "how_en": "When both image dimensions double, the schedule shifts towards more noise, corresponding to lowering logSNR by log 4. This can be implemented by rescaling the data or by an equivalent schedule shift without changing the curve's shape.",
   "limits": "Optymalny harmonogram zależy od zadania i rozdzielczości, więc korekta nie jest uniwersalną stałą dla każdego zbioru. Sama zmiana logSNR nie zmniejsza kosztu uwagi nad pełną siatką pikseli.",
   "limits_en": "The optimal schedule depends on the task and image size, so the correction is not a universal constant for every dataset. Changing logSNR alone does not reduce the cost of attention over the full pixel grid.",
   "terms": [
    {
     "gloss": "Ile prawdziwego obrazu zostaje względem dodanego szumu.",
     "term": "stosunek sygnału do szumu"
    },
    {
     "gloss": "Krzywa mówiąca, jak mocno psuć obraz na każdym etapie.",
     "term": "harmonogram szumu"
    },
    {
     "gloss": "Sąsiednie punkty powtarzają podobną informację, zwłaszcza w dużym obrazie.",
     "term": "redundancja pikseli"
    }
   ],
   "terms_en": [
    {
     "gloss": "How much true image remains relative to added noise.",
     "term": "signal-to-noise ratio"
    },
    {
     "gloss": "The curve saying how strongly to corrupt the image at each stage.",
     "term": "noise schedule"
    },
    {
     "gloss": "Neighbouring points repeat similar information, especially in a large image.",
     "term": "pixel redundancy"
    }
   ],
   "prereq": [
    "ddpm"
   ],
   "keywords": [
    "noise schedule shifting",
    "logSNR",
    "high-resolution diffusion",
    "signal-to-noise ratio",
    "simple diffusion",
    "resolution curriculum"
   ],
   "source_ids": [
    "simple-diffusion-2023",
    "noise-scheduling-chen-2023",
    "dieleman-noise-schedules-2024"
   ],
   "url": "https://aiatlasgraph.com/t/noiseshift",
   "markdown_url": "https://aiatlasgraph.com/t/noiseshift.md",
   "updated": "2026-10-30"
  },
  "noiseterrain": {
   "id": "noiseterrain",
   "parent_id": "pcg",
   "label": "Generowanie terenu z szumu i fraktali",
   "canonical_name": "Noise- and fractal-based terrain generation",
   "aliases": [
    "noise-based terrain generation",
    "fractal terrain generation",
    "generowanie terenu z szumu",
    "generowanie terenu fraktalnego"
   ],
   "description": "Klasyczne PCG terenu: mapy wysokości z szumu gradientowego lub wartościowego sumowanego w oktawach oraz algorytmy podziału (diamond-square) przybliżające ułamkowy ruch Browna.",
   "description_en": "Classic terrain PCG: heightmaps from gradient or value noise summed over octaves and subdivision algorithms (diamond-square) approximating fractional Brownian motion.",
   "plain": "Krajobrazy gier – góry, doliny, wyspy – powstają z matematycznego „szumu” ułożonego warstwami od dużych kształtów do drobnych szczegółów.",
   "plain_en": "Game landscapes – mountains, valleys, islands – grow from mathematical 'noise' layered from big shapes down to fine detail.",
   "solves": "Ręczne modelowanie ogromnych, otwartych światów trwałoby latami, a każda nowa rozgrywka wyglądałaby tak samo.",
   "solves_en": "Hand-modelling huge open worlds would take years, and every new playthrough would look the same.",
   "does": "Jak zgniecenie kartki: duże załamania dają pasma gór, a coraz drobniejsze zmarszczki dodają skały i kamienie.",
   "does_en": "Like crumpling a sheet of paper: big folds make mountain ranges, and ever finer wrinkles add crags and stones.",
   "example": "Zaczynasz nową grę survivalową i dostajesz świat z innymi wzgórzami, dolinami i wyspami niż poprzednio, wyliczony z jednej liczby startowej.",
   "example_en": "You start a new survival game and get a world with different hills, valleys and islands than last time, computed from one seed number.",
   "for_you": [
    "robisz grę z otwartym, losowanym światem",
    "chcesz zrozumieć, skąd się biorą nieskończone mapy",
    "tworzysz tekstury chmur, ognia lub marmuru"
   ],
   "for_you_en": [
    "make a game with an open, randomised world",
    "want to know where endless maps come from",
    "create textures of clouds, fire or marble"
   ],
   "how": "Na rzadkiej siatce losuje się wartości lub wektory gradientu i interpoluje między nimi gładką krzywą, co daje szum Perlina. Kilka warstw o podwajanej częstotliwości i połowionej amplitudzie (oktawy) sumuje się w teren o szczegółach w wielu skalach. Diamond-square osiąga podobny efekt rekurencyjnym uśrednianiem z malejącym losowym zaburzeniem.",
   "how_en": "Values or gradient vectors are randomised on a coarse lattice and interpolated with a smooth curve, giving Perlin noise. Several layers with doubled frequency and halved amplitude (octaves) are summed into terrain with detail at many scales. Diamond-square achieves a similar effect by recursive averaging with shrinking random displacement.",
   "limits": "Wynik jest dość losowy, a parametry są nieintuicyjne, więc projektant słabo kontroluje, gdzie powstaną góry i rzeki. Mapa wysokości nie zapisze jaskiń ani nawisów; woksele potrzebują dużo więcej pamięci. Realistyczne doliny wymagają osobnej symulacji erozji.",
   "limits_en": "Output is fairly random and parameters are unintuitive, so designers have little control over where mountains and rivers appear. A heightmap cannot store caves or overhangs; voxels need far more memory. Realistic valleys require a separate erosion simulation.",
   "terms": [
    {
     "gloss": "Siatka liczb, z których każda oznacza wysokość terenu w danym punkcie.",
     "term": "mapa wysokości"
    },
    {
     "gloss": "Kolejna warstwa szumu, dwa razy drobniejsza i słabsza od poprzedniej.",
     "term": "oktawa"
    },
    {
     "gloss": "Liczba startowa, z której zawsze powstaje ten sam świat.",
     "term": "ziarno (seed)"
    }
   ],
   "terms_en": [
    {
     "gloss": "A grid of numbers, each giving terrain height at one point.",
     "term": "heightmap"
    },
    {
     "gloss": "Another noise layer, twice as fine and weaker than the last.",
     "term": "octave"
    },
    {
     "gloss": "A starting number that always produces the same world.",
     "term": "seed"
    }
   ],
   "keywords": [
    "Perlin noise",
    "simplex noise",
    "fractional Brownian motion",
    "diamond-square",
    "hydraulic erosion",
    "heightmap",
    "domain warping",
    "FastNoise"
   ],
   "source_ids": [
    "pcgbook-ch04-noise"
   ],
   "url": "https://aiatlasgraph.com/t/noiseterrain",
   "markdown_url": "https://aiatlasgraph.com/t/noiseterrain.md",
   "updated": "2026-10-30"
  },
  "normalization": {
   "id": "normalization",
   "parent_id": "neuralbasics",
   "label": "Normalizacja warstw (BatchNorm, LayerNorm, RMSNorm)",
   "canonical_name": "Normalisation layers (BatchNorm, LayerNorm, RMSNorm)",
   "aliases": [
    "normalization layers",
    "normalizacja",
    "batch normalization",
    "BatchNorm",
    "layer normalization",
    "LayerNorm",
    "RMSNorm",
    "pre-norm",
    "QK-norm"
   ],
   "description": "Warstwy przeskalowujące aktywacje, które często ułatwiają stabilny trening głębokich sieci. BatchNorm używa statystyk mini-batcha i jest typowy dla CNN; LayerNorm normalizuje cechy pojedynczego przykładu i jest powszechny w transformerach; RMSNorm upraszcza LayerNorm i jest często stosowany w nowszych LLM, zwykle w układzie pre-norm.",
   "description_en": "Layers that rescale activations and often help stabilise deep-network training. BatchNorm uses mini-batch statistics and is typical in CNNs; LayerNorm normalises features within one example and is common in transformers; RMSNorm simplifies LayerNorm and is often used in newer LLMs, usually in a pre-norm layout.",
   "examples": "BatchNorm · LayerNorm · RMSNorm · pre-norm vs post-norm · QK-norm",
   "examples_en": "BatchNorm · LayerNorm · RMSNorm · pre-norm vs post-norm · QK-norm",
   "plain": "To przeskalowywanie sygnałów wewnątrz sieci, żeby łatwiej było ją uczyć.",
   "plain_en": "This rescales signals inside a network to make training easier.",
   "solves": "Sygnały w kolejnych warstwach mogą mieć bardzo różne wielkości, co utrudnia stabilne poprawianie modelu.",
   "solves_en": "Signals across layers can have very different magnitudes, making stable model updates harder.",
   "does": "Wybrane grupy wartości są sprowadzane do porównywalnej skali, a dodatkowe ustawienia pozwalają modelowi dostosować ich zakres.",
   "does_en": "Selected groups of values are brought to comparable scales, with additional settings letting the model adjust their range.",
   "example": "Podczas treningu głębokiej sieci dodajesz warstwy przeskalowujące sygnały i sprawdzasz, czy uczenie przebiega stabilniej.",
   "example_en": "When training a deep network, you add layers that rescale signals and check whether learning becomes more stable.",
   "for_you": [
    "trening sieci jest niestabilny",
    "poznajesz sposób regulowania sygnałów między warstwami"
   ],
   "for_you_en": [
    "find network training unstable",
    "study how signals are regulated between layers"
   ],
   "how": "Aktywacje skaluje się za pomocą statystyk wybranej grupy elementów, a uczone współczynniki przywracają elastyczność reprezentacji. Warianty różnią się osiami agregacji i użyciem centrowania; normalizacja względem batcha wymaga uzgodnienia statystyk treningu i inferencji.",
   "how_en": "Activations are scaled using statistics over selected element groups, with learned coefficients restoring representational flexibility. Variants differ in aggregation axes and centring; batch-based normalisation requires reconciling training and inference statistics.",
   "limits": "Małe lub niereprezentatywne batche destabilizują statystyki zbiorcze. Miejsce normalizacji wpływa na gradienty; jej zastosowanie nie zastępuje poprawnego skalowania wejścia ani doboru optymalizatora.",
   "limits_en": "Small or unrepresentative batches destabilise aggregate statistics. Normalisation placement affects gradients; it cannot replace suitable input scaling or optimiser choice.",
   "terms": [
    {
     "gloss": "Wymiar danych, wzdłuż którego zbierane są statystyki przeskalowania.",
     "term": "oś normalizacji"
    },
    {
     "gloss": "Wygładzana statystyka treningowa wykorzystywana później przy inferencji.",
     "term": "średnia bieżąca"
    }
   ],
   "terms_en": [
    {
     "gloss": "A data dimension across which rescaling statistics are collected.",
     "term": "normalisation axis"
    },
    {
     "gloss": "A smoothed training statistic later used during inference.",
     "term": "running mean"
    }
   ],
   "prereq": [
    "distributions",
    "linearalgebra"
   ],
   "keywords": [
    "BatchNorm",
    "LayerNorm",
    "RMSNorm",
    "pre-norm",
    "post-norm",
    "QK normalization"
   ],
   "source_ids": [
    "karpathy-zero-to-hero",
    "batchnorm-2015",
    "layernorm-2016",
    "rmsnorm-2019",
    "raschka-llm-arch-comparison"
   ],
   "url": "https://aiatlasgraph.com/t/normalization",
   "markdown_url": "https://aiatlasgraph.com/t/normalization.md",
   "updated": "2026-10-30"
  },
  "normflows": {
   "id": "normflows",
   "parent_id": "flowmatching",
   "label": "Przepływy odwracalne z warstwami sprzężenia (RealNVP, Glow)",
   "canonical_name": "Coupling-layer normalising flows (RealNVP, Glow)",
   "aliases": [
    "normalizing flows",
    "RealNVP",
    "Glow",
    "NICE",
    "coupling layers",
    "invertible networks",
    "sieci odwracalne"
   ],
   "description": "Generatory z odwracalnych transformacji o łatwym wyznaczniku jakobianu, pozwalające liczyć dokładną log-wiarygodność wzorem zamiany zmiennych.",
   "description_en": "Generators built from invertible transformations with tractable Jacobian determinants, giving exact log-likelihood via the change-of-variables formula.",
   "plain": "Model, który zamienia prosty losowy szum w realistyczne dane szeregiem odwracalnych kroków, więc może też dokładnie policzyć, jak prawdopodobny jest przykład.",
   "plain_en": "A model that turns simple random noise into realistic data through reversible steps, so it can also compute exactly how likely an example is.",
   "solves": "Wiele generatorów tworzy przekonujące próbki, ale nie potrafi powiedzieć, czy dany przykład jest typowy, czy dziwny.",
   "solves_en": "Many generators make convincing samples but cannot tell whether a given example is typical or strange.",
   "does": "Jak ciasto rozwałkowywane i składane: każdą operację można cofnąć, więc wiadomo dokładnie, skąd przyszedł każdy okruch.",
   "does_en": "Like dough rolled and folded: every move can be undone, so you know exactly where each crumb came from.",
   "example": "Fizycy generują próbki konfiguracji cząstek, a model od razu podaje, jak bardzo każda z nich jest prawdopodobna.",
   "example_en": "Physicists generate samples of particle configurations, and the model immediately reports how probable each one is.",
   "for_you": [
    "potrzebujesz dokładnej oceny prawdopodobieństwa danych",
    "chcesz zrozumieć korzenie nowszych metod przepływowych"
   ],
   "for_you_en": [
    "need an exact probability score for data",
    "want to understand the roots of newer flow methods"
   ],
   "how": "Warstwa sprzężenia dzieli wektor na dwie części: jedna przechodzi bez zmian i steruje afinicznym przekształceniem drugiej, więc odwrotność i jakobian są tanie. Złożenie wielu takich warstw z permutacjami lub odwracalnymi splotami 1×1 tworzy elastyczne mapowanie szumu w dane, trenowane maksymalizacją dokładnej wiarygodności.",
   "how_en": "A coupling layer splits the vector in two: one half passes unchanged and parameterises an affine transform of the other, so the inverse and Jacobian are cheap. Stacking many such layers with permutations or invertible 1×1 convolutions gives a flexible noise-to-data map trained by maximising exact likelihood.",
   "limits": "Dokładna wiarygodność wymaga, by każda transformacja była odwracalna i miała tani wyznacznik jakobianu. Ogranicza to wybór warstw, utrzymuje pełny wymiar reprezentacji i zwiększa koszt pamięci dla dużych danych.",
   "limits_en": "Exact likelihood requires every transformation to be invertible with a tractable Jacobian determinant. This restricts layer design, keeps representations full-dimensional and raises memory cost for large data.",
   "terms": [
    {
     "gloss": "Odwracalny blok, w którym połowa danych steruje przekształceniem drugiej połowy.",
     "term": "warstwa sprzężenia"
    },
    {
     "gloss": "Liczba mówiąca, jak przekształcenie rozciąga lub ściska przestrzeń.",
     "term": "wyznacznik jakobianu"
    },
    {
     "gloss": "Wzór przeliczający gęstość prawdopodobieństwa przez odwracalne przekształcenie.",
     "term": "zamiana zmiennych"
    }
   ],
   "terms_en": [
    {
     "gloss": "An invertible block where half the data controls the transform of the other half.",
     "term": "coupling layer"
    },
    {
     "gloss": "A number showing how a transform stretches or squeezes space.",
     "term": "Jacobian determinant"
    },
    {
     "gloss": "A formula carrying probability density through an invertible transform.",
     "term": "change of variables"
    }
   ],
   "prereq": [
    "calculus",
    "distributions"
   ],
   "keywords": [
    "RealNVP",
    "Glow",
    "NICE",
    "affine coupling",
    "invertible 1x1 convolution",
    "masked autoregressive flow",
    "neural spline flows",
    "exact log-likelihood"
   ],
   "source_ids": [
    "kingma-glow-2018"
   ],
   "url": "https://aiatlasgraph.com/t/normflows",
   "markdown_url": "https://aiatlasgraph.com/t/normflows.md",
   "updated": "2026-10-30"
  },
  "noveltysearch": {
   "id": "noveltysearch",
   "parent_id": "qualitydiversity",
   "label": "Poszukiwanie nowości (novelty search)",
   "canonical_name": "Novelty search",
   "aliases": [
    "novelty search",
    "poszukiwanie nowości",
    "search for novelty"
   ],
   "description": "Algorytm ewolucyjny zastępujący funkcję celu miarą nowości zachowania względem populacji i archiwum, skuteczny na problemach zwodniczych.",
   "description_en": "An evolutionary algorithm replacing the objective with a behavioural novelty score relative to population and archive, effective on deceptive problems.",
   "plain": "Ewolucja, która nagradza tylko to, czy rozwiązanie robi coś innego niż dotychczasowe, a nie to, jak blisko jest celu.",
   "plain_en": "Evolution that rewards only whether a solution does something different from earlier ones, not how close it is to the goal.",
   "solves": "Droga do celu czasem wymaga oddalenia się od niego, a zwykła ocena odrzuca takie kroki jako gorsze.",
   "solves_en": "Reaching a goal sometimes means moving away from it first, and ordinary scoring rejects such steps as worse.",
   "does": "Działa jak odkrywca, który systematycznie idzie tam, gdzie jeszcze nie był; w końcu trafia też tam, gdzie był cel.",
   "does_en": "It acts like an explorer who keeps going where nobody has been; eventually that includes the place the goal was.",
   "example": "Robot w labiryncie z pułapką ślepego zaułka blisko wyjścia: wersja szukająca nowych miejsc szybciej znajduje drogę naokoło.",
   "example_en": "A robot in a maze with a dead end near the exit: the version seeking new places finds the way around sooner.",
   "for_you": [
    "twój problem ma pułapki, które wyglądają na postęp",
    "interesuje cię szeroki przegląd możliwych zachowań"
   ],
   "for_you_en": [
    "face a problem with traps that look like progress",
    "want a broad survey of possible behaviours"
   ],
   "how": "Każdy kandydat dostaje opis zachowania, np. końcową pozycję robota. Nowość to średnia odległość od k najbliższych sąsiadów w populacji i archiwum wcześniej znalezionych nowych zachowań. Selekcja premiuje najwyższą nowość, a archiwum chroni przed krążeniem w kółko.",
   "how_en": "Each candidate gets a behaviour description, such as a robot’s final position. Novelty is the mean distance to its k nearest neighbours in the population and an archive of earlier novel behaviours. Selection favours highest novelty, and the archive prevents going in circles.",
   "limits": "W dużych przestrzeniach zachowań czysta nowość błądzi bez końca, więc w praktyce łączy się ją z oceną jakości. Wynik zależy od opisu zachowania i miary odległości.",
   "limits_en": "In large behaviour spaces pure novelty can wander endlessly, so in practice it is combined with quality scores. Results depend on the behaviour description and distance measure.",
   "terms": [
    {
     "gloss": "Sytuacja, gdy ocena prowadzi od prawdziwego rozwiązania zamiast do niego.",
     "term": "zwodniczość"
    },
    {
     "gloss": "Zapis wcześniej odkrytych zachowań, z którym porównuje się nowe.",
     "term": "archiwum nowości"
    }
   ],
   "terms_en": [
    {
     "gloss": "When the score leads away from the real solution instead of towards it.",
     "term": "deception"
    },
    {
     "gloss": "A record of earlier behaviours against which new ones are compared.",
     "term": "novelty archive"
    }
   ],
   "prereq": [
    "curiosity"
   ],
   "keywords": [
    "behaviour characterisation",
    "k-nearest neighbours novelty",
    "deceptive maze",
    "NSLC",
    "NS-ES",
    "Lehman and Stanley"
   ],
   "source_ids": [
    "novelty-search-2011"
   ],
   "url": "https://aiatlasgraph.com/t/noveltysearch",
   "markdown_url": "https://aiatlasgraph.com/t/noveltysearch.md",
   "updated": "2026-10-30"
  },
  "nowcasting": {
   "id": "nowcasting",
   "parent_id": "earthsystems",
   "label": "Prognozy opadów na najbliższe godziny z radaru (nowcasting)",
   "canonical_name": "Precipitation nowcasting from radar",
   "aliases": [
    "nowcasting",
    "precipitation nowcasting",
    "prognoza natychmiastowa"
   ],
   "description": "Krótkoterminowa (5–90 min, do kilku godzin) prognoza opadów z sekwencji obrazów radarowych modelami generatywnymi lub sieciami konwolucyjnymi.",
   "description_en": "Short-range (5–90 min, up to a few hours) precipitation forecasting from radar image sequences with generative or convolutional models.",
   "plain": "Przewidywanie, gdzie i jak mocno będzie padać w ciągu najbliższych kilkudziesięciu minut, na podstawie ostatnich obrazów z radaru.",
   "plain_en": "Predicting where and how hard it will rain over the next tens of minutes, from the latest radar images.",
   "solves": "Nagła ulewa potrafi zalać ulice w pół godziny, a zwykła prognoza nie mówi dokładnie, nad którą dzielnicą spadnie.",
   "solves_en": "A sudden downpour can flood streets in half an hour, and a regular forecast does not say which neighbourhood it will hit.",
   "does": "Jak ktoś, kto patrzy na kilka ostatnich klatek filmu z chmurami i dorysowuje kolejne, łącznie z tym, jak deszcz rośnie lub słabnie.",
   "does_en": "Like someone watching the last few frames of a cloud film and drawing the next ones, including rain growing or fading.",
   "example": "Telefon ostrzega rowerzystę, że za dwadzieścia minut zacznie lać na jego trasie do domu.",
   "example_en": "A phone warns a cyclist that heavy rain will start on their route home in twenty minutes.",
   "for_you": [
    "dostajesz w telefonie alerty o deszczu za kilka minut",
    "organizujesz wydarzenia lub prace pod gołym niebem"
   ],
   "for_you_en": [
    "get phone alerts about rain in a few minutes",
    "run events or work outdoors"
   ],
   "how": "Ostatnie klatki radaru są wejściem sieci, która generuje kolejne pola opadu. Metody operacyjne przesuwają opad wzdłuż wyznaczonego wiatru (adwekcja); sieci uczone bezpośrednio na błędzie dają rozmyte mapy, więc modele generatywne (np. GAN warunkowany przeszłością) próbkują ostre, spójne w czasie scenariusze.",
   "how_en": "The last radar frames feed a network that generates future rain fields. Operational methods shift rain along estimated winds (advection); networks trained directly on error produce blurry maps, so generative models (e.g. a GAN conditioned on the past) sample sharp, temporally consistent scenarios.",
   "limits": "Sprawdza się tylko na kilka godzin, bo nie widzi, skąd przyjdą nowe chmury spoza obszaru. Narodziny burz konwekcyjnych są trudne, a modele zależą od gęstej sieci radarów.",
   "limits_en": "It only works for a few hours, because it cannot see new clouds arriving from outside the area. Convective initiation is hard, and models depend on a dense radar network.",
   "terms": [
    {
     "gloss": "Przesuwanie istniejącego opadu zgodnie z kierunkiem wiatru.",
     "term": "adwekcja"
    },
    {
     "gloss": "Moment narodzin nowej chmury burzowej, trudny do przewidzenia.",
     "term": "inicjacja konwekcji"
    },
    {
     "gloss": "Uśrednianie możliwych scenariuszy w jedną nieostrą mapę.",
     "term": "rozmycie prognozy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Moving existing rain along the wind direction.",
     "term": "advection"
    },
    {
     "gloss": "The birth of a new storm cloud, hard to predict.",
     "term": "convective initiation"
    },
    {
     "gloss": "Averaging possible scenarios into one unsharp map.",
     "term": "forecast blurring"
    }
   ],
   "prereq": [
    "gan",
    "cnnarchs"
   ],
   "keywords": [
    "DGMR",
    "MetNet-3",
    "optical flow nowcasting",
    "pySTEPS",
    "ConvLSTM",
    "radar reflectivity",
    "CSI score"
   ],
   "source_ids": [
    "dgmr-2021"
   ],
   "url": "https://aiatlasgraph.com/t/nowcasting",
   "markdown_url": "https://aiatlasgraph.com/t/nowcasting.md",
   "updated": "2026-10-30"
  },
  "objectdetection": {
   "id": "objectdetection",
   "parent_id": "visionnode",
   "label": "Detekcja obiektów",
   "canonical_name": "Object detection",
   "description": "Znajdowanie obiektów na obrazie: prostokąt (bounding box) + klasa dla każdego obiektu. Ocena zwykle przez IoU i mAP.",
   "description_en": "Finding objects in an image: a bounding box plus a class for each object. Usually evaluated with IoU and mAP.",
   "examples": "bounding box · IoU · mAP · COCO",
   "examples_en": "bounding box · IoU · mAP · COCO",
   "plain": "To znajdowanie przedmiotów na obrazie i zaznaczanie ich położenia prostokątami.",
   "plain_en": "This finds objects in an image and marks their locations with rectangles.",
   "solves": "Sama informacja, że na zdjęciu jest rower, nie mówi, gdzie go szukać ani ile ich jest.",
   "solves_en": "Knowing a photo contains a bicycle does not tell you where it is or how many there are.",
   "does": "Model przewiduje rodzaj i granice każdego wykrytego obiektu, pozwalając je policzyć lub wskazać.",
   "does_en": "A model predicts the type and boundaries of each detected object, letting you count or locate them.",
   "example": "Zdjęcie parkingu trafia do programu, który zaznacza stojące samochody i liczy zajęte miejsca.",
   "example_en": "A parking-lot photo goes to software that marks parked cars and counts occupied spaces.",
   "for_you": [
    "potrzebujesz położenia obiektów na zdjęciu",
    "liczysz rzeczy widoczne w kamerze"
   ],
   "for_you_en": [
    "need object locations in photos",
    "count things visible through a camera"
   ],
   "how": "Mapy cech zasilają predykcję współrzędnych ramek i ocen klas. Cele treningowe dopasowują lokalizację oraz kategorię do anotowanych obiektów, a procedura wyboru ogranicza powtórzone i słabe wykrycia.",
   "how_en": "Feature maps feed box-coordinate and class-score predictions. Training objectives fit locations and categories to annotated objects, while selection procedures limit duplicate and weak detections.",
   "limits": "Małe, zasłonięte lub nietypowe obiekty mogą być pomijane. Ramka nie opisuje dokładnego kształtu, a wyniki zależą od progów i definicji kategorii.",
   "limits_en": "Small, occluded or unusual objects can be missed. Boxes do not describe exact shapes, and results depend on thresholds and category definitions.",
   "terms": [
    {
     "gloss": "Prostokąt opisujący przybliżone położenie obiektu w obrazie.",
     "term": "bounding box"
    },
    {
     "gloss": "Stosunek przecięcia dwóch obszarów do ich sumy.",
     "term": "IoU"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rectangle describing an object's approximate image location.",
     "term": "bounding box"
    },
    {
     "gloss": "The ratio of two regions' intersection to their union.",
     "term": "IoU"
    }
   ],
   "prereq": [
    "imageclassification",
    "linearalgebra"
   ],
   "keywords": [
    "bounding boxes",
    "IoU",
    "mean average precision",
    "COCO",
    "non-maximum suppression",
    "anchor boxes",
    "feature pyramid networks",
    "object queries"
   ],
   "source_ids": [
    "cs231n-2026-schedule",
    "hf-cv-course",
    "ultralytics-tasks"
   ],
   "url": "https://aiatlasgraph.com/t/objectdetection",
   "markdown_url": "https://aiatlasgraph.com/t/objectdetection.md",
   "updated": "2026-10-30"
  },
  "objectnav": {
   "id": "objectnav",
   "parent_id": "robotnav",
   "label": "Szukanie przedmiotu w nieznanym budynku (nawigacja do obiektu)",
   "canonical_name": "Object-goal navigation",
   "aliases": [
    "object-goal navigation",
    "ObjectNav",
    "semantic navigation",
    "open-vocabulary navigation",
    "nawigacja do celu-obiektu",
    "nawigacja semantyczna"
   ],
   "description": "Zadanie nawigacji ucieńleśnionej: dotrzeć do dowolnego obiektu danej kategorii w nieznanym wnętrzu, wyłącznie z egocentrycznych obserwacji.",
   "description_en": "An embodied navigation task: reach any object of a given category in an unseen interior using only egocentric observations.",
   "plain": "Robot dostaje polecenie „znajdź lodówkę” w domu, którego nie zna, i sam szuka, gdzie ona może być.",
   "plain_en": "A robot is told “find the fridge” in a home it has never seen and works out for itself where it might be.",
   "solves": "Klasyczna nawigacja potrzebuje mapy i współrzędnych celu, a ludzie mówią o rzeczach, nie o punktach na planie.",
   "solves_en": "Classic navigation needs a map and target coordinates, while people talk about things, not points on a plan.",
   "does": "Korzysta z wiedzy o tym, jak zwykle wyglądają mieszkania, jak gość, który szuka ręcznika najpierw w łazience, nie w kuchni.",
   "does_en": "It uses knowledge of how homes are usually laid out, like a guest who looks for a towel in the bathroom first, not the kitchen.",
   "example": "Robot opiekuńczy w nowym mieszkaniu seniora szuka okularów: zagląda do sypialni i salonu, omijając przedpokój i spiżarnię.",
   "example_en": "A care robot in a senior's new flat looks for their glasses, checking the bedroom and living room and skipping the hall and pantry.",
   "for_you": [
    "robot ma znajdować rzeczy na polecenie",
    "interesuje cię łączenie widzenia z rozumieniem przestrzeni",
    "porównujesz nawigację z mapą i bez niej"
   ],
   "for_you_en": [
    "need a robot to find things on command",
    "are interested in joining vision with spatial understanding",
    "compare navigation with and without a map"
   ],
   "how": "Metody modułowe budują mapę semantyczną z detekcji obiektów i wybierają kolejne miejsca eksploracji na podstawie celu oraz relacji między obiektami. Metody końcowo-końcowe uczą polityki nawigacji w symulowanych wnętrzach. Nowsze podejścia wykorzystują modele wizja–język, aby obsługiwać cele opisane swobodnymi słowami.",
   "how_en": "Modular methods build a semantic map from object detections and choose where to explore next using the goal and relations between objects. End-to-end methods learn a navigation policy in simulated interiors. Newer approaches use vision-language models to handle goals described in free-form words.",
   "limits": "Wyniki w symulatorach skanów słabiej przenoszą się do prawdziwych domów z bałaganem i zmiennym światłem. Błędna detekcja daje fałszywy sukces lub zbędne szukanie. Ocena zależy od definicji „dotarcia” i bywa niespójna między benchmarkami.",
   "limits_en": "Results in scan simulators transfer less well to real homes with clutter and changing light. Wrong detections yield false success or needless searching. Evaluation depends on the definition of “reaching” and varies across benchmarks.",
   "terms": [
    {
     "gloss": "Mapa, na której zaznaczono nie tylko ściany, ale też rodzaje przedmiotów.",
     "term": "mapa semantyczna"
    },
    {
     "gloss": "Krawędź między poznaną a nieznaną częścią mapy.",
     "term": "granica eksploracji"
    },
    {
     "gloss": "Miara sukcesu ważona długością przebytej drogi.",
     "term": "SPL"
    }
   ],
   "terms_en": [
    {
     "gloss": "A map marking not just walls but kinds of objects.",
     "term": "semantic map"
    },
    {
     "gloss": "The boundary between known and unknown parts of the map.",
     "term": "exploration frontier"
    },
    {
     "gloss": "Success weighted by path length.",
     "term": "SPL"
    }
   ],
   "prereq": [
    "objectdetection",
    "slam"
   ],
   "keywords": [
    "ObjectNav",
    "object-goal navigation",
    "semantic mapping",
    "semantic navigation",
    "open-vocabulary navigation"
   ],
   "source_ids": [
    "embodied-navigation-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/objectnav",
   "markdown_url": "https://aiatlasgraph.com/t/objectnav.md",
   "updated": "2026-10-30"
  },
  "objectpose6d": {
   "id": "objectpose6d",
   "parent_id": "robotperception",
   "label": "Ustalanie położenia i obrotu przedmiotu (poza 6D)",
   "canonical_name": "6D object pose estimation and tracking",
   "aliases": [
    "6D pose estimation",
    "6-DoF object pose",
    "object pose tracking",
    "novel object pose estimation",
    "estymacja pozy 6D",
    "śledzenie pozy obiektu"
   ],
   "description": "Estymacja i śledzenie położenia oraz orientacji obiektu (6 stopni swobody) z obrazu RGB lub RGB-D, także dla obiektów niewidzianych w treningu.",
   "description_en": "Estimating and tracking an object's position and orientation (6 degrees of freedom) from RGB or RGB-D images, including objects unseen in training.",
   "plain": "Program patrzy na przedmiot i podaje, gdzie dokładnie stoi i jak jest obrócony, żeby ramię robota mogło po niego sięgnąć.",
   "plain_en": "Software looks at an object and reports exactly where it stands and how it is turned, so a robot arm can reach it.",
   "solves": "Ramię chybia, gdy wie tylko, że przedmiot „jest gdzieś na stole”, a nie znając obrotu, łapie go za złą stronę.",
   "solves_en": "An arm misses when it only knows an object is “somewhere on the table”, and without the rotation it grabs the wrong side.",
   "does": "Porównuje widok z kamery z modelem przedmiotu albo kilkoma jego zdjęciami i dopasowuje go, aż obraz się zgodzi.",
   "does_en": "It compares the camera view with a model or a few photos of the object and adjusts the fit until the picture matches.",
   "example": "Robot na linii montażowej podnosi części leżące byle jak i każdą wkłada do gniazda tą samą stroną.",
   "example_en": "A robot on an assembly line picks up carelessly scattered parts and fits each into its socket the right way round.",
   "for_you": [
    "robot ma chwytać przedmioty ustawione za każdym razem inaczej",
    "chcesz nakładać grafikę 3D na prawdziwe przedmioty",
    "pracujesz z kamerą głębi"
   ],
   "for_you_en": [
    "need a robot to grab objects placed differently each time",
    "want to overlay 3D graphics on real objects",
    "work with a depth camera"
   ],
   "how": "Metody instancyjne uczą się jednego znanego obiektu, kategoriowe całej klasy, a nowsze działają na nowych obiektach z modelem CAD lub kilkoma zdjęciami referencyjnymi. Typowo generuje się hipotezy pozy, renderuje obiekt w każdej z nich, a sieć porównuje render z obrazem, wybiera najlepszą i dopracowuje ją; w wideo poza jest śledzona klatka po klatce.",
   "how_en": "Instance-level methods learn one known object, category-level ones a whole class, and newer ones handle novel objects given a CAD model or a few reference images. Typically pose hypotheses are generated, the object is rendered in each, and a network compares renders with the image, selects the best and refines it; in video the pose is tracked frame by frame.",
   "limits": "Obiekty symetryczne mają wiele równie dobrych póz. Przezroczystość, połysk, brak tekstury i mocne zasłonięcie obniżają trafność. Metody na nowe obiekty nadal potrzebują modelu 3D lub zdjęć referencyjnych i bywają za wolne na szybką pętlę sterowania.",
   "limits_en": "Symmetric objects have many equally good poses. Transparency, shine, lack of texture and heavy occlusion reduce accuracy. Novel-object methods still need a 3D model or reference images and can be too slow for a fast control loop.",
   "terms": [
    {
     "gloss": "Czy metoda dostaje gotowy model 3D obiektu, czy tylko jego zdjęcia.",
     "term": "model-based / model-free"
    },
    {
     "gloss": "Drobne poprawki wstępnej pozy, aż render pokryje się z obrazem.",
     "term": "dopracowanie pozy (refinement)"
    },
    {
     "gloss": "Miara błędu pozy uwzględniająca symetrię obiektu.",
     "term": "ADD-S"
    }
   ],
   "terms_en": [
    {
     "gloss": "Whether the method gets a ready 3D model or only photos of the object.",
     "term": "model-based / model-free"
    },
    {
     "gloss": "Small corrections to an initial pose until the render matches the image.",
     "term": "pose refinement"
    },
    {
     "gloss": "A pose error metric that accounts for object symmetry.",
     "term": "ADD-S"
    }
   ],
   "prereq": [
    "poseestimation"
   ],
   "keywords": [
    "FoundationPose",
    "6D pose estimation",
    "novel object pose",
    "CAD model",
    "reference images",
    "pose tracking"
   ],
   "source_ids": [
    "foundationpose-2023",
    "embodied-objectcentric-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/objectpose6d",
   "markdown_url": "https://aiatlasgraph.com/t/objectpose6d.md",
   "updated": "2026-10-30"
  },
  "objecttracking": {
   "id": "objecttracking",
   "parent_id": "videounderstanding",
   "label": "Śledzenie obiektów w wideo",
   "canonical_name": "Multi-object tracking",
   "description": "Utrzymanie tożsamości tych samych obiektów między klatkami, najczęściej przez łączenie wyników detektora z kolejnych klatek (tracking-by-detection).",
   "description_en": "Keeping the identity of the same objects across frames, usually by linking detector outputs frame to frame (tracking-by-detection).",
   "examples": "SORT · ByteTrack · MOTA/HOTA",
   "examples_en": "SORT · ByteTrack · MOTA/HOTA",
   "plain": "To śledzenie tego samego przedmiotu lub człowieka w kolejnych klatkach filmu.",
   "plain_en": "This follows the same object or person across successive video frames.",
   "solves": "Obiekt zmienia położenie lub znika za przeszkodą, a ty chcesz zachować historię jego ruchu.",
   "solves_en": "An object moves or disappears behind an obstacle, but you need to keep its movement history.",
   "does": "Program łączy wykrycia z kolejnych klatek, porównując wygląd i przewidywane położenie każdego śledzonego obiektu.",
   "does_en": "Software links detections across frames by comparing each tracked object's appearance and predicted position.",
   "example": "Kamera przy wejściu śledzi przechodzącą osobę, żeby nie policzyć jej ponownie w każdej klatce.",
   "example_en": "A camera at an entrance tracks a person passing through so they are not counted again in every frame.",
   "for_you": [
    "potrzebujesz przebiegu ruchu obiektu",
    "chcesz liczyć przejścia zamiast pojedynczych wykryć"
   ],
   "for_you_en": [
    "need an object's movement history",
    "want to count crossings rather than individual detections"
   ],
   "how": "Wykrycia z kolejnych klatek łączy się na podstawie położenia, przewidywanego ruchu i podobieństwa wyglądu. Aktualizacja stanu oraz reguły narodzin i zaniku ścieżek utrzymują identyfikatory obiektów w czasie.",
   "how_en": "Detections across frames are associated using position, predicted motion and appearance similarity. State updates and track-birth or deletion rules maintain object identifiers over time.",
   "limits": "Zasłonięcie i podobne obiekty powodują zamianę tożsamości. Błędy detektora przenoszą się na śledzenie, a ponowne pojawienie po długiej przerwie może być nierozstrzygalne.",
   "limits_en": "Occlusion and similar objects cause identity switches. Detector errors propagate into tracking, while reappearance after long gaps may be ambiguous.",
   "terms": [
    {
     "gloss": "Dopasowanie nowych obserwacji do istniejących ścieżek obiektów.",
     "term": "asocjacja danych"
    },
    {
     "gloss": "Przypisanie śledzonego identyfikatora innemu obiektowi.",
     "term": "ID switch"
    }
   ],
   "terms_en": [
    {
     "gloss": "Matching new observations to existing object tracks.",
     "term": "data association"
    },
    {
     "gloss": "Assigning a tracked identifier to a different object.",
     "term": "ID switch"
    }
   ],
   "prereq": [
    "objectdetection",
    "linearalgebra"
   ],
   "keywords": [
    "SORT",
    "DeepSORT",
    "ByteTrack",
    "MOTA",
    "HOTA",
    "data association",
    "ID switches"
   ],
   "source_ids": [
    "carion-sam3-2025",
    "zhang-bytetrack-2021"
   ],
   "url": "https://aiatlasgraph.com/t/objecttracking",
   "markdown_url": "https://aiatlasgraph.com/t/objecttracking.md",
   "updated": "2026-10-30"
  },
  "occupancy": {
   "id": "occupancy",
   "parent_id": "adperception",
   "label": "Siatki zajętości 3D wokół pojazdu",
   "canonical_name": "3D occupancy prediction",
   "aliases": [
    "occupancy prediction",
    "semantic occupancy",
    "occupancy networks",
    "3D occupancy",
    "sieci zajętości"
   ],
   "description": "Przewidywanie dla każdego woksela wokół pojazdu, czy jest zajęty i jaką ma klasę semantyczną, zamiast samych ramek obiektów.",
   "description_en": "Predicting for every voxel around the vehicle whether it is occupied and which semantic class it has, instead of object boxes alone.",
   "plain": "Opis przestrzeni wokół auta jak z klocków: każdy mały sześcian jest pusty albo zajęty przez coś konkretnego.",
   "plain_en": "Describing the space around the car like building blocks: each small cube is either empty or filled by something specific.",
   "solves": "Prostokątne ramki wokół aut i pieszych nie opiszą przewróconego drzewa czy ładunku na jezdni, a w nie też nie wolno wjechać.",
   "solves_en": "Boxes drawn around cars and pedestrians cannot describe a fallen tree or cargo on the road, yet the car must not hit those either.",
   "does": "Zamiast ograniczać opis do ramek znanych obiektów, model przewiduje, które fragmenty przestrzeni są zajęte; wariant semantyczny przypisuje im także klasy.",
   "does_en": "Instead of limiting the scene to boxes around known objects, the model predicts which parts of space are occupied; a semantic variant also assigns classes.",
   "example": "Siatka pokazuje zajęty fragment przestrzeni przez karton leżący na jezdni, dzięki czemu planer może go ominąć.",
   "example_en": "The grid marks the space occupied by a box on the road, allowing the planner to avoid it.",
   "for_you": [
    "zastanawiasz się, jak auto reaguje na nietypowe przeszkody",
    "pracujesz nad poruszaniem się robotów w zagraconym otoczeniu",
    "porównujesz sposoby opisu sceny 3D"
   ],
   "for_you_en": [
    "wonder how a car reacts to unusual obstacles",
    "work on robots moving through cluttered places",
    "compare ways of describing a 3D scene"
   ],
   "how": "Sieć przewiduje gęstą siatkę 3D z informacją o zajętości i klasach. W Occ3D etykiety buduje się z zagęszczonych chmur LiDAR-u z wielu klatek, z wnioskowaniem o zasłonięciach i maską widoczności.",
   "how_en": "The network predicts a dense 3D grid of occupancy and classes. In Occ3D, labels are built from densified multi-frame LiDAR, with occlusion reasoning and a visibility mask.",
   "limits": "Gęsta siatka 3D jest kosztowna w obliczeniach i pamięci, więc rozdzielczość bywa ograniczona. Jakość etykiet zależy od LiDAR-u i potoku ich budowy, a przestrzeń zasłonięta pozostaje niepewna.",
   "limits_en": "A dense 3D grid is expensive in compute and memory, so resolution is limited. Label quality depends on LiDAR and the labelling pipeline, and occluded space stays uncertain.",
   "terms": [
    {
     "gloss": "Mały sześcian przestrzeni, trójwymiarowy odpowiednik piksela.",
     "term": "woksel"
    },
    {
     "gloss": "Oznaczenie, które fragmenty sceny czujniki naprawdę widziały.",
     "term": "maska widoczności"
    },
    {
     "gloss": "Rzeczy, których klas nie było w danych treningowych.",
     "term": "obiekty spoza słownika"
    }
   ],
   "terms_en": [
    {
     "gloss": "A small cube of space, the 3D counterpart of a pixel.",
     "term": "voxel"
    },
    {
     "gloss": "A marking of which parts of the scene the sensors actually saw.",
     "term": "visibility mask"
    },
    {
     "gloss": "Things whose classes never appeared in the training labels.",
     "term": "out-of-vocabulary objects"
    }
   ],
   "prereq": [
    "semanticseg",
    "pointclouds"
   ],
   "keywords": [
    "Occ3D",
    "3D occupancy prediction",
    "semantic occupancy",
    "voxel",
    "visibility mask",
    "Occ3D-nuScenes",
    "Occ3D-Waymo"
   ],
   "source_ids": [
    "occ3d-2023"
   ],
   "url": "https://aiatlasgraph.com/t/occupancy",
   "markdown_url": "https://aiatlasgraph.com/t/occupancy.md",
   "updated": "2026-10-30"
  },
  "ocr": {
   "id": "ocr",
   "parent_id": "visionnode",
   "label": "Rozpoznawanie tekstu na obrazach (OCR)",
   "canonical_name": "Optical character recognition (OCR)",
   "aliases": [
    "OCR",
    "optical character recognition",
    "text recognition",
    "rozpoznawanie pisma"
   ],
   "description": "Zamiana obrazu z drukiem, pismem ręcznym lub tekstem w scenie na tekst maszynowy; zwykle detekcja linii lub słów plus rozpoznawanie.",
   "description_en": "Converting images of print, handwriting or scene text into machine text; usually line or word detection plus recognition.",
   "plain": "Program odczytuje tekst ze zdjęcia, skanu albo zrzutu ekranu i zamienia go na zwykłe litery, które można kopiować.",
   "plain_en": "Software reads text from a photo, scan or screenshot and turns it into ordinary letters you can copy.",
   "solves": "Tekst na papierze, tablicy czy zdjęciu jest „uwięziony”: nie da się go przeszukać, skopiować ani przetłumaczyć.",
   "solves_en": "Text on paper, a sign or a photo is trapped: you can't search, copy or translate it.",
   "does": "Jak przepisywacz, który zamienia każde zdjęcie kartki w edytowalny dokument, litera po literze.",
   "does_en": "Like a copyist who turns every photo of a page into an editable document, letter by letter.",
   "example": "Celujesz telefonem w menu w obcym języku, a aparat odczytuje dania i pokazuje je przetłumaczone.",
   "example_en": "You point your phone at a foreign-language menu and the camera reads the dishes and shows them translated.",
   "for_you": [
    "digitalizujesz papierowe dokumenty lub archiwa",
    "kopiujesz tekst ze zrzutów ekranu",
    "odczytujesz ręczne notatki lub stare rękopisy"
   ],
   "for_you_en": [
    "digitise paper documents or archives",
    "copy text out of screenshots",
    "read handwritten notes or old manuscripts"
   ],
   "how": "Klasyczne systemy łączą sieć obrazu z modelem sekwencyjnym generującym znaki. Nowsze podejścia, takie jak TrOCR, używają transformera obrazu i transformera tekstu, generując podtokeny po pretreningu na danych syntetycznych i dostrojeniu na opisanych przykładach.",
   "how_en": "Classical systems combine an image network with a sequential model that emits characters. Newer approaches such as TrOCR use an image transformer and a text transformer, generating subword tokens after pretraining on synthetic data and fine-tuning on labeled examples.",
   "limits": "Skuteczność zależy od podobieństwa dokumentów do danych dostrajania. Pismo ręczne, tekst w naturalnych scenach, rzadkie alfabety, niska jakość skanu i złożony układ mogą wymagać osobnych danych oraz kontroli wyniku.",
   "limits_en": "Performance depends on how closely documents match the fine-tuning data. Handwriting, scene text, low-resource scripts, poor scans and complex layouts may require dedicated data and output validation.",
   "terms": [
    {
     "gloss": "Sposób uczenia rozpoznawania sekwencji bez dokładnego położenia każdej litery.",
     "term": "CTC"
    },
    {
     "gloss": "Odsetek błędnie odczytanych znaków.",
     "term": "CER"
    },
    {
     "gloss": "Napisy w zwykłych zdjęciach: szyldy, etykiety, tablice.",
     "term": "scene text"
    }
   ],
   "terms_en": [
    {
     "gloss": "A way to train sequence recognition without each letter's exact position.",
     "term": "CTC"
    },
    {
     "gloss": "The share of wrongly read characters.",
     "term": "CER"
    },
    {
     "gloss": "Text in ordinary photos: shop signs, labels, boards.",
     "term": "scene text"
    }
   ],
   "keywords": [
    "OCR",
    "optical character recognition",
    "text recognition",
    "Tesseract",
    "TrOCR",
    "PaddleOCR",
    "CRNN",
    "HTR",
    "scene text",
    "CER",
    "document text extraction"
   ],
   "source_ids": [
    "olmocr-2025",
    "li-2021-trocr"
   ],
   "url": "https://aiatlasgraph.com/t/ocr",
   "markdown_url": "https://aiatlasgraph.com/t/ocr.md",
   "updated": "2026-10-30"
  },
  "offensiveai": {
   "id": "offensiveai",
   "parent_id": "cyberai",
   "label": "AI po stronie atakującego i testy penetracyjne",
   "canonical_name": "Offensive AI and AI-assisted penetration testing",
   "aliases": [
    "offensive AI",
    "AI-powered attacks",
    "AI pentesting",
    "autonomous hacking",
    "ofensywne AI",
    "AI-enabled cyberattacks"
   ],
   "description": "Użycie modeli i agentów do rekonesansu, eksploatacji i socjotechniki: zarówno w legalnych testach penetracyjnych, jak i w realnych atakach.",
   "description_en": "Using models and agents for reconnaissance, exploitation and social engineering, both in legitimate penetration tests and in real attacks.",
   "plain": "Wykorzystanie AI do włamywania się do systemów: przez zatrudnionych testerów, którzy szukają słabych punktów, i przez prawdziwych przestępców.",
   "plain_en": "Using AI to break into systems, both by hired testers looking for weak spots and by real criminals.",
   "solves": "Firmy nie wiedzą, jak łatwo się do nich włamać, a ręczny test penetracyjny jest drogi i robiony raz do roku.",
   "solves_en": "Companies don't know how easily they can be broken into, and a manual penetration test is costly and done once a year.",
   "does": "Jak próbny alarm przeciwpożarowy z bardzo pomysłowym podpalaczem: pokazuje, którędy naprawdę przejdzie ogień, zanim zrobi to ktoś prawdziwy.",
   "does_en": "Like a fire drill with a very inventive arsonist: shows where fire would really spread before a real one does.",
   "example": "Firma zamawia test; agent w kilka godzin znajduje zapomniany serwer testowy z domyślnym hasłem, a tester-człowiek potwierdza wynik i pisze raport.",
   "example_en": "A company orders a test; within hours an agent finds a forgotten test server with a default password, and a human tester confirms it and writes the report.",
   "for_you": [
    "zlecasz lub prowadzisz testy bezpieczeństwa",
    "chcesz wiedzieć, jak AI zmienia ataki na firmy",
    "oceniasz ryzyko udostępniania zdolnych modeli"
   ],
   "for_you_en": [
    "commission or run security tests",
    "want to know how AI changes attacks on companies",
    "assess the risk of releasing capable models"
   ],
   "how": "Agent planuje kolejne kroki testu, uruchamia narzędzia, czyta ich wyniki i aktualizuje obraz celu; moduły pamięci łagodzą utratę kontekstu w długich zadaniach. Zdolności mierzy się na zadaniach typu CTF. Według raportu samego dostawcy modelu podobny agent wykonywał większość kroków taktycznych w opisanej kampanii, lecz raport nie stanowi niezależnej weryfikacji.",
   "how_en": "An agent plans test steps, runs tools, reads their output and updates its picture of the target; memory modules ease context loss in long tasks. Capabilities are measured on CTF-style tasks. According to the model provider's own report, a similar agent performed most tactical steps in a reported campaign, but that report is not independent verification.",
   "limits": "Agenci gubią obraz całego zadania i zawyżają znaleziska, np. zgłaszają niedziałające hasła, więc człowiek musi weryfikować wyniki. Wyniki na zadaniach CTF słabo przekładają się na prawdziwe sieci. Udostępnianie takich narzędzi wymaga zabezpieczeń przed nadużyciem.",
   "limits_en": "Agents lose track of the overall task and overstate findings, e.g. reporting credentials that don't work, so a human must verify results. CTF scores transfer poorly to real networks. Releasing such tools needs safeguards against misuse.",
   "terms": [
    {
     "gloss": "Zlecony, legalny atak na własne systemy w celu znalezienia słabości.",
     "term": "test penetracyjny"
    },
    {
     "gloss": "Zawody hakerskie, w których trzeba zdobyć ukrytą flagę.",
     "term": "CTF"
    },
    {
     "gloss": "Manipulowanie ludźmi, by sami otworzyli drzwi atakującemu.",
     "term": "socjotechnika"
    }
   ],
   "terms_en": [
    {
     "gloss": "A commissioned, legal attack on your own systems to find weaknesses.",
     "term": "penetration test"
    },
    {
     "gloss": "Hacking contests where you must capture a hidden flag.",
     "term": "CTF"
    },
    {
     "gloss": "Manipulating people into opening the door for an attacker.",
     "term": "social engineering"
    }
   ],
   "prereq": [
    "dangerouscapevals",
    "computeruse"
   ],
   "keywords": [
    "PentestGPT",
    "Cybench",
    "CTF benchmarks",
    "autonomous pentesting",
    "red team automation",
    "AI-orchestrated attacks",
    "LLM phishing",
    "dual-use",
    "MITRE ATT&CK",
    "Metasploit"
   ],
   "source_ids": [
    "lazer-agentic-ai-cybersecurity-2026",
    "deng-pentestgpt-2023",
    "zhang-cybench-2024",
    "anthropic-ai-orchestrated-espionage-2025"
   ],
   "url": "https://aiatlasgraph.com/t/offensiveai",
   "markdown_url": "https://aiatlasgraph.com/t/offensiveai.md",
   "updated": "2026-10-30"
  },
  "offline": {
   "id": "offline",
   "parent_id": "decisions",
   "label": "Offline RL i eksploracja",
   "canonical_name": "Offline reinforcement learning and exploration",
   "description": "Uczenie ze zbioru doświadczeń oraz zbieranie nowych.",
   "description_en": "Learning from a fixed set of experience, and gathering new experience.",
   "examples": "Offline RL · exploration",
   "examples_en": "Offline RL · exploration",
   "plain": "To sposoby uczenia działania z zapisanych doświadczeń i dobierania prób dostarczających nowych informacji.",
   "plain_en": "These methods learn actions from recorded experience and choose trials that provide new information.",
   "solves": "Nowe próby są kosztowne, a zapisane doświadczenia nie obejmują wszystkich sytuacji i możliwych wyborów.",
   "solves_en": "New trials are costly, while recorded experience does not cover every situation and possible choice.",
   "does": "Wykorzystuje historie działań i rezultatów, ostrożnie ocenia nieznane wybory oraz może zachęcać do odkrywania nowych lub trudnych sytuacji.",
   "does_en": "It uses action and outcome histories, assesses unfamiliar choices cautiously and may encourage discovering new or difficult situations.",
   "example": "Program uczy się z zapisanych przejazdów w symulatorze, a przy nowych próbach szuka tras, o których ma mało informacji.",
   "example_en": "Software learns from recorded simulator journeys and seeks routes it knows little about during new trials.",
   "for_you": [
    "masz zapisane przebiegi zadań i ich wyniki",
    "chcesz rozsądnie wybierać nowe próby zamiast działać przypadkowo"
   ],
   "for_you_en": [
    "have recorded task sequences and their outcomes",
    "want to choose informative trials rather than act randomly"
   ],
   "how": "Zapisane trajektorie służą do estymacji wartości i uczenia polityki bez bieżącej interakcji. Gdy interakcja jest dostępna, strategie eksploracji wybierają doświadczenia uzupełniające braki dotychczasowych danych.",
   "how_en": "Recorded trajectories support value estimation and policy learning without ongoing interaction. When interaction is available, exploration strategies choose experience that fills gaps in existing data.",
   "limits": "Stały zbiór nie ujawnia rezultatów dowolnych nowych akcji. Ekstrapolacja wartości bywa zawodna, a zdobywanie dodatkowych doświadczeń może być kosztowne lub ryzykowne.",
   "limits_en": "A fixed dataset does not reveal outcomes of arbitrary new actions. Value extrapolation can fail, while acquiring further experience may be costly or risky.",
   "terms": [
    {
     "gloss": "Strategia, której działania utworzyły dostępny zbiór doświadczeń.",
     "term": "polityka zbierająca dane"
    },
    {
     "gloss": "Zakres stanów i działań reprezentowanych w zapisanych doświadczeniach.",
     "term": "pokrycie"
    }
   ],
   "terms_en": [
    {
     "gloss": "The strategy whose actions produced the available experience dataset.",
     "term": "behaviour policy"
    },
    {
     "gloss": "The range of states and actions represented in recorded experience.",
     "term": "coverage"
    }
   ],
   "prereq": [
    "mdp",
    "qlearning"
   ],
   "keywords": [
    "behavior policies",
    "dataset coverage",
    "value pessimism",
    "CQL",
    "IQL",
    "return conditioning",
    "intrinsic rewards",
    "exploration bonuses"
   ],
   "source_ids": [
    "rl",
    "cs221"
   ],
   "url": "https://aiatlasgraph.com/t/offline",
   "markdown_url": "https://aiatlasgraph.com/t/offline.md",
   "updated": "2026-10-30"
  },
  "omnimodels": {
   "id": "omnimodels",
   "parent_id": "multimodal",
   "label": "Ujednolicone modele wielomodalne (wejście i wyjście)",
   "canonical_name": "Unified multimodal models with multimodal input and output",
   "aliases": [
    "omni models",
    "any-to-any models",
    "natively multimodal models",
    "early fusion",
    "unified multimodal models",
    "modele omni",
    "modele any-to-any",
    "wczesna fuzja modalności"
   ],
   "description": "Modele obsługujące kilka modalności wejściowych — np. tekst, obraz, dźwięk i wideo — oraz co najmniej kilka form odpowiedzi, takich jak tekst lub mowa. Łączą te sygnały we wspólnym systemie; konkretne architektury różnią się sposobem tokenizacji, fuzji modalności i generowania wyjść.",
   "description_en": "Models that handle several input modalities — such as text, images, audio and video — and at least several output forms, such as text or speech. They combine these signals in one system; architectures differ in tokenisation, modality fusion and output generation.",
   "examples": "wielomodalne wejście i wyjście · wczesna lub pośrednia fuzja · strumieniowa mowa · Chameleon · GPT-4o · Qwen2.5-Omni · Qwen3-Omni",
   "examples_en": "multimodal input and output · early or intermediate fusion · streaming speech · Chameleon · GPT-4o · Qwen2.5-Omni · Qwen3-Omni",
   "plain": "To modele, które łączą tekst, obraz i dźwięk, a zależnie od konstrukcji potrafią odpowiadać w różnych postaciach.",
   "plain_en": "These models combine text, images and audio and, depending on their design, can respond in different forms.",
   "solves": "Sklejanie osobnych programów do mowy, obrazu i tekstu spowalnia rozmowę i gubi ton głosu, emocje oraz dźwięki tła.",
   "solves_en": "Chaining separate programs for speech, images and text slows conversation and loses tone of voice, emotion and background sounds.",
   "does": "Wspólne przetwarzanie pozwala zestawiać informacje z różnych sygnałów i przygotować odpowiedź tekstową, głosową lub wizualną obsługiwaną przez dany model.",
   "does_en": "Joint processing connects information across signals and prepares a text, speech or visual response supported by that model.",
   "example": "Pokazujesz kamerą cieknący kran i pytasz na głos o widoczny zawór, a obsługujący obraz i mowę asystent odpowiada głosem.",
   "example_en": "You show a dripping tap through a camera and ask aloud about the visible valve; an image-and-speech assistant replies by voice.",
   "for_you": [
    "rozmawiasz z asystentem głosem w czasie rzeczywistym",
    "chcesz, by model reagował na obraz z kamery",
    "oczekujesz odpowiedzi w postaci mowy lub obrazu"
   ],
   "for_you_en": [
    "talk to an assistant by voice in real time",
    "want a model to respond to camera images",
    "expect answers as speech or images"
   ],
   "how": "Sygnały różnych modalności koduje się do wspólnego kontekstu lub połączonych strumieni reprezentacji. Backbone i dekodery wyjściowe uczą zależności między wejściami oraz generowanie tekstu, mowy lub obrazu, z kontrolą synchronizacji tam, gdzie jest potrzebna.",
   "how_en": "Different modalities are encoded into shared contexts or connected representation streams. Backbones and output decoders learn cross-input dependencies and text, speech or image generation, managing synchronisation where needed.",
   "limits": "Obsługiwane kombinacje wejść i wyjść zależą od architektury. Wspólne przetwarzanie zwiększa koszt, a błędy synchronizacji lub kodowania mogą przenosić się między kanałami.",
   "limits_en": "Supported input–output combinations depend on architecture. Joint processing increases costs, while synchronisation or encoding errors can propagate across channels.",
   "terms": [
    {
     "gloss": "Łączenie modalności przed zasadniczym wspólnym przetwarzaniem modelu.",
     "term": "wczesna fuzja"
    },
    {
     "gloss": "Moduł przekształcający reprezentację w konkretny sygnał wyjściowy.",
     "term": "dekoder modalności"
    }
   ],
   "terms_en": [
    {
     "gloss": "Combining modalities before the model's main shared processing.",
     "term": "early fusion"
    },
    {
     "gloss": "A module converting representations into a particular output signal.",
     "term": "modality decoder"
    }
   ],
   "prereq": [
    "transformers",
    "generative"
   ],
   "keywords": [
    "Qwen3-Omni",
    "Qwen2.5-Omni",
    "Chameleon",
    "GPT-4o",
    "early fusion",
    "multimodal tokenization",
    "streaming speech generation"
   ],
   "source_ids": [
    "hf-vlms-2025",
    "chameleon-2024",
    "gpt-4o-2024",
    "qwen25-omni-2025",
    "qwen3-omni-2025"
   ],
   "url": "https://aiatlasgraph.com/t/omnimodels",
   "markdown_url": "https://aiatlasgraph.com/t/omnimodels.md",
   "updated": "2026-10-30"
  },
  "ondevicellm": {
   "id": "ondevicellm",
   "parent_id": "edge",
   "label": "Modele językowe na telefonie i laptopie",
   "canonical_name": "On-device language models",
   "aliases": [
    "on-device LLM",
    "LLM na urządzeniu",
    "mobile LLM",
    "small language models on device",
    "hybrid on-device and cloud inference"
   ],
   "description": "Modele językowe zoptymalizowane do działania lokalnie na telefonie lub laptopie, często z użyciem NPU, kwantyzacji i innych technik oszczędzania pamięci. Przetwarzanie na urządzeniu może utrzymywać dane lokalnie i umożliwiać pracę offline; architektury hybrydowe mogą kierować wybrane żądania do modelu chmurowego.",
   "description_en": "Language models optimised to run locally on a phone or laptop, often using an NPU, quantisation and other memory-saving techniques. On-device processing can keep data local and support offline use; hybrid architectures may route selected requests to a cloud model.",
   "examples": "modele systemowe w telefonach · architektury pod 1 mld parametrów · silna kwantyzacja i adaptery LoRA · podział pracy urządzenie–chmura",
   "examples_en": "system models on phones · sub-billion-parameter architectures · aggressive quantisation and LoRA adapters · device–cloud split",
   "plain": "To modele językowe dopasowane do pracy bezpośrednio na telefonie lub laptopie.",
   "plain_en": "These language models are adapted to run directly on phones or laptops.",
   "solves": "Chcesz odpowiedzi na urządzeniu, ale duży model zużywa zbyt dużo pamięci, energii lub czasu.",
   "solves_en": "You want on-device responses, but a large model uses too much memory, energy or time.",
   "does": "Mniejsze konstrukcje i oszczędne obliczenia korzystają z dostępnych układów; lokalne działanie może być łączone z serwerem dla wybranych zadań.",
   "does_en": "Smaller designs and efficient computation use available chips; local execution can be combined with server processing for selected tasks.",
   "example": "Telefon podsumowuje krótki zapis rozmowy lokalnym modelem, nawet gdy jesteś poza zasięgiem.",
   "example_en": "A phone summarises a short conversation transcript with a local model even when you have no signal.",
   "for_you": [
    "chcesz funkcji językowych bez stałego internetu",
    "pamięć i bateria urządzenia są ograniczone"
   ],
   "for_you_en": [
    "want language features without constant internet access",
    "work within limited device memory and battery capacity"
   ],
   "how": "Skompresowane wagi i stan dekodera mieszczą się w budżecie pamięci urządzenia, a runtime wybiera obsługiwane ścieżki sprzętowe. Prefill i kolejne tokeny korzystają z lokalnego kontekstu; wariant hybrydowy może przekazywać wybrane zadania do usługi zewnętrznej.",
   "how_en": "Compressed weights and decoder state fit device memory budgets, while runtimes select supported hardware paths. Prefill and subsequent tokens use local context; hybrid variants can send selected tasks to external services.",
   "limits": "Długi kontekst, bateria i temperatura ograniczają wydajność. Operator niedostępny na akceleratorze może trafić na procesor; prywatność zależy także od logów i ścieżek chmurowych aplikacji.",
   "limits_en": "Long contexts, battery and temperature limit performance. Operators unavailable on accelerators can fall back to processors; privacy also depends on application logs and cloud paths.",
   "terms": [
    {
     "gloss": "Reguła określająca miejsce wykonania danego żądania.",
     "term": "podział lokalny–chmurowy"
    },
    {
     "gloss": "Zmniejszenie wydajności obliczeń w celu ograniczenia temperatury urządzenia.",
     "term": "throttling termiczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule determining where a request executes.",
     "term": "local–cloud split"
    },
    {
     "gloss": "Reducing computation performance to limit device temperature.",
     "term": "thermal throttling"
    }
   ],
   "prereq": [
    "tokenization",
    "weightquant"
   ],
   "keywords": [
    "MobileLLM",
    "Gemini Nano",
    "Apple Foundation Models",
    "sub-billion parameter models",
    "local-cloud routing",
    "thermal throttling",
    "LoRA adapters"
   ],
   "source_ids": [
    "litert-overview",
    "mit-65940-efficientml",
    "mobilellm-2024",
    "apple-afm-2025",
    "android-gemini-nano",
    "apple-afm3-2026"
   ],
   "url": "https://aiatlasgraph.com/t/ondevicellm",
   "markdown_url": "https://aiatlasgraph.com/t/ondevicellm.md",
   "updated": "2026-10-30"
  },
  "ondeviceruntimes": {
   "id": "ondeviceruntimes",
   "parent_id": "edge",
   "label": "Eksport modeli i środowiska uruchomieniowe na urządzeniach",
   "canonical_name": "Model export and on-device runtimes",
   "aliases": [
    "ONNX",
    "ONNX Runtime",
    "LiteRT",
    "TensorFlow Lite",
    "Core ML",
    "ExecuTorch",
    "model export",
    "eksport modelu"
   ],
   "description": "Przeniesienie wytrenowanego modelu z frameworka treningowego do lekkiego środowiska uruchomieniowego na telefonie, w przeglądarce lub urządzeniu wbudowanym: eksport lub konwersja do obsługiwanego formatu oraz delegowanie obliczeń do CPU, GPU lub NPU.",
   "description_en": "Moving a trained model from a training framework into a lightweight runtime on a phone, browser or embedded device: exporting or converting it to a supported format and delegating compute to the CPU, GPU or NPU.",
   "examples": "format ONNX i opsety · konwersja z PyTorch/JAX · delegaty sprzętowe (execution providers) · inferencja w przeglądarce",
   "examples_en": "ONNX format and opsets · conversion from PyTorch/JAX · hardware delegates (execution providers) · in-browser inference",
   "plain": "To przygotowanie modelu do działania w lekkim środowisku telefonu, przeglądarki lub małego urządzenia.",
   "plain_en": "This prepares a model to run in a lightweight phone, browser or embedded-device environment.",
   "solves": "Model wyuczony w dużym środowisku treningowym nie działa automatycznie na sprzęcie użytkownika.",
   "solves_en": "A model trained in a large training environment does not automatically run on a user's device.",
   "does": "Eksport lub konwersja zapisuje obsługiwane operacje, a środowisko uruchomieniowe kieruje je do dostępnego procesora lub akceleratora.",
   "does_en": "Export or conversion records supported operations, and a runtime directs them to the available processor or accelerator.",
   "example": "Przenosisz model rozpoznawania dźwięku do aplikacji telefonu i sprawdzasz zgodność operacji oraz czas działania.",
   "example_en": "You move a sound-recognition model into a phone app and check operation compatibility and runtime.",
   "for_you": [
    "przenosisz model z treningu do aplikacji",
    "potrzebujesz obsługi sprzętu konkretnego urządzenia"
   ],
   "for_you_en": [
    "move a trained model into an application",
    "need support for a particular device's hardware"
   ],
   "how": "Eksport zapisuje graf, parametry i kontrakty wejść w formacie obsługiwanym przez runtime. Konwersja oraz optymalizacje dopasowują operatory, a delegat kieruje zgodne fragmenty na akcelerator i pozostawia pozostałe na ścieżce ogólnej.",
   "how_en": "Export records graphs, parameters and input contracts in a runtime-supported format. Conversion and optimisation adapt operators, while delegates route compatible portions to accelerators and leave others on general execution paths.",
   "limits": "Nieobsługiwane operatory i dynamiczne kształty utrudniają konwersję. Podział między procesorami kosztuje transfery; poprawny eksport wymaga porównania wyników, pamięci i czasu na docelowym urządzeniu.",
   "limits_en": "Unsupported operators and dynamic shapes complicate conversion. Splitting across processors incurs transfers; valid exports need output, memory and runtime comparisons on target devices.",
   "terms": [
    {
     "gloss": "Moduł przekazujący obsługiwane fragmenty grafu do akceleratora.",
     "term": "delegat sprzętowy"
    },
    {
     "gloss": "Wymagane typy, kształty i znaczenie danych przekazywanych do modelu.",
     "term": "kontrakt wejścia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A module sending supported graph portions to an accelerator.",
     "term": "hardware delegate"
    },
    {
     "gloss": "Required types, shapes and semantics of data supplied to a model.",
     "term": "input contract"
    }
   ],
   "prereq": [
    "gpuprog",
    "evalsets"
   ],
   "keywords": [
    "ONNX",
    "opsets",
    "ONNX Runtime",
    "execution providers",
    "LiteRT",
    "ExecuTorch",
    "WebGPU",
    "Core ML"
   ],
   "source_ids": [
    "onnx-concepts",
    "onnx-runtime-docs",
    "litert-overview",
    "executorch-overview"
   ],
   "url": "https://aiatlasgraph.com/t/ondeviceruntimes",
   "markdown_url": "https://aiatlasgraph.com/t/ondeviceruntimes.md",
   "updated": "2026-10-30"
  },
  "onestagedetectors": {
   "id": "onestagedetectors",
   "parent_id": "objectdetection",
   "label": "Detektory jednoetapowe (YOLO)",
   "canonical_name": "Single-stage object detectors",
   "description": "Model przewiduje prostokąty i klasy bez osobnego etapu generowania propozycji regionów. Rodzina YOLO pokazuje, że takie detektory mogą działać w czasie rzeczywistym i na urządzeniach brzegowych.",
   "description_en": "The model predicts boxes and classes without a separate region-proposal stage. The YOLO family shows that such detectors can run in real time and on edge devices.",
   "examples": "YOLO · SSD · wersje obracane (OBB)",
   "examples_en": "YOLO · SSD · oriented boxes (OBB)",
   "plain": "To modele, które podczas jednego przejścia przez obraz szukają obiektów i określają ich rodzaj.",
   "plain_en": "These models find objects and identify their types in a single pass through an image.",
   "solves": "Kamera pokazuje zmieniającą się scenę, a wieloetapowe szukanie przedmiotów może zbyt długo trwać.",
   "solves_en": "A camera shows a changing scene, and searching for objects in several stages may take too long.",
   "does": "Wspólna sieć od razu przewiduje położenia i kategorie, bez osobnego przygotowywania obszarów do dalszej analizy.",
   "does_en": "One network directly predicts positions and categories without a separate stage proposing regions for further analysis.",
   "example": "Kamera w sortowni szybko zaznacza paczki na poruszającej się taśmie.",
   "example_en": "A sorting facility's camera quickly marks parcels on a moving conveyor.",
   "for_you": [
    "analizujesz obraz na żywo",
    "chcesz wykrywać obiekty na małym urządzeniu"
   ],
   "for_you_en": [
    "analyse live images",
    "want to detect objects on a small device"
   ],
   "how": "Głowice na mapach cech przewidują lokalizacje i klasy bez osobnego etapu propozycji regionów. Różne skale cech obsługują wielkości obiektów, a trening lub postprocessing ogranicza powtarzające się wykrycia.",
   "how_en": "Feature-map heads predict locations and classes without a separate region-proposal stage. Multiple feature scales handle object sizes, while training or postprocessing limits duplicate detections.",
   "limits": "Rozdzielczość i wybór progu wpływają na małe oraz zatłoczone obiekty. Mała architektura zmniejsza koszt, ale może ograniczać jakość; czas wykonania zależy od sprzętu.",
   "limits_en": "Resolution and thresholds affect small or crowded objects. Smaller architectures reduce costs but can limit quality; execution time depends on hardware.",
   "terms": [
    {
     "gloss": "Zestaw reprezentacji o różnych skalach przestrzennych.",
     "term": "piramida cech"
    },
    {
     "gloss": "Usuwanie słabszych nakładających się wykryć odnoszących się do tego samego obiektu.",
     "term": "NMS"
    }
   ],
   "terms_en": [
    {
     "gloss": "A set of representations at different spatial scales.",
     "term": "feature pyramid"
    },
    {
     "gloss": "Removing weaker overlapping detections corresponding to the same object.",
     "term": "NMS"
    }
   ],
   "prereq": [
    "cnn",
    "classmetrics"
   ],
   "keywords": [
    "YOLO",
    "SSD",
    "RetinaNet",
    "oriented bounding boxes",
    "feature pyramid networks",
    "non-maximum suppression"
   ],
   "source_ids": [
    "ultralytics-tasks",
    "redmon-yolo-2015"
   ],
   "url": "https://aiatlasgraph.com/t/onestagedetectors",
   "markdown_url": "https://aiatlasgraph.com/t/onestagedetectors.md",
   "updated": "2026-10-30"
  },
  "onlinedpo": {
   "id": "onlinedpo",
   "parent_id": "dpo",
   "label": "Iteracyjne DPO na świeżych danych preferencji",
   "canonical_name": "Iterative DPO with newly generated preference data",
   "aliases": [
    "iterative DPO",
    "online DPO",
    "iteracyjne DPO"
   ],
   "description": "Powtarzane rundy DPO, w których pary odpowiedzi generuje bieżący model, a ocenia je człowiek, model nagrody lub sędzia.",
   "description_en": "Repeated rounds of DPO in which the current model generates answer pairs and a human, reward model or judge rates them.",
   "plain": "Uczenie modelu w kolejnych rundach: model pisze nowe odpowiedzi, ktoś je ocenia, a model uczy się na tych świeżych ocenach.",
   "plain_en": "Training a model in rounds: it writes new answers, someone rates them, and the model learns from those fresh ratings.",
   "solves": "Stary zbiór porównań opisuje odpowiedzi innego modelu, więc z czasem przestaje pasować do tego, co twój model faktycznie pisze.",
   "solves_en": "An old set of comparisons describes another model's answers, so it gradually stops matching what your model actually writes.",
   "does": "Jak trener, który co tydzień nagrywa aktualny mecz drużyny i omawia właśnie te błędy, zamiast puszczać nagrania sprzed roku.",
   "does_en": "Like a coach who records each week's match and reviews those mistakes, instead of showing footage from a year ago.",
   "example": "Asystent co tydzień odpowiada na nowe pytania z bazy, a model oceniający wybiera lepsze wersje do kolejnej rundy nauki.",
   "example_en": "Each week an assistant answers new questions from a pool, and a rating model picks the better versions for the next round of training.",
   "for_you": [
    "masz model lub sędziego, który ocenia odpowiedzi automatycznie",
    "jednorazowy trening na gotowych parach przestał dawać poprawę"
   ],
   "for_you_en": [
    "have a model or judge that rates answers automatically",
    "found one-off training on ready-made pairs stopped helping"
   ],
   "how": "W każdej iteracji bieżąca polityka generuje kilka odpowiedzi na prompty, model preferencji (lub LLM-sędzia albo sam model w wariancie self-rewarding) wybiera lepszą i gorszą, nowe pary trafiają do danych i wykonuje się krok DPO. Dane on-policy zmniejszają rozjazd rozkładów.",
   "how_en": "In each iteration the current policy generates several answers per prompt, a preference model (or an LLM judge, or the model itself in self-rewarding variants) picks better and worse, new pairs join the data and a DPO step runs. On-policy data reduces distribution mismatch.",
   "limits": "Jakość zależy od oceniającego, a jego błędy mogą wzmacniać się w kolejnych rundach. Generowanie i ocenianie nowych par zwiększa koszt; pierwotne wyniki iteracyjnego DPO obejmowały tylko trzy iteracje w jednym ustawieniu, bez ewaluacji bezpieczeństwa, i wykazały wydłużanie odpowiedzi mogące zawyżać oceny automatyczne.",
   "limits_en": "Quality depends on the judge, whose errors may compound across rounds. Generating and scoring fresh pairs adds cost; the primary iterative-DPO results covered only three iterations in one setting, without safety evaluation, and showed longer outputs that may inflate automated judgments.",
   "terms": [
    {
     "gloss": "Dane wygenerowane przez aktualnie trenowany model, a nie przez inny.",
     "term": "on-policy"
    },
    {
     "gloss": "Model naśladujący oceny ludzi, używany zamiast nich.",
     "term": "zastępczy model preferencji"
    },
    {
     "gloss": "Wariant, w którym model sam ocenia swoje odpowiedzi jako sędzia.",
     "term": "self-rewarding"
    }
   ],
   "terms_en": [
    {
     "gloss": "Data generated by the model currently being trained, not another one.",
     "term": "on-policy"
    },
    {
     "gloss": "A model imitating human ratings, used in their place.",
     "term": "proxy preference model"
    },
    {
     "gloss": "A variant where the model judges its own answers.",
     "term": "self-rewarding"
    }
   ],
   "prereq": [
    "rewardmodels",
    "judges"
   ],
   "keywords": [
    "online DPO",
    "iterative DPO",
    "on-policy sampling",
    "proxy reward model",
    "Self-Rewarding Language Models",
    "RLHFlow",
    "OAIF",
    "best-of-n pairs"
   ],
   "source_ids": [
    "dong-2024-rlhfworkflow",
    "yuan-2024-selfrewarding"
   ],
   "url": "https://aiatlasgraph.com/t/onlinedpo",
   "markdown_url": "https://aiatlasgraph.com/t/onlinedpo.md",
   "updated": "2026-10-30"
  },
  "onlineevals": {
   "id": "onlineevals",
   "parent_id": "monitoring",
   "label": "Ewaluacja online na ruchu produkcyjnym",
   "canonical_name": "Online evaluation on production traffic",
   "aliases": [
    "online evals",
    "production evals",
    "offline vs online evaluation",
    "continuous evaluation",
    "ocena na produkcji"
   ],
   "description": "Ciągła ocena próbki ruchu produkcyjnego graderami kodowymi i sędziami LLM, uzupełniająca ewaluacje offline.",
   "description_en": "Continuous grading of sampled production traffic with code graders and LLM judges, complementing offline evals.",
   "plain": "Automatyczne oceny działają dalej po wdrożeniu: na próbce prawdziwych rozmów, żeby wyłapać problemy, których testy nie przewidziały.",
   "plain_en": "Automatic grading keeps running after launch, on a sample of real conversations, to catch problems the tests did not foresee.",
   "solves": "Prawdziwi użytkownicy pytają o rzeczy, których nie było w testach, a jakość potrafi spaść po cichu po zmianie modelu.",
   "solves_en": "Real users ask things the tests never covered, and quality can quietly drop after a model change.",
   "does": "Jak kontrola jakości losowo wyjmująca produkty z taśmy: ocenia próbkę na bieżąco i alarmuje, gdy odsetek wad rośnie.",
   "does_en": "Like quality control pulling random items off the line: it grades a live sample and raises an alarm when the defect rate climbs.",
   "example": "Co godzinę drugi model ocenia kilkadziesiąt losowych rozmów asystenta sklepu; wykres pokazuje skok błędów zaraz po wczorajszej aktualizacji.",
   "example_en": "Every hour a second model grades a few dozen random shop-assistant chats; a chart shows errors jumping right after yesterday's update.",
   "for_you": [
    "twój asystent działa już u prawdziwych użytkowników",
    "dostawca modelu zmienia go bez twojej kontroli"
   ],
   "for_you_en": [
    "your assistant already serves real users",
    "the model provider changes it outside your control"
   ],
   "how": "Ewaluacje offline działają na stałym zbiorze przed wdrożeniem, np. w CI. Online asynchronicznie ocenia się próbkę śladów z produkcji, bez wpływu na czas odpowiedzi; wyniki trafiają na wykresy i alerty, a oflagowane przypadki do ręcznego przeglądu i do zbioru regresyjnego. Uzupełniają to testy A/B i opinie użytkowników.",
   "how_en": "Offline evals run on a fixed set before deployment, e.g. in CI. Online, a sample of production traces is graded asynchronously without adding latency; scores feed dashboards and alerts, and flagged cases go to manual review and the regression set. A/B tests and user feedback complement this.",
   "limits": "Problemy wykrywa się dopiero po tym, jak dotknęły użytkowników. Każda ocena kosztuje, więc próbka bywa mała i rzadkie błędy umykają. Zapisywanie rozmów wymaga dbania o dane osobowe.",
   "limits_en": "Problems are found only after they reach users. Every grade costs money, so samples are small and rare failures slip through. Storing conversations requires care with personal data.",
   "terms": [
    {
     "gloss": "Testy na stałym zbiorze przypadków przed wdrożeniem zmiany.",
     "term": "ewaluacja offline"
    },
    {
     "gloss": "Wybór części rzeczywistych rozmów do oceny.",
     "term": "próbkowanie śladów"
    },
    {
     "gloss": "Przypadki, które kiedyś zawiodły i muszą dalej przechodzić.",
     "term": "zbiór regresyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Tests on a fixed case set before a change ships.",
     "term": "offline evaluation"
    },
    {
     "gloss": "Selecting part of real conversations for grading.",
     "term": "trace sampling"
    },
    {
     "gloss": "Cases that once failed and must keep passing.",
     "term": "regression set"
    }
   ],
   "prereq": [
    "llmjudge"
   ],
   "keywords": [
    "online evals",
    "offline evals",
    "trace sampling",
    "LLM-as-a-judge",
    "A/B testing",
    "guardrails",
    "quality dashboards",
    "alerting"
   ],
   "source_ids": [
    "anthropic-agent-evals-2026"
   ],
   "url": "https://aiatlasgraph.com/t/onlineevals",
   "markdown_url": "https://aiatlasgraph.com/t/onlineevals.md",
   "updated": "2026-10-30"
  },
  "onlinelearning": {
   "id": "onlinelearning",
   "parent_id": "ml",
   "label": "Uczenie przyrostowe (online) na strumieniach danych",
   "canonical_name": "Online and incremental learning on data streams",
   "aliases": [
    "online learning",
    "incremental learning",
    "stream learning",
    "uczenie strumieniowe"
   ],
   "description": "Aktualizacja modelu po pojedynczych próbkach lub małych porcjach strumienia, z oceną typu najpierw przewiduj, potem ucz się i reakcją na dryf pojęć.",
   "description_en": "Updating a model after single samples or small chunks of a stream, with predict-then-learn evaluation and reaction to concept drift.",
   "plain": "Model uczy się po trochu z każdej nowej obserwacji, zamiast trenować od zera na całym zbiorze.",
   "plain_en": "A model learns a little from each new observation instead of retraining from scratch on everything.",
   "solves": "Dane płyną bez przerwy i szybko się zmieniają, a ponowne trenowanie na całej historii trwa za długo.",
   "solves_en": "Data flows nonstop and changes fast, while retraining on the whole history takes too long.",
   "does": "Jak kierowca, który koryguje tor jazdy po każdym zakręcie, zamiast planować całą podróż od nowa.",
   "does_en": "Like a driver who corrects course after every bend instead of replanning the whole journey.",
   "example": "Filtr niechcianej poczty poprawia się po każdej wiadomości, którą oznaczysz jako spam, bez czekania na nocne przeliczenie.",
   "example_en": "A junk-mail filter improves after every message you mark as spam, without waiting for an overnight retrain.",
   "for_you": [
    "dane spływają ciągle, a nie paczkami",
    "wzorce w twoich danych szybko się zmieniają",
    "nie masz miejsca, by trzymać całą historię"
   ],
   "for_you_en": [
    "data arrives continuously, not in batches",
    "patterns in your data change quickly",
    "lack the storage to keep the full history"
   ],
   "how": "Model przetwarza sekwencję: przewiduje dla nowej próbki, poznaje prawdziwy wynik i od razu aktualizuje parametry, np. spadkiem gradientu po jednej próbce albo rosnącym drzewem Hoeffdinga. Ocena prequential sprawdza każdą próbkę przed nauką na niej, a detektory dryfu wymieniają przestarzałe części modelu.",
   "how_en": "The model processes a sequence: it predicts for a new sample, receives the true outcome and updates at once, e.g. with single-sample gradient steps or a growing Hoeffding tree. Prequential evaluation tests each sample before learning from it, and drift detectors replace outdated parts of the model.",
   "limits": "Kolejność i szum danych wpływają na model bardziej niż w treningu wsadowym. Etykiety często przychodzą z opóźnieniem. Szybka adaptacja grozi zapominaniem starszych wzorców, a wolna nieaktualnością.",
   "limits_en": "Data order and noise affect the model more than in batch training. Labels often arrive late. Fast adaptation risks forgetting older patterns, slow adaptation risks staleness.",
   "terms": [
    {
     "gloss": "Zmiana w czasie zależności między danymi a wynikiem.",
     "term": "dryf pojęć"
    },
    {
     "gloss": "Każda próbka najpierw służy do testu, dopiero potem do nauki.",
     "term": "ocena prequential"
    },
    {
     "gloss": "Drzewo decyzyjne rozrastające się przyrostowo, gdy dane są wystarczająco pewne.",
     "term": "drzewo Hoeffdinga"
    }
   ],
   "terms_en": [
    {
     "gloss": "A change over time in how inputs relate to outcomes.",
     "term": "concept drift"
    },
    {
     "gloss": "Each sample is used for testing first, then for learning.",
     "term": "prequential evaluation"
    },
    {
     "gloss": "A decision tree that grows incrementally once the data is statistically sufficient.",
     "term": "Hoeffding tree"
    }
   ],
   "keywords": [
    "River",
    "partial_fit",
    "Hoeffding tree",
    "concept drift",
    "ADWIN",
    "prequential evaluation",
    "online gradient descent",
    "Vowpal Wabbit",
    "scikit-multiflow"
   ],
   "source_ids": [
    "montiel-river-2021"
   ],
   "url": "https://aiatlasgraph.com/t/onlinelearning",
   "markdown_url": "https://aiatlasgraph.com/t/onlinelearning.md",
   "updated": "2026-10-30"
  },
  "onlinemapping": {
   "id": "onlinemapping",
   "parent_id": "admapping",
   "label": "Mapy budowane w locie z czujników",
   "canonical_name": "Online vectorised HD map construction",
   "aliases": [
    "online mapping",
    "online HD map construction",
    "mapless driving",
    "vectorized map learning",
    "HDMapNet",
    "MapTR",
    "jazda bez mapy HD"
   ],
   "description": "Przewidywanie wektorowych elementów mapy (linie pasów, krawędzie jezdni, przejścia) w widoku z góry bezpośrednio z czujników pojazdu.",
   "description_en": "Predicting vector map elements (lane lines, road boundaries, crossings) in a top-down view directly from the vehicle's sensors.",
   "plain": "Auto na bieżąco samo rysuje mapę pasów i przejść wokół siebie, zamiast polegać na gotowej, drogiej mapie.",
   "plain_en": "The car draws its own map of lanes and crossings around it as it drives, instead of relying on a costly ready-made map.",
   "solves": "Precyzyjne mapy kosztują fortunę, obejmują niewiele miast i dezaktualizują się przy każdym remoncie drogi.",
   "solves_en": "Precise maps cost a fortune, cover few cities and go out of date with every roadwork.",
   "does": "Jak kierowca w obcym mieście, który z samego widoku ulicy odczytuje, gdzie są pasy, skręty i przejścia.",
   "does_en": "Like a driver in an unfamiliar city who reads lanes, turns and crossings straight from the view of the street.",
   "example": "Po namalowaniu nowych pasów system odtwarza ich przebieg w lokalnej mapie, którą może wykorzystać planer.",
   "example_en": "After new lanes are painted, the system reconstructs them in a local map that the planner can use.",
   "for_you": [
    "zastanawiasz się, czy auta autonomiczne wyjadą poza duże miasta",
    "pracujesz z mapami, które szybko się dezaktualizują",
    "interesuje cię, jak model zamienia obraz w rysunek"
   ],
   "for_you_en": [
    "wonder whether self-driving cars will leave big cities",
    "work with maps that quickly go out of date",
    "are curious how a model turns images into drawings"
   ],
   "how": "Cechy z kamer i/lub LiDAR-u są przenoszone do BEV, a dekoder w stylu transformera przewiduje każdy element mapy jako zbiór punktów (polilinię lub wielokąt). Podczas uczenia dopasowanie bipartytne paruje przewidywania z elementami wzorcowymi, z uwzględnieniem równoważnych kolejności punktów.",
   "how_en": "Camera and/or LiDAR features are moved into BEV, and a transformer-style decoder predicts each map element as a point set (polyline or polygon). During training, bipartite matching pairs predictions with ground-truth elements, allowing for equivalent point orderings.",
   "limits": "Daleki zasięg i zasłonięte fragmenty są niepewne, a mapa lokalna bywa niespójna między klatkami. Brakuje logiki ruchu, np. które światło dotyczy którego pasa, którą mapy HD zapisują ręcznie.",
   "limits_en": "Long range and occluded areas are uncertain, and the local map can be inconsistent between frames. Traffic logic, such as which light governs which lane, is missing, whereas HD maps record it by hand.",
   "terms": [
    {
     "gloss": "Zapis linii i obszarów jako ciągów punktów, a nie pikseli.",
     "term": "wektoryzacja mapy"
    },
    {
     "gloss": "Parowanie każdego przewidywania z dokładnie jednym wzorcem.",
     "term": "dopasowanie bipartytne"
    },
    {
     "gloss": "Linia złożona z odcinków między kolejnymi punktami.",
     "term": "polilinia"
    }
   ],
   "terms_en": [
    {
     "gloss": "Storing lines and areas as point sequences rather than pixels.",
     "term": "map vectorisation"
    },
    {
     "gloss": "Pairing each prediction with exactly one ground-truth element.",
     "term": "bipartite matching"
    },
    {
     "gloss": "A line made of segments between successive points.",
     "term": "polyline"
    }
   ],
   "prereq": [
    "bevperception",
    "detrdetectors"
   ],
   "keywords": [
    "HDMapNet",
    "MapTR",
    "MapTRv2",
    "VectorMapNet",
    "StreamMapNet",
    "lane topology",
    "nuScenes",
    "Argoverse 2"
   ],
   "source_ids": [
    "hdmapnet-2021",
    "maptr-2022"
   ],
   "url": "https://aiatlasgraph.com/t/onlinemapping",
   "markdown_url": "https://aiatlasgraph.com/t/onlinemapping.md",
   "updated": "2026-10-30"
  },
  "onpolicydistill": {
   "id": "onpolicydistill",
   "parent_id": "distillation",
   "label": "Destylacja on-policy (uczeń generuje, nauczyciel ocenia)",
   "canonical_name": "On-policy distillation",
   "aliases": [
    "on-policy distillation",
    "GKD",
    "generalized knowledge distillation"
   ],
   "description": "Uczeń generuje własne odpowiedzi, a nauczyciel dostarcza dla nich gęsty sygnał token po tokenie. Dzięki temu uczeń trenuje na stanach, które sam odwiedza, zamiast wyłącznie na gotowych odpowiedziach nauczyciela.",
   "description_en": "The student generates its own responses and the teacher provides a dense token-level signal for them. This trains the student on states it visits itself rather than only on finished teacher-generated answers.",
   "examples": "GKD · reverse KL na tokenach ucznia · odzyskiwanie zdolności po dostrajaniu",
   "examples_en": "GKD · per-token reverse KL on student samples · recovering abilities after fine-tuning",
   "plain": "To uczenie modelu na jego własnych próbach przy pomocy wskazówek modelu nauczyciela.",
   "plain_en": "This trains a model on its own attempts with guidance from a teacher model.",
   "solves": "Uczeń podczas działania trafia na sytuacje wynikające z własnych wyborów, których nie widział w gotowych odpowiedziach nauczyciela.",
   "solves_en": "During use, a student encounters situations caused by its own choices that were absent from completed teacher responses.",
   "does": "Uczeń generuje tekst, a nauczyciel dostarcza sygnał dla kolejnych fragmentów, pomagając poprawiać decyzje w rzeczywiście odwiedzanych sytuacjach.",
   "does_en": "The student generates text, and the teacher provides signals for successive elements, helping improve decisions in situations the student actually encounters.",
   "example": "Mały model zaczyna własne podsumowanie, a nauczyciel wskazuje lepsze dalsze wybory dla powstałego już tekstu.",
   "example_en": "A small model starts its own summary, and a teacher provides better next-choice signals for the text already produced.",
   "for_you": [
    "uczeń myli się na własnych ścieżkach odpowiedzi",
    "nauczyciel może oceniać wygenerowane fragmenty"
   ],
   "for_you_en": [
    "find a student errs along its own response paths",
    "can obtain teacher feedback on generated elements"
   ],
   "how": "Uczeń generuje sekwencje, a nauczyciel ocenia rozkłady następnych tokenów w napotkanych prefiksach. Aktualizacje dopasowują zachowanie na stanach odwiedzanych przez ucznia, ograniczając rozbieżność między kontekstami treningowymi i własnym generowaniem.",
   "how_en": "Students generate sequences, while teachers evaluate next-token distributions at encountered prefixes. Updates align behaviour on student-visited states, reducing mismatch between training contexts and the student's own generation.",
   "limits": "Próbkowanie ucznia i ocena nauczyciela zwiększają koszt treningu. Nieodpowiedni nauczyciel lub rozbieżność mogą utrwalać błędy; potrzebne jest pokrycie wejść i kontrola jakości poza odwiedzanymi trajektoriami.",
   "limits_en": "Student sampling and teacher evaluation increase training costs. Unsuitable teachers or divergences can reinforce errors; input coverage and quality checks beyond visited trajectories are needed.",
   "terms": [
    {
     "gloss": "Konteksty wynikające z odpowiedzi generowanych przez aktualnego ucznia.",
     "term": "rozkład stanów ucznia"
    },
    {
     "gloss": "Informacja nauczyciela dostępna osobno dla kolejnych pozycji sekwencji.",
     "term": "sygnał tokenowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Contexts produced by responses generated by the current student.",
     "term": "student state distribution"
    },
    {
     "gloss": "Teacher information available separately for successive sequence positions.",
     "term": "token-level signal"
    }
   ],
   "prereq": [
    "decoding",
    "lossfunctions"
   ],
   "keywords": [
    "GKD",
    "MiniLLM",
    "reverse KL",
    "student-generated rollouts",
    "DistiLLM",
    "per-token teacher feedback"
   ],
   "source_ids": [
    "gkd-2023",
    "tm-onpolicy-distill-2025"
   ],
   "url": "https://aiatlasgraph.com/t/onpolicydistill",
   "markdown_url": "https://aiatlasgraph.com/t/onpolicydistill.md",
   "updated": "2026-10-30"
  },
  "ontologies": {
   "id": "ontologies",
   "parent_id": "logic",
   "label": "Ontologie i sieć semantyczna (RDF, OWL)",
   "canonical_name": "Ontologies and the Semantic Web (RDF, OWL)",
   "description": "Standardy opisu pojęć, klas i relacji tak, by maszyna mogła sprawdzać spójność i wyprowadzać ukryte fakty.",
   "description_en": "Standards for describing concepts, classes and relations so machines can check consistency and infer implicit facts.",
   "examples": "RDF · OWL 2 · SPARQL · taksonomie",
   "examples_en": "RDF · OWL 2 · SPARQL · taxonomies",
   "plain": "To wspólny opis rodzajów rzeczy, ich cech i relacji, który programy potrafią interpretować.",
   "plain_en": "This gives programs a shared description of kinds of things, their properties and relationships.",
   "solves": "Różne systemy inaczej nazywają te same rzeczy lub różnie rozumieją kategorie, co utrudnia łączenie danych.",
   "solves_en": "Different systems name the same things differently or interpret categories differently, making data hard to combine.",
   "does": "Ustala znaczenie kategorii i powiązań oraz reguły, z których program może wywnioskować dodatkowe fakty lub zauważyć sprzeczności.",
   "does_en": "It defines categories, relationships and rules that let software infer additional facts or detect inconsistencies.",
   "example": "Łączysz katalogi wyposażenia, ustalając, że krzesło biurowe jest rodzajem mebla i że różne nazwy mogą wskazywać tę samą kategorię.",
   "example_en": "You combine equipment catalogues, defining an office chair as furniture and mapping different names to the same category.",
   "for_you": [
    "łączysz zbiory używające różnych nazw i kategorii",
    "chcesz, żeby program rozumiał związki między pojęciami"
   ],
   "for_you_en": [
    "combine collections with different names and categories",
    "want software to interpret relationships between concepts"
   ],
   "how": "Klasy, własności i aksjomaty definiują znaczenie pojęć oraz dozwolone relacje. Standardowy zapis trójek i reguł semantycznych pozwala reasonerowi sprawdzać spójność i wyprowadzać fakty niewpisane bezpośrednio.",
   "how_en": "Classes, properties and axioms define concept meanings and permitted relationships. Standard triple encodings and semantic rules let a reasoner check consistency and derive facts not explicitly recorded.",
   "limits": "Spójność formalna nie dowodzi zgodności z rzeczywistością. Koszt zależy od użytego fragmentu języka; założenie otwartego świata nie pozwala traktować brakującej informacji jako fałszu.",
   "limits_en": "Formal consistency does not prove real-world correctness. Costs depend on the language fragment; open-world assumptions prevent treating missing information as false.",
   "terms": [
    {
     "gloss": "Standard reprezentowania informacji przez trójki i identyfikatory zasobów.",
     "term": "RDF"
    },
    {
     "gloss": "Język ontologii opisujący klasy, własności i aksjomaty.",
     "term": "OWL"
    }
   ],
   "terms_en": [
    {
     "gloss": "A standard representing information through triples and resource identifiers.",
     "term": "RDF"
    },
    {
     "gloss": "An ontology language describing classes, properties and axioms.",
     "term": "OWL"
    }
   ],
   "prereq": [
    "fol",
    "kgraphs"
   ],
   "keywords": [
    "RDF",
    "OWL 2",
    "SPARQL",
    "description logic",
    "RDFS",
    "ontology alignment"
   ],
   "source_ids": [
    "aima4",
    "w3c-owl"
   ],
   "url": "https://aiatlasgraph.com/t/ontologies",
   "markdown_url": "https://aiatlasgraph.com/t/ontologies.md",
   "updated": "2026-10-30"
  },
  "ooddetection": {
   "id": "ooddetection",
   "parent_id": "robustness",
   "label": "Wykrywanie przykładów spoza rozkładu (OOD)",
   "canonical_name": "Out-of-distribution detection",
   "aliases": [
    "OOD detection",
    "out-of-distribution",
    "open-set recognition",
    "dane spoza rozkładu"
   ],
   "description": "Rozpoznawanie wejść, które nie pasują do rozkładu danych treningowych, aby system mógł zgłosić alarm, wstrzymać predykcję albo przekazać decyzję człowiekowi.",
   "description_en": "Recognising inputs that do not fit the training-data distribution, so the system can raise an alert, abstain or hand the decision to a person.",
   "examples": "wynik pewności jako detektor · odległość w przestrzeni cech · rozpoznawanie zbioru otwartego · przekazanie człowiekowi",
   "examples_en": "confidence score as detector · distance in feature space · open-set recognition · handover to a human",
   "plain": "To rozpoznawanie danych, które wyraźnie odbiegają od przykładów poznanych przez model podczas nauki.",
   "plain_en": "This recognises data that differs substantially from examples encountered during training.",
   "solves": "Model może dostać zupełnie nowy rodzaj przypadku i odpowiedzieć, jakby znał taką sytuację.",
   "solves_en": "A model may receive an entirely new kind of case and answer as if it were familiar.",
   "does": "Porównuje cechy lub sygnały pewności z poznanymi przykładami, żeby oznaczyć nietypowy przypadek, wstrzymać odpowiedź lub przekazać go człowiekowi.",
   "does_en": "It compares features or confidence signals with familiar examples to flag an unusual case, withhold an answer or refer it to a person.",
   "example": "System czytający faktury otrzymuje inny rodzaj dokumentu i zamiast automatycznie przepisać dane oznacza go do ręcznego sprawdzenia.",
   "example_en": "An invoice reader receives a different document type and marks it for manual checking instead of automatically copying its data.",
   "for_you": [
    "model może otrzymywać nowe rodzaje danych",
    "chcesz odsyłać nieznane przypadki do dodatkowej kontroli"
   ],
   "for_you_en": [
    "have a model that may receive unfamiliar data types",
    "want unfamiliar cases referred for additional checking"
   ],
   "how": "Detektor wylicza zgodność wejścia z danymi referencyjnymi przez odległość, gęstość lub sygnały modelu. Próg ustalony na kontrolnych próbkach oddziela akceptowane przypadki od tych wymagających dalszej oceny.",
   "how_en": "A detector scores input compatibility with reference data using distance, density or model signals. A threshold fitted on control samples separates accepted cases from those requiring further assessment.",
   "limits": "Nietypowy przykład nie musi być błędny, a typowy może prowadzić do błędu. Progi zależą od oczekiwanych zmian i kompromisu fałszywych alarmów; nie wykrywają wszystkich przesunięć.",
   "limits_en": "Unusual inputs need not be erroneous, and typical ones can cause errors. Thresholds depend on expected shifts and false-alarm trade-offs; they cannot detect every shift.",
   "terms": [
    {
     "gloss": "Miara niedopasowania wejścia do przyjętych danych referencyjnych.",
     "term": "score OOD"
    },
    {
     "gloss": "Rozkład uznawany za zwykły podczas oceny nowych przypadków.",
     "term": "rozkład referencyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A measure of input mismatch with chosen reference data.",
     "term": "OOD score"
    },
    {
     "gloss": "The distribution treated as normal when assessing new cases.",
     "term": "reference distribution"
    }
   ],
   "prereq": [
    "distributions",
    "representations"
   ],
   "keywords": [
    "Mahalanobis distance",
    "energy scores",
    "maximum softmax probability",
    "OpenMax",
    "open-set recognition"
   ],
   "source_ids": [
    "generalized-ood-survey-2021"
   ],
   "url": "https://aiatlasgraph.com/t/ooddetection",
   "markdown_url": "https://aiatlasgraph.com/t/ooddetection.md",
   "updated": "2026-10-30"
  },
  "ope": {
   "id": "ope",
   "parent_id": "offline",
   "label": "Ocena polityki off-policy (OPE)",
   "canonical_name": "Off-policy evaluation (OPE)",
   "aliases": [
    "off-policy evaluation",
    "OPE",
    "off-policy value evaluation",
    "ocena off-policy",
    "importance sampling estimators",
    "doubly robust estimator",
    "estymator podwójnie odporny"
   ],
   "description": "Szacowanie, jak dobra byłaby nowa polityka, wyłącznie z danych zebranych przez inną politykę, bez jej uruchamiania. Często krytyczny krok przed wdrożeniem RL w realnych systemach.",
   "description_en": "Estimating how good a new policy would be using only data collected by a different policy, without running it. Often a critical step before deploying RL in real systems.",
   "examples": "próbkowanie ważone · estymator podwójnie odporny · dopasowana ocena Q",
   "examples_en": "importance sampling · doubly robust estimator · fitted Q evaluation",
   "plain": "To sprawdzanie, jak sprawdziłby się nowy sposób działania, na podstawie starych zapisów, zanim go uruchomisz.",
   "plain_en": "This checks how a new way of acting would perform, using old records, before you switch it on.",
   "solves": "Uruchomienie niesprawdzonej strategii na prawdziwych ludziach lub pieniądzach jest ryzykowne, a dane masz tylko z obecnego sposobu działania.",
   "solves_en": "Running an untested strategy on real people or money is risky, and you only have data from how things are done today.",
   "does": "Jak ocena nowej trasy autobusu z danych o dotychczasowych przejazdach: przeważasz kursy podobne do nowej trasy, zamiast od razu zmieniać rozkład.",
   "does_en": "Like judging a new bus route from records of past trips: you give more weight to journeys resembling the new route instead of changing the timetable straight away.",
   "example": "Sklep internetowy ma zapis, jakie rabaty pokazywał klientom; zanim wprowadzi nowy sposób ich doboru, szacuje jego wynik z tych zapisów.",
   "example_en": "An online shop has records of which discounts it showed customers; before introducing a new way to choose them, it estimates the result from those records.",
   "for_you": [
    "masz dużo danych z obecnego systemu, ale nie możesz łatwo testować nowych",
    "musisz uzasadnić zmianę strategii przed jej wdrożeniem",
    "pracujesz z rekomendacjami, medycyną lub finansami, gdzie błędy kosztują"
   ],
   "for_you_en": [
    "have lots of data from the current system but cannot easily test new ones",
    "must justify a strategy change before rolling it out",
    "work with recommendations, medicine or finance, where mistakes are costly"
   ],
   "how": "Estymatory z próbkowaniem ważonym przeważają zwroty w danych ilorazem prawdopodobieństw akcji nowej i starej polityki – są nieobciążone, ale mają dużą wariancję. Metody oparte na modelu uczą funkcji wartości lub dynamiki i mają mniejszą wariancję, ale obciążenie. Estymator podwójnie odporny łączy oba podejścia: pozostaje nieobciążony i może mieć znacznie mniejszą wariancję.",
   "how_en": "Importance-sampling estimators reweight returns in the data by the ratio of action probabilities under the new and old policy – unbiased but high-variance. Model-based methods learn a value function or dynamics and have lower variance but bias. The doubly robust estimator combines both: it stays unbiased and can have much lower variance.",
   "limits": "Gdy nowa polityka wybiera działania rzadko lub nigdy niewidziane w danych, żaden estymator nie da wiarygodnej oceny. Wariancja próbkowania ważonego rośnie wykładniczo z długością horyzontu; potrzebne są też zapisane prawdopodobieństwa starej polityki.",
   "limits_en": "When the new policy picks actions rarely or never seen in the data, no estimator gives a reliable answer. Importance-sampling variance grows exponentially with horizon length, and the old policy's action probabilities must be logged.",
   "terms": [
    {
     "gloss": "Polityka, która wygenerowała zapisane dane.",
     "term": "polityka zbierająca"
    },
    {
     "gloss": "Przeważanie wyników ilorazem prawdopodobieństw działań dwóch polityk.",
     "term": "próbkowanie ważone"
    },
    {
     "gloss": "Połączenie modelu wartości z próbkowaniem ważonym, poprawne, gdy jedno z nich jest dobre.",
     "term": "estymator podwójnie odporny"
    }
   ],
   "terms_en": [
    {
     "gloss": "The policy that generated the logged data.",
     "term": "behaviour policy"
    },
    {
     "gloss": "Reweighting outcomes by the ratio of two policies' action probabilities.",
     "term": "importance sampling"
    },
    {
     "gloss": "Combining a value model with importance sampling, correct if either is good.",
     "term": "doubly robust estimator"
    }
   ],
   "prereq": [
    "bellman",
    "bandits"
   ],
   "keywords": [
    "importance sampling",
    "doubly robust estimator",
    "fitted Q evaluation",
    "weighted importance sampling",
    "per-decision importance sampling",
    "counterfactual evaluation",
    "safe policy improvement",
    "logged bandit feedback"
   ],
   "source_ids": [
    "doubly-robust-ope-2015"
   ],
   "url": "https://aiatlasgraph.com/t/ope",
   "markdown_url": "https://aiatlasgraph.com/t/ope.md",
   "updated": "2026-10-30"
  },
  "opendomainqa": {
   "id": "opendomainqa",
   "parent_id": "questionanswering",
   "label": "Odpowiadanie na pytania z dużego zbioru tekstów (open-domain QA)",
   "canonical_name": "Open-domain question answering (retriever–reader)",
   "aliases": [
    "open-domain question answering",
    "open-domain QA",
    "ODQA",
    "QA otwartodomenowe"
   ],
   "description": "Odpowiadanie na pytania bez podanego kontekstu przez wyszukanie fragmentów w dużym korpusie i odczytanie z nich odpowiedzi.",
   "description_en": "Answering questions with no given context by retrieving passages from a large corpus and reading the answer from them.",
   "plain": "Program sam znajduje w ogromnym zbiorze tekstów fragmenty, które odpowiadają na pytanie, i dopiero z nich buduje odpowiedź.",
   "plain_en": "Software finds the right passages in a huge text collection on its own and builds the answer from them.",
   "solves": "Zwykle nie wiesz, w którym z milionów dokumentów jest odpowiedź, więc nie możesz programowi podać właściwego tekstu.",
   "solves_en": "You usually don't know which of millions of documents holds the answer, so you can't hand software the right text.",
   "does": "Pracuje w dwóch krokach jak student w bibliotece: najpierw wyszukuje kilka trafnych stron, potem czyta je uważnie.",
   "does_en": "It works in two steps like a student in a library: first fetch a few promising pages, then read them closely.",
   "example": "Firmowy pomocnik odpowiada na pytanie o zasady urlopu, przeszukując cały intranet zamiast jednego dokumentu.",
   "example_en": "A company helper answers a holiday-policy question by searching the whole intranet rather than one document.",
   "for_you": [
    "masz dużą bazę dokumentów bez dobrego wyszukiwania",
    "budujesz czat odpowiadający na podstawie własnych tekstów",
    "chcesz zrozumieć, jak czat szuka odpowiedzi w dokumentach"
   ],
   "for_you_en": [
    "have a large document base with poor search",
    "build a chat that answers from your own texts",
    "want to know how a chatbot looks up answers in documents"
   ],
   "how": "Retriever (rzadki jak BM25 albo gęsty dual encoder) wybiera kilkadziesiąt fragmentów najbardziej podobnych do pytania. Reader — model ekstrakcyjny lub generatywny — czyta je i wskazuje albo formułuje odpowiedź; ten układ jest bezpośrednim poprzednikiem RAG z LLM.",
   "how_en": "A retriever (sparse like BM25 or a dense dual encoder) selects dozens of passages most similar to the question. A reader — extractive or generative — reads them and selects or composes the answer; this setup is the direct predecessor of LLM-based RAG.",
   "limits": "Błąd wyszukiwania przenosi się na odpowiedź: reader nie znajdzie tego, czego retriever nie podał. Pytania wymagające łączenia wielu źródeł i aktualizacja indeksu są kosztowne.",
   "limits_en": "Retrieval errors carry into the answer: the reader cannot find what the retriever missed. Multi-source questions and keeping the index current are costly.",
   "terms": [
    {
     "gloss": "Część wyszukująca kandydackie fragmenty tekstu.",
     "term": "retriever"
    },
    {
     "gloss": "Część czytająca fragmenty i wydobywająca odpowiedź.",
     "term": "reader"
    },
    {
     "gloss": "Osobne enkodery pytań i fragmentów porównywane iloczynem wektorów.",
     "term": "dual encoder"
    }
   ],
   "terms_en": [
    {
     "gloss": "The part that fetches candidate text passages.",
     "term": "retriever"
    },
    {
     "gloss": "The part that reads passages and extracts the answer.",
     "term": "reader"
    },
    {
     "gloss": "Separate question and passage encoders compared by vector dot product.",
     "term": "dual encoder"
    }
   ],
   "prereq": [
    "textembeddings",
    "vectordb"
   ],
   "keywords": [
    "Dense Passage Retrieval",
    "DPR",
    "BM25",
    "retriever-reader",
    "Fusion-in-Decoder",
    "Natural Questions",
    "TriviaQA",
    "multi-hop QA"
   ],
   "source_ids": [
    "dpr-2020"
   ],
   "url": "https://aiatlasgraph.com/t/opendomainqa",
   "markdown_url": "https://aiatlasgraph.com/t/opendomainqa.md",
   "updated": "2026-10-30"
  },
  "openendedness": {
   "id": "openendedness",
   "parent_id": "qualitydiversity",
   "label": "Systemy otwarte (open-endedness)",
   "canonical_name": "Open-ended learning systems",
   "aliases": [
    "open-endedness",
    "open-ended learning",
    "POET",
    "system otwarty",
    "niekończące się uczenie"
   ],
   "description": "Kierunek badań nad systemami, które bez końca generują nowe i uczące artefakty lub zadania wraz z ich rozwiązaniami.",
   "description_en": "Research on systems that endlessly generate novel, learnable artefacts or tasks along with their solutions.",
   "plain": "Systemy, które same wymyślają sobie coraz nowe i trudniejsze zadania, a potem uczą się je rozwiązywać.",
   "plain_en": "Systems that invent ever newer and harder tasks for themselves and then learn to solve them.",
   "solves": "Każdy zestaw zadań przygotowany przez ludzi kiedyś się kończy, więc uczący się program przestaje się rozwijać.",
   "solves_en": "Any task set prepared by people eventually runs out, so a learning program stops growing.",
   "does": "Jak dobry trener, który zawsze daje zawodnikowi zadanie odrobinę trudniejsze niż ostatnie: ani za łatwe, ani niemożliwe.",
   "does_en": "Like a good coach who always gives the athlete a task slightly harder than the last: neither too easy nor impossible.",
   "example": "Wirtualna postać uczy się chodzić po terenie, który program stopniowo utrudnia przeszkodami, dopasowanymi do jej obecnych umiejętności.",
   "example_en": "A virtual character learns to walk across terrain the software gradually roughens with obstacles matched to its current skills.",
   "for_you": [
    "interesuje cię, jak AI może uczyć się bez końca",
    "tworzysz środowiska treningowe lub programy nauki zadań"
   ],
   "for_you_en": [
    "wonder how AI could keep learning without end",
    "build training environments or task curricula"
   ],
   "how": "Algorytm równocześnie tworzy środowiska i rozwija agentów, utrzymując zadania na granicy umiejętności oraz przenosząc rozwiązania między zadaniami jako kamienie milowe. Nowsze prace definiują otwartość przez nowość i uczalność z perspektywy obserwatora i używają modeli bazowych do proponowania interesujących zadań.",
   "how_en": "The algorithm creates environments and develops agents together, keeping tasks at the edge of ability and transferring solutions between tasks as stepping stones. Newer work defines open-endedness through novelty and learnability for an observer and uses foundation models to propose interesting tasks.",
   "limits": "Nie ma powszechnie przyjętej miary postępu, a obliczenia są bardzo kosztowne. Generowane zadania mogą dryfować w nieprzydatnym kierunku, a samodoskonalące się systemy rodzą pytania o kontrolę i bezpieczeństwo.",
   "limits_en": "There is no widely accepted measure of progress, and compute costs are very high. Generated tasks can drift in useless directions, and self-improving systems raise control and safety questions.",
   "terms": [
    {
     "gloss": "Czy obserwator może z czasem przewidywać i opanować nowe artefakty.",
     "term": "uczalność"
    },
    {
     "gloss": "Równoczesne tworzenie zadań i rozwiązujących je agentów.",
     "term": "współewolucja środowisk"
    }
   ],
   "terms_en": [
    {
     "gloss": "Whether an observer can over time predict and master new artefacts.",
     "term": "learnability"
    },
    {
     "gloss": "Creating tasks and the agents that solve them at the same time.",
     "term": "environment co-evolution"
    }
   ],
   "prereq": [
    "curiosity",
    "rlenvs"
   ],
   "keywords": [
    "POET",
    "Enhanced POET",
    "OMNI-EPIC",
    "unsupervised environment design",
    "PAIRED",
    "autocurricula",
    "Genie"
   ],
   "source_ids": [
    "poet-2019",
    "openendedness-asi-2024"
   ],
   "url": "https://aiatlasgraph.com/t/openendedness",
   "markdown_url": "https://aiatlasgraph.com/t/openendedness.md",
   "updated": "2026-10-30"
  },
  "openvocabdetection": {
   "id": "openvocabdetection",
   "parent_id": "objectdetection",
   "label": "Detekcja obiektów opisanych tekstem",
   "canonical_name": "Open-vocabulary object detection",
   "description": "Wykrywanie obiektów wskazanych nazwą lub opisem w języku naturalnym, bez ograniczenia do jednej zamkniętej listy klas; obejmuje generalizację zero-shot do nowych kategorii.",
   "description_en": "Detecting objects queried by names or natural-language descriptions rather than one fixed closed label set; includes zero-shot generalisation to new categories.",
   "examples": "Grounding DINO · OWL-ViT · referring expressions",
   "examples_en": "Grounding DINO · OWL-ViT · referring expressions",
   "plain": "To szukanie na obrazie rzeczy, które wskażesz nazwą lub opisem słownym.",
   "plain_en": "This searches images for things you specify with a name or written description.",
   "solves": "Detektor ze stałą listą kategorii nie potrafi przyjąć każdej nowej nazwy przedmiotu, którego właśnie szukasz.",
   "solves_en": "A detector with fixed categories cannot accept every new object name you want to search for.",
   "does": "Model zestawia opis z cechami obrazu i zaznacza pasujące obszary, korzystając z wcześniej poznanych powiązań obrazu i języka.",
   "does_en": "A model matches a description to image features and marks corresponding regions using previously learned links between images and language.",
   "example": "Wpisujesz „czerwony plecak”, a program zaznacza go na zdjęciu zatłoczonego pokoju.",
   "example_en": "You type “red backpack”, and software marks it in a photo of a crowded room.",
   "for_you": [
    "szukasz obiektów opisanych zwykłymi słowami",
    "często zmieniasz listę rzeczy do wykrycia"
   ],
   "for_you_en": [
    "search for objects described in everyday words",
    "often change the list of things to detect"
   ],
   "how": "Enkodery języka i obrazu łączą opis kategorii z cechami regionów. Dopasowanie między modalnościami warunkuje wybór kandydatów i predykcję ramek, zamiast ograniczać wynik do stałej głowicy klas.",
   "how_en": "Language and image encoders connect category descriptions with region features. Cross-modal matching conditions candidate selection and box prediction instead of restricting outputs to a fixed class head.",
   "limits": "Nowa nazwa nie gwarantuje rozpoznania nieznanego obiektu. Wieloznaczne opisy, relacje przestrzenne i różnice między treningiem a sceną wymagają niezależnej oceny.",
   "limits_en": "A new name does not guarantee recognising an unfamiliar object. Ambiguous descriptions, spatial relationships and training–scene differences require independent evaluation.",
   "terms": [
    {
     "gloss": "Powiązanie wyrażenia językowego z odpowiednim fragmentem obrazu.",
     "term": "grounding"
    },
    {
     "gloss": "Kategorie zadawane opisem zamiast wyłącznie stałą listą etykiet.",
     "term": "otwarty słownik"
    }
   ],
   "terms_en": [
    {
     "gloss": "Linking a language expression to the corresponding image region.",
     "term": "grounding"
    },
    {
     "gloss": "Categories supplied through descriptions rather than solely fixed label lists.",
     "term": "open vocabulary"
    }
   ],
   "prereq": [
    "clipcontrastive",
    "tokenization"
   ],
   "keywords": [
    "Grounding DINO",
    "OWL-ViT",
    "text-conditioned detection",
    "referring expression comprehension",
    "phrase grounding"
   ],
   "source_ids": [
    "carion-sam3-2025",
    "liu-grounding-dino-2023"
   ],
   "url": "https://aiatlasgraph.com/t/openvocabdetection",
   "markdown_url": "https://aiatlasgraph.com/t/openvocabdetection.md",
   "updated": "2026-10-30"
  },
  "optimalexecution": {
   "id": "optimalexecution",
   "parent_id": "quanttrading",
   "label": "Optymalne wykonanie dużych zleceń",
   "canonical_name": "Optimal trade execution",
   "aliases": [
    "optimal execution",
    "trade execution",
    "execution algorithms",
    "VWAP",
    "TWAP",
    "implementation shortfall",
    "optymalna egzekucja zleceń"
   ],
   "description": "Wyznaczanie harmonogramu i cen zleceń cząstkowych, które minimalizują koszt wykonania dużego zlecenia w zadanym czasie.",
   "description_en": "Scheduling and pricing child orders to minimise the cost of executing a large order within a set time.",
   "plain": "Sposoby kupowania lub sprzedawania dużej liczby akcji po kawałku, żeby samemu nie przesunąć ceny na swoją niekorzyść.",
   "plain_en": "Ways to buy or sell a large block of shares in pieces so you don't push the price against yourself.",
   "solves": "Kto chce sprzedać dużo naraz, sam zbija cenę, a kto sprzedaje zbyt wolno, ryzykuje, że rynek ucieknie.",
   "solves_en": "Selling a lot at once drags the price down yourself, while selling too slowly risks the market moving away.",
   "does": "Dzieli zlecenie na porcje i dobiera ich moment i cenę, jak ktoś, kto przez cały dzień wymienia pieniądze w kilku kantorach.",
   "does_en": "Splits the order into chunks and times and prices each, like someone changing money at several bureaus throughout the day.",
   "example": "Fundusz emerytalny sprzedaje duży pakiet akcji; algorytm rozkłada sprzedaż na cały dzień w małych zleceniach dopasowanych do ruchu na giełdzie.",
   "example_en": "A pension fund sells a big block of shares; an algorithm spreads the sale over the day in small orders matched to market activity.",
   "for_you": [
    "pracujesz przy handlu na rynkach finansowych",
    "chcesz zrozumieć, jak uczenie ze wzmocnieniem działa w praktyce"
   ],
   "for_you_en": [
    "work in trading on financial markets",
    "want to see reinforcement learning applied in practice"
   ],
   "how": "Klasycznie wyznacza się harmonogram równoważący wpływ na cenę i ryzyko zmian rynku. W podejściu uczonym agent RL ma stan z pozostałego czasu, niewykonanej ilości i cech arkusza zleceń (spread, wolumen) i w każdym kroku ustala cenę limitu. Politykę uczy się na symulatorze opartym na historycznych danych arkusza zleceń, porównując koszt z prostymi strategiami.",
   "how_en": "Classically, a schedule balances price impact against market risk. In the learned approach an RL agent's state holds remaining time, unexecuted quantity and order-book features (spread, volume) and at each step sets the limit price. The policy is learned on a simulator built from historical order-book data, comparing cost against simple strategies.",
   "limits": "Symulator z danych historycznych zwykle pomija wpływ własnych zleceń na rynek. Wyniki zależą od instrumentu i okresu i słabo się przenoszą. Wymaga dokładnych danych arkusza zleceń, które są drogie.",
   "limits_en": "A simulator from historical data usually ignores the market impact of one's own orders. Results depend on the instrument and period and transfer poorly. It needs detailed order-book data, which is expensive.",
   "terms": [
    {
     "gloss": "Lista oczekujących ofert kupna i sprzedaży z cenami.",
     "term": "arkusz zleceń"
    },
    {
     "gloss": "Zmiana ceny wywołana własnym zleceniem.",
     "term": "wpływ na cenę"
    },
    {
     "gloss": "Różnica między ceną decyzji a faktycznie uzyskaną.",
     "term": "implementation shortfall"
    }
   ],
   "terms_en": [
    {
     "gloss": "List of waiting buy and sell offers with prices.",
     "term": "order book"
    },
    {
     "gloss": "Price move caused by one's own order.",
     "term": "price impact"
    },
    {
     "gloss": "Gap between the decision price and the price achieved.",
     "term": "implementation shortfall"
    }
   ],
   "prereq": [
    "qlearning"
   ],
   "keywords": [
    "Almgren-Chriss",
    "limit order book",
    "VWAP",
    "TWAP",
    "implementation shortfall",
    "market impact",
    "reinforcement learning",
    "market microstructure"
   ],
   "source_ids": [
    "nevmyvaka-rl-execution-2006"
   ],
   "url": "https://aiatlasgraph.com/t/optimalexecution",
   "markdown_url": "https://aiatlasgraph.com/t/optimalexecution.md",
   "updated": "2026-10-30"
  },
  "optimization": {
   "id": "optimization",
   "parent_id": "training",
   "label": "Proces uczenia",
   "canonical_name": "Training optimization",
   "description": "Sterowanie przebiegiem aktualizacji wag.",
   "description_en": "Steering how the weights get updated.",
   "examples": "optymalizatory (AdamW, Muon) · harmonogram learning rate · mieszana precyzja · stabilność treningu",
   "examples_en": "optimizers (AdamW, Muon) · learning-rate schedule · mixed precision · training stability",
   "plain": "To sterowanie tym, jak i jak szybko trening zmienia ustawienia modelu.",
   "plain_en": "This controls how training changes model parameters and how large those changes are.",
   "solves": "Uczenie trwa zbyt długo, jest niestabilne albo zużywa więcej zasobów, niż możesz przeznaczyć.",
   "solves_en": "Training takes too long, becomes unstable or consumes more resources than you can allocate.",
   "does": "Dobiera regułę aktualizacji, wielkość kroków i format obliczeń, a pomiary błędu pomagają reagować na problemy.",
   "does_en": "It selects update rules, step sizes and numerical formats, while error measurements help respond to problems.",
   "example": "Podczas treningu modelu zdjęć porównujesz ustawienia kroku, zużycie pamięci i przebieg błędu, zanim wybierzesz dłuższy trening.",
   "example_en": "While training an image model, you compare step settings, memory use and error trends before choosing a longer run.",
   "for_you": [
    "kontrolujesz przebieg treningu",
    "chcesz ograniczyć czas, pamięć lub niestabilność uczenia"
   ],
   "for_you_en": [
    "control a training run",
    "want to reduce training time, memory or instability"
   ],
   "how": "Każdy krok oblicza stratę na partii, wyznacza gradient i aktualizuje parametry wraz ze stanem optymalizatora. Harmonogram, precyzja i kontrola gradientów regulują trajektorię, a walidacja oraz checkpointy pozwalają porównywać i wznawiać przebieg.",
   "how_en": "Each step calculates batch loss, obtains gradients and updates parameters with optimiser state. Schedules, precision and gradient controls regulate trajectories, while validation and checkpoints enable comparisons and recovery.",
   "limits": "Szum gradientów i skala operacji wpływają na stabilność. Ustawienia zależą od modelu oraz danych; niski koszt na krok może wymagać większej liczby kroków do osiągnięcia jakości.",
   "limits_en": "Gradient noise and operation scales affect stability. Settings depend on models and data; low per-step costs can require more steps to achieve quality.",
   "terms": [
    {
     "gloss": "Podzbiór przykładów używany do pojedynczej aktualizacji modelu.",
     "term": "mini-batch"
    },
    {
     "gloss": "Wartości pomocnicze zachowywane między krokami, na przykład momenty gradientów.",
     "term": "stan optymalizatora"
    }
   ],
   "terms_en": [
    {
     "gloss": "An example subset used for one model update.",
     "term": "mini-batch"
    },
    {
     "gloss": "Auxiliary values retained across steps, such as gradient moments.",
     "term": "optimiser state"
    }
   ],
   "prereq": [
    "backprop",
    "lossfunctions"
   ],
   "keywords": [
    "AdamW",
    "learning rate schedule",
    "warmup",
    "mixed precision training",
    "gradient clipping",
    "loss spikes",
    "Muon",
    "bf16",
    "weight decay"
   ],
   "source_ids": [
    "cs336",
    "rl"
   ],
   "url": "https://aiatlasgraph.com/t/optimization",
   "markdown_url": "https://aiatlasgraph.com/t/optimization.md",
   "updated": "2026-10-30"
  },
  "optimizers": {
   "id": "optimizers",
   "parent_id": "optimization",
   "label": "Optymalizatory (SGD, Adam/AdamW, Muon)",
   "canonical_name": "Optimizers for neural network training",
   "aliases": [
    "optimizers",
    "Adam",
    "AdamW",
    "SGD",
    "Muon",
    "optymalizatory"
   ],
   "description": "Reguły zamieniające gradient w aktualizację wag: od SGD z momentum, przez adaptacyjne Adam i AdamW, po nowsze optymalizatory macierzowe, takie jak Muon.",
   "description_en": "Rules that turn a gradient into a weight update: from SGD with momentum, through adaptive Adam and AdamW, to newer matrix-aware optimisers such as Muon.",
   "examples": "SGD z momentum · RMSProp · Adam · AdamW (odsprzężony weight decay) · Muon",
   "examples_en": "SGD with momentum · RMSProp · Adam · AdamW (decoupled weight decay) · Muon",
   "plain": "To reguły wykorzystujące informację o błędzie do wyznaczania poprawek ustawień modelu.",
   "plain_en": "These rules use error information to determine model-parameter updates.",
   "solves": "Wiesz, w którą stronę zmiana może zmniejszyć błąd, ale musisz jeszcze dobrać sposób jej wykonania.",
   "solves_en": "You know which direction might reduce error but still need to choose how to make the update.",
   "does": "Algorytm może używać bieżącego sygnału, historii zmian i różnej skali dla ustawień, żeby wyznaczać kolejne poprawki.",
   "does_en": "An algorithm can use current signals, update history and different parameter scales to determine subsequent adjustments.",
   "example": "Porównujesz reguły aktualizacji na tym samym modelu kwiatów, obserwując tempo uczenia i jakość na nowych zdjęciach.",
   "example_en": "You compare update rules on the same flower model, observing learning speed and quality on new photos.",
   "for_you": [
    "wybierasz algorytm aktualizacji podczas treningu",
    "uczenie reaguje źle na obecne ustawienia"
   ],
   "for_you_en": [
    "choose a training update algorithm",
    "find learning behaves poorly with current settings"
   ],
   "how": "Reguła aktualizacji przekształca gradient przez momentum, adaptacyjne skalowanie lub operacje macierzowe. Stan historyczny oraz learning rate wyznaczają kierunek i wielkość kroku, a oddzielony weight decay może dodatkowo zmniejszać wagi.",
   "how_en": "Update rules transform gradients through momentum, adaptive scaling or matrix operations. Historical state and learning rates determine step directions and sizes, while decoupled weight decay can additionally shrink weights.",
   "limits": "Stan zwiększa pamięć, a dodatkowe przekształcenia koszt obliczeń. Dobór reguły nie usuwa potrzeby strojenia; różne typy parametrów mogą wymagać innych ustawień i obsługi numerycznej.",
   "limits_en": "State increases memory and extra transformations add computation. Rule choice cannot remove tuning needs; different parameter types can require distinct settings and numerical handling.",
   "terms": [
    {
     "gloss": "Wygładzony kierunek oparty na gradientach z kolejnych aktualizacji.",
     "term": "momentum"
    },
    {
     "gloss": "Dostosowanie wielkości kroku do statystyk gradientu dla parametrów.",
     "term": "adaptacyjne skalowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A smoothed direction based on gradients across successive updates.",
     "term": "momentum"
    },
    {
     "gloss": "Adjusting step sizes using parameter-specific gradient statistics.",
     "term": "adaptive scaling"
    }
   ],
   "prereq": [
    "calculus",
    "linearalgebra"
   ],
   "keywords": [
    "SGD with momentum",
    "Adam",
    "AdamW",
    "Muon",
    "Lion",
    "Adafactor",
    "Shampoo",
    "weight decay"
   ],
   "source_ids": [
    "adamw-2017",
    "muon-scalable-2025",
    "d2l-optimization"
   ],
   "url": "https://aiatlasgraph.com/t/optimizers",
   "markdown_url": "https://aiatlasgraph.com/t/optimizers.md",
   "updated": "2026-10-30"
  },
  "outcomegrading": {
   "id": "outcomegrading",
   "parent_id": "agenteval",
   "label": "Ocena po stanie końcowym zamiast po przebiegu",
   "canonical_name": "Outcome-based vs transcript-based grading of agents",
   "aliases": [
    "outcome grading",
    "state-based evaluation",
    "transcript grading",
    "final state check",
    "ocena wyniku agenta"
   ],
   "description": "Ocena agentów przez weryfikację stanu środowiska po próbie, uzupełniana kontrolami zapisu przebiegu.",
   "description_en": "Grading agents by verifying environment state after a trial, complemented by checks on the transcript.",
   "plain": "Sprawdzasz, czy po pracy agenta świat naprawdę wygląda tak, jak powinien, a nie tylko to, co agent o tym napisał.",
   "plain_en": "You check whether the world really looks as it should after the agent's work, not just what the agent wrote about it.",
   "solves": "Agent może napisać „zrobione”, chociaż nic nie zrobił, albo dojść do celu inną, równie dobrą drogą niż przewidziana.",
   "solves_en": "An agent may write 'done' without doing anything, or reach the goal by a different but equally good route than expected.",
   "does": "Jak kontrola po remoncie: liczy się, czy kran nie cieknie, a nie relacja fachowca; osobno można ocenić, czy po drodze nie narobił szkód.",
   "does_en": "Like an inspection after a repair: what counts is that the tap stops leaking, not the plumber's story; damage along the way is checked separately.",
   "example": "Asystent ma zarezerwować lot; test sprawdza, czy rezerwacja istnieje w systemie, i osobno, czy asystent nie poprosił klienta o zbędne dane.",
   "example_en": "An assistant must book a flight; the test checks that the booking exists in the system and, separately, that it asked the customer for no needless data.",
   "for_you": [
    "twój agent zmienia coś w plikach, bazach lub kalendarzach",
    "testy psują się, gdy agent zrobi to inaczej, ale dobrze"
   ],
   "for_you_en": [
    "your agent changes files, databases or calendars",
    "tests break when the agent does it differently but correctly"
   ],
   "how": "Grader kodowy porównuje stan środowiska po próbie (baza, pliki, wyniki testów) ze stanem docelowym, niezależnie od ścieżki. Kontrole przebiegu sprawdzają osobno liczbę tur, użycie zabronionych narzędzi, koszt czy ton. Każda próba startuje w czystym, izolowanym środowisku, a złożone zadania mogą dawać częściowe punkty.",
   "how_en": "A code grader compares environment state after the trial (database, files, test results) with the target state, regardless of path. Transcript checks separately cover turn count, forbidden tool use, cost or tone. Each trial starts in a clean isolated environment, and multi-part tasks can award partial credit.",
   "limits": "Trzeba umieć zapisać poprawny stan końcowy, co nie zawsze jest możliwe przy zadaniach otwartych. Sam wynik nie wykryje szkodliwych kroków po drodze. Sztywne sprawdzanie kolejności kroków daje kruche testy.",
   "limits_en": "You must be able to specify the correct end state, which open-ended tasks may not allow. Outcome alone misses harmful steps along the way. Rigid step-order checks make brittle tests.",
   "terms": [
    {
     "gloss": "Stan środowiska po zakończeniu próby agenta.",
     "term": "outcome"
    },
    {
     "gloss": "Pełny zapis próby: wiadomości, wywołania narzędzi i wyniki pośrednie.",
     "term": "transcript"
    },
    {
     "gloss": "Każda próba zaczyna od czystego środowiska, bez śladów poprzedniej.",
     "term": "izolacja prób"
    }
   ],
   "terms_en": [
    {
     "gloss": "The environment state after an agent trial ends.",
     "term": "outcome"
    },
    {
     "gloss": "The full trial record: messages, tool calls and intermediate results.",
     "term": "transcript"
    },
    {
     "gloss": "Each trial starts from a clean environment with no leftovers.",
     "term": "trial isolation"
    }
   ],
   "prereq": [
    "tools",
    "codeevals"
   ],
   "keywords": [
    "outcome verification",
    "state-based evaluation",
    "transcript grading",
    "tool-call checks",
    "environment reset",
    "partial credit",
    "sandboxed environments"
   ],
   "source_ids": [
    "anthropic-agent-evals-2026",
    "taubench-2024"
   ],
   "url": "https://aiatlasgraph.com/t/outcomegrading",
   "markdown_url": "https://aiatlasgraph.com/t/outcomegrading.md",
   "updated": "2026-10-30"
  },
  "outcomeverify": {
   "id": "outcomeverify",
   "parent_id": "reasoningverifiers",
   "label": "Sprawdzanie końcowego wyniku",
   "canonical_name": "Outcome verification",
   "description": "Ocenia się tylko końcową odpowiedź: porównaniem z wzorcem, uruchomieniem testów albo modelem nagrody wyniku (ORM). Prostsze i tańsze niż ocena kroków.",
   "description_en": "Only the final answer is judged: by comparing with a reference, running tests, or an outcome reward model (ORM). Simpler and cheaper than step scoring.",
   "examples": "ORM · dopasowanie odpowiedzi · testy kodu",
   "examples_en": "ORM · answer matching · code tests",
   "plain": "To ocenianie końcowej odpowiedzi bez osobnego sprawdzania wszystkich kroków, które do niej doprowadziły.",
   "plain_en": "This evaluates the final answer without separately checking every step that produced it.",
   "solves": "Potrzebujesz szybko ocenić wiele prób, a szczegółowe analizowanie każdego kroku kosztuje zbyt dużo.",
   "solves_en": "You need to evaluate many attempts quickly, while inspecting every step costs too much.",
   "does": "Wynik porównuje się z wzorcem, uruchamia test lub korzysta z modelu oceny; trafna odpowiedź nie dowodzi poprawności całej drogi.",
   "does_en": "The result is checked against a reference, a test or an evaluator model; a correct answer does not prove every step was sound.",
   "example": "Sprawdzasz wynik zadania rachunkowego z gotową odpowiedzią, nie oceniając osobno zapisanych obliczeń.",
   "example_en": "You compare an arithmetic task's result with the reference answer without separately judging its written calculations.",
   "for_you": [
    "masz sprawdzalny wynik końcowy",
    "nie potrzebujesz oceny każdego etapu rozwiązania"
   ],
   "for_you_en": [
    "have a checkable final result",
    "do not need every solution step evaluated"
   ],
   "how": "Końcową odpowiedź porównuje się z wzorcem, wykonuje jej testy albo ocenia wyuczonym modelem wyniku. Uzyskany sygnał określa akceptację, ranking prób lub nagrodę, bez bezpośredniego etykietowania każdego kroku.",
   "how_en": "The final answer is compared with a reference, tested through execution or scored by a learned outcome model. The signal determines acceptance, trial rankings or rewards without directly labelling every step.",
   "limits": "Poprawny wynik może powstać mimo błędnego rozumowania, a niewłaściwy format utrudnić porównanie. Rzadki sygnał nie wskazuje miejsca błędu; niepełne testy przepuszczają niepoprawne rozwiązania.",
   "limits_en": "Correct results can arise despite flawed reasoning, while unsuitable formats hinder comparison. Sparse signals do not locate errors; incomplete tests admit invalid solutions.",
   "terms": [
    {
     "gloss": "Referencyjny wynik używany do automatycznego porównania rozwiązania.",
     "term": "wzorzec odpowiedzi"
    },
    {
     "gloss": "Model przypisujący ocenę końcowej odpowiedzi bez nadzoru każdego kroku.",
     "term": "model nagrody wyniku"
    }
   ],
   "terms_en": [
    {
     "gloss": "A reference result used for automated solution comparison.",
     "term": "answer reference"
    },
    {
     "gloss": "A model scoring final answers without supervision of every step.",
     "term": "outcome reward model"
    }
   ],
   "prereq": [
    "codeevals",
    "evalsets"
   ],
   "keywords": [
    "ORM",
    "exact answer matching",
    "unit test rewards",
    "outcome supervision"
   ],
   "source_ids": [
    "lightman-verify-step-2023"
   ],
   "url": "https://aiatlasgraph.com/t/outcomeverify",
   "markdown_url": "https://aiatlasgraph.com/t/outcomeverify.md",
   "updated": "2026-10-30"
  },
  "pacvc": {
   "id": "pacvc",
   "parent_id": "learningtheory",
   "label": "Uczenie PAC i wymiar VC",
   "canonical_name": "PAC learning and VC dimension",
   "aliases": [
    "PAC learning",
    "probably approximately correct learning",
    "uczenie PAC",
    "VC dimension",
    "wymiar VC",
    "wymiar Vapnika-Czerwonenkisa"
   ],
   "description": "Formalny model uczalności: z prawdopodobieństwem co najmniej 1−δ błąd hipotezy ≤ ε, przy liczbie próbek zależnej od wymiaru VC klasy.",
   "description_en": "Formal learnability model: with probability at least 1−δ the hypothesis error is ≤ ε, with sample size depending on the class's VC dimension.",
   "plain": "Sposób, by policzyć, ile przykładów potrzeba, żeby model z dużym prawdopodobieństwem mylił się tylko trochę.",
   "plain_en": "A way to count how many examples are needed so a model is, with high probability, only slightly wrong.",
   "solves": "Trudno ocenić z góry, czy zebrane dane wystarczą do nauczenia zadania, czy model tylko zapamięta przypadkowe szczegóły.",
   "solves_en": "It is hard to judge in advance whether collected data suffices to learn a task or whether the model will memorise accidental details.",
   "does": "Mierzy, ile różnych podziałów danych model potrafi odtworzyć; im bardziej giętki model, tym więcej przykładów musi zobaczyć.",
   "does_en": "It measures how many different splits of data a model can reproduce; the more flexible the model, the more examples it must see.",
   "example": "Przed zbieraniem danych do wykrywania wadliwych części ktoś szacuje, że prosty model wystarczy na mniejszej próbce niż bardzo rozbudowany.",
   "example_en": "Before collecting data to spot faulty parts, someone estimates that a simple model will do with a smaller sample than a very elaborate one.",
   "for_you": [
    "planujesz, ile danych zebrać do modelu",
    "chcesz zrozumieć, czym grozi zbyt złożony model"
   ],
   "for_you_en": [
    "plan how much data to collect for a model",
    "want to understand the risk of an overly complex model"
   ],
   "how": "W klasyfikacji binarnej klasa jest uczalna w sensie PAC, gdy istnieje algorytm, który dla dowolnego rozkładu i wystarczającej liczby próbek i.i.d. zwraca hipotezę o błędzie ≤ ε z prawdopodobieństwem ≥ 1−δ. Wymiar VC to rozmiar największego zbioru punktów, który klasa potrafi rozbić na wszystkie sposoby; w tym ustawieniu skończony wymiar VC charakteryzuje uczalność PAC i agnostyczną uczalność PAC.",
   "how_en": "In binary classification, a class is PAC learnable when some algorithm, for any distribution and enough i.i.d. samples, returns a hypothesis with error ≤ ε with probability ≥ 1−δ. VC dimension is the size of the largest point set the class can shatter; in this setting finite VC dimension characterises PAC and agnostic PAC learnability.",
   "limits": "Ograniczenia są najgorszego przypadku i dla głębokich sieci o milionach parametrów dają liczby bez praktycznego znaczenia. Nie uwzględniają cech konkretnego rozkładu ani algorytmu optymalizacji.",
   "limits_en": "Bounds are worst-case and for deep networks with millions of parameters yield practically meaningless numbers. They ignore properties of the specific distribution and of the optimisation algorithm.",
   "terms": [
    {
     "gloss": "Dopuszczalny błąd i dopuszczalna szansa, że uczenie się nie uda.",
     "term": "ε i δ"
    },
    {
     "gloss": "Zdolność modelu do odtworzenia każdego możliwego oznaczenia zbioru punktów.",
     "term": "rozbijanie (shattering)"
    },
    {
     "gloss": "Przykłady losowane niezależnie z tego samego rozkładu.",
     "term": "i.i.d."
    }
   ],
   "terms_en": [
    {
     "gloss": "Allowed error and allowed chance that learning fails.",
     "term": "ε and δ"
    },
    {
     "gloss": "A model's ability to reproduce every possible labelling of a point set.",
     "term": "shattering"
    },
    {
     "gloss": "Examples drawn independently from the same distribution.",
     "term": "i.i.d."
    }
   ],
   "prereq": [
    "supervised",
    "distributions"
   ],
   "keywords": [
    "PAC learnability",
    "VC dimension",
    "sample complexity",
    "shattering",
    "agnostic PAC",
    "uniform convergence",
    "fundamental theorem of PAC learning",
    "Rademacher complexity"
   ],
   "source_ids": [
    "shalev-bendavid-uml-2014"
   ],
   "url": "https://aiatlasgraph.com/t/pacvc",
   "markdown_url": "https://aiatlasgraph.com/t/pacvc.md",
   "updated": "2026-10-30"
  },
  "parallelism": {
   "id": "parallelism",
   "parent_id": "compute",
   "label": "Strategie zrównoleglania treningu",
   "canonical_name": "Training parallelism strategies",
   "description": "Jak podzielić model i dane między karty.",
   "description_en": "How to split a model and its data across devices.",
   "examples": "tensor · pipeline · data parallelism · ZeRO / FSDP",
   "examples_en": "tensor · pipeline · data parallelism · ZeRO / FSDP",
   "plain": "To dzielenie danych, części modelu lub etapów treningu między urządzenia pracujące równocześnie.",
   "plain_en": "This splits data, model components or training stages across devices working simultaneously.",
   "solves": "Trening jest zbyt wolny albo cały model nie mieści się na jednym urządzeniu.",
   "solves_en": "Training is too slow or the whole model does not fit on one device.",
   "does": "Urządzenia mogą ćwiczyć na różnych przykładach, liczyć części tej samej warstwy lub przekazywać pracę przez kolejne etapy.",
   "does_en": "Devices can train on different examples, compute parts of the same layer or pass work through successive stages.",
   "example": "Rozdzielasz duży model między karty, a każda wykonuje przypisany fragment i przekazuje wyniki dalej.",
   "example_en": "You split a large model across cards, with each computing its assigned portion and passing results onward.",
   "for_you": [
    "trenujesz model na wielu urządzeniach",
    "potrzebujesz podzielić model przekraczający pamięć jednej karty"
   ],
   "for_you_en": [
    "train a model on multiple devices",
    "need to split a model exceeding one card's memory"
   ],
   "how": "Równoległość danych przetwarza różne przykłady i uzgadnia gradienty, a tensorowa dzieli operacje modelu pomiędzy urządzenia. Podział potokowy rozmieszcza warstwy i mikrobatche w harmonogramie, zaś shardowanie stanu ogranicza pamięć pojedynczego wykonawcy.",
   "how_en": "Data parallelism processes different examples and reconciles gradients, while tensor parallelism splits model operations across devices. Pipeline partitioning schedules layers and microbatches, while state sharding limits memory per worker.",
   "limits": "Komunikacja, nierówne obciążenie i bąble potoku ograniczają skalowanie. Podział musi odpowiadać topologii oraz rozmiarom tensorów; większa równoległość zmienia także batch i warunki optymalizacji.",
   "limits_en": "Communication, imbalance and pipeline bubbles limit scaling. Partitioning must match topology and tensor shapes; increased parallelism also changes batch size and optimisation conditions.",
   "terms": [
    {
     "gloss": "Podział parametrów lub stanu na fragmenty przechowywane przez różne urządzenia.",
     "term": "shardowanie"
    },
    {
     "gloss": "Przestój etapu oczekującego na dane lub zakończenie zależnej pracy.",
     "term": "bąbel potoku"
    }
   ],
   "terms_en": [
    {
     "gloss": "Partitioning parameters or state across different devices.",
     "term": "sharding"
    },
    {
     "gloss": "A stage stall while awaiting data or dependent work.",
     "term": "pipeline bubble"
    }
   ],
   "prereq": [
    "backprop",
    "linearalgebra"
   ],
   "keywords": [
    "tensor parallelism",
    "pipeline parallelism",
    "data parallelism",
    "ZeRO",
    "FSDP",
    "sequence parallelism",
    "microbatch scheduling",
    "pipeline bubbles"
   ],
   "source_ids": [
    "wafer-gpu",
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/parallelism",
   "markdown_url": "https://aiatlasgraph.com/t/parallelism.md",
   "updated": "2026-10-30"
  },
  "parallelsampling": {
   "id": "parallelsampling",
   "parent_id": "testtime",
   "label": "Wiele prób i głosowanie",
   "canonical_name": "Parallel sampling and voting",
   "description": "Model generuje wiele niezależnych rozwiązań naraz, a wynik wybiera się głosowaniem większościowym (self-consistency) albo oceną weryfikatora (best-of-N).",
   "description_en": "The model generates many independent solutions in parallel; the answer is picked by majority vote (self-consistency) or by a verifier score (best-of-N).",
   "examples": "self-consistency · best-of-N · głosowanie większościowe",
   "examples_en": "self-consistency · best-of-N · majority voting",
   "plain": "To przygotowanie kilku prób rozwiązania i wybranie odpowiedzi przez głosowanie lub ocenę.",
   "plain_en": "This generates several solution attempts and selects an answer through voting or evaluation.",
   "solves": "Pierwsza próba może się pomylić, choć ten sam model potrafi w innej próbie znaleźć właściwy wynik.",
   "solves_en": "The first attempt may fail even though the same model can find the correct result in another attempt.",
   "does": "Niezależne próby są porównywane według zgodności odpowiedzi lub oceny weryfikatora; wspólny błąd wszystkich prób nadal może wygrać.",
   "does_en": "Independent attempts are compared by answer agreement or verifier scores; an error shared across attempts can still win.",
   "example": "Model kilka razy oblicza podział kosztów, a ty wybierasz wynik z dodatkowo sprawdzonej próby.",
   "example_en": "A model calculates a cost split several times, and you select a result from an additionally checked attempt.",
   "for_you": [
    "możesz zapłacić za kilka prób",
    "masz sposób porównania proponowanych wyników"
   ],
   "for_you_en": [
    "can pay for several attempts",
    "have a way to compare proposed results"
   ],
   "how": "Z tego samego zadania losuje się kilka rozwiązań przy różnych przebiegach generowania. Odpowiedzi normalizuje się i agreguje głosowaniem albo wybiera przez weryfikator, rozdzielając koszt tworzenia kandydatów od kosztu ich oceny.",
   "how_en": "Several solutions are sampled for the same task through different generation runs. Answers are normalised and combined through voting or selected by a verifier, separating candidate-generation and assessment costs.",
   "limits": "Próby dzielą błędy jednego modelu, więc nie są niezależnymi dowodami. Większość może mylić się zgodnie; słaby weryfikator wybiera pozornie najlepszy błąd, a liczba prób zwiększa koszt.",
   "limits_en": "Trials share one model's errors and are not independent evidence. Majorities can agree incorrectly; weak verifiers select apparently better errors, while trial counts increase cost.",
   "terms": [
    {
     "gloss": "Wybór odpowiedzi często powtarzającej się w różnych wygenerowanych ścieżkach.",
     "term": "self-consistency"
    },
    {
     "gloss": "Wybór najwyżej ocenionego rozwiązania spośród wielu kandydatów.",
     "term": "best-of-N"
    }
   ],
   "terms_en": [
    {
     "gloss": "Selecting an answer frequently recurring across different generated paths.",
     "term": "self-consistency"
    },
    {
     "gloss": "Selecting the highest-scored solution among multiple candidates.",
     "term": "best-of-N"
    }
   ],
   "prereq": [
    "probability",
    "calibration"
   ],
   "keywords": [
    "self-consistency",
    "best-of-N",
    "majority voting",
    "temperature sampling",
    "answer aggregation"
   ],
   "source_ids": [
    "tts-survey-2025",
    "wang-self-consistency-2022"
   ],
   "url": "https://aiatlasgraph.com/t/parallelsampling",
   "markdown_url": "https://aiatlasgraph.com/t/parallelsampling.md",
   "updated": "2026-10-30"
  },
  "parametercontrol": {
   "id": "parametercontrol",
   "parent_id": "evodesign",
   "label": "Strojenie i samoadaptacja parametrów algorytmu ewolucyjnego",
   "canonical_name": "Parameter tuning and control in evolutionary algorithms",
   "aliases": [
    "parameter control",
    "parameter tuning",
    "self-adaptation",
    "strojenie parametrów",
    "sterowanie parametrami",
    "samoadaptacja"
   ],
   "description": "Strojenie (statyczny dobór przed przebiegiem) i sterowanie parametrami (deterministyczne, adaptacyjne lub samoadaptacyjne zmiany podczas przebiegu).",
   "description_en": "Parameter tuning (static choice before a run) and parameter control (deterministic, adaptive or self-adaptive changes during a run).",
   "plain": "Dobór ustawień algorytmu ewolucyjnego, takich jak siła mutacji czy wielkość populacji, przed startem albo samoczynnie w trakcie działania.",
   "plain_en": "Choosing an evolutionary algorithm's settings, such as mutation strength or population size, before the run or automatically during it.",
   "solves": "Ten sam algorytm z innymi ustawieniami raz działa świetnie, a raz wcale, i trudno zgadnąć, które wybrać.",
   "solves_en": "The same algorithm with different settings works brilliantly one time and not at all the next, and the right ones are hard to guess.",
   "does": "Jak kierowca, który zmienia bieg zależnie od drogi: na prostej przyspiesza dużymi krokami, przy celu zwalnia i dokładnie manewruje.",
   "does_en": "Like a driver changing gear for the road: big strides on the straight, slowing for careful manoeuvres near the goal.",
   "example": "Optymalizator kształtu skrzydła drona na początku robi duże zmiany, a gdy coraz mniej prób się udaje, sam zmniejsza ich zakres.",
   "example_en": "A drone-wing shape optimiser makes large changes at first and, as fewer trials succeed, shrinks their range by itself.",
   "for_you": [
    "wyniki algorytmu bardzo zależą od ustawień",
    "nie chcesz ręcznie stroić parametrów",
    "porównujesz algorytmy i chcesz uczciwych warunków"
   ],
   "for_you_en": [
    "your results depend heavily on settings",
    "you do not want to tune parameters by hand",
    "you compare algorithms and want fair conditions"
   ],
   "how": "Strojenie porównuje stałe konfiguracje przed właściwym przebiegiem. Sterowanie zmienia parametry w trakcie: według harmonogramu, na podstawie sprzężenia zwrotnego albo przez samoadaptację, gdy parametry są zapisane w genotypie i ewoluują. Przykładem adaptacji ze sprzężeniem jest reguła 1/5 sukcesów dla rozmiaru kroku mutacji.",
   "how_en": "Tuning compares fixed configurations before the main run. Control changes parameters during a run: according to a schedule, using feedback, or through self-adaptation where parameters are encoded in the genotype and evolve. The one-fifth success rule for mutation step size is an example of feedback-based adaptation.",
   "limits": "Strojenie kosztuje wiele przebiegów i grozi przeuczeniem na zestawie testów. Mechanizmy adaptacyjne mają własne hiperparametry, a samoadaptacja może nagradzać krótkoterminowy zysk kosztem długofalowej eksploracji.",
   "limits_en": "Tuning costs many runs and risks overfitting to the test set. Adaptive mechanisms have their own hyperparameters, and self-adaptation can reward short-term gain at the expense of long-term exploration.",
   "terms": [
    {
     "gloss": "Zwiększ krok mutacji, gdy udaje się ponad 20% prób.",
     "term": "reguła 1/5 sukcesów"
    },
    {
     "gloss": "Parametry ewoluują razem z rozwiązaniem w tym samym zapisie.",
     "term": "samoadaptacja"
    },
    {
     "gloss": "Odrzucanie słabych konfiguracji, zanim przetestuje się je do końca.",
     "term": "racing"
    }
   ],
   "terms_en": [
    {
     "gloss": "Increase the mutation step when over 20% of trials succeed.",
     "term": "1/5 success rule"
    },
    {
     "gloss": "Parameters evolve with the solution inside the same encoding.",
     "term": "self-adaptation"
    },
    {
     "gloss": "Dropping weak configurations before testing them fully.",
     "term": "racing"
    }
   ],
   "prereq": [
    "hptuning"
   ],
   "keywords": [
    "parameter tuning",
    "deterministic parameter control",
    "adaptive parameter control",
    "self-adaptation",
    "1/5 success rule",
    "mutation step size",
    "evolution strategy parameters"
   ],
   "source_ids": [
    "eiben-smith-2015",
    "hinterding-adaptation-1997"
   ],
   "url": "https://aiatlasgraph.com/t/parametercontrol",
   "markdown_url": "https://aiatlasgraph.com/t/parametercontrol.md",
   "updated": "2026-10-30"
  },
  "passk": {
   "id": "passk",
   "parent_id": "agenteval",
   "label": "Powtarzalność agenta: pass@k i pass^k",
   "canonical_name": "Agent reliability metrics: pass@k and pass^k",
   "aliases": [
    "pass@k",
    "pass^k",
    "pass hat k",
    "consistency metric",
    "wielokrotne próby"
   ],
   "description": "Metryki z wielokrotnych prób: pass@k (co najmniej jeden sukces w k) i pass^k (wszystkie k udane).",
   "description_en": "Metrics from repeated trials: pass@k (at least one success in k) and pass^k (all k succeed).",
   "plain": "Uruchamiasz to samo zadanie kilka razy i liczysz, czy agent dał radę choć raz, czy za każdym razem.",
   "plain_en": "You run the same task several times and count whether the agent succeeded at least once, or every single time.",
   "solves": "Agent, który raz na trzy razy myli się przy tym samym zadaniu, wygląda świetnie w jednej próbie, a zawodzi klientów.",
   "solves_en": "An agent that fails one time in three on the same task looks great in a single run yet lets customers down.",
   "does": "Rozróżnia dwa pytania: czy narzędzie w ogóle potrafi trafić (wystarczy jeden sukces), oraz czy można na nim polegać (sukces za każdym razem).",
   "does_en": "It separates two questions: can the tool get it right at all (one success is enough), and can you rely on it (success every time).",
   "example": "Asystent zwrotów rozwiązuje zadanie w trzech na cztery próby; szansa, że trzech klientów z rzędu dostanie dobrą obsługę, spada poniżej połowy.",
   "example_en": "A returns assistant solves a task in three of four tries; the chance that three customers in a row get it right drops below half.",
   "for_you": [
    "twój agent obsługuje klientów i musi działać za każdym razem",
    "wyniki testów skaczą między uruchomieniami"
   ],
   "for_you_en": [
    "your agent serves customers and must work every time",
    "test results jump between runs"
   ],
   "how": "Dla każdego zadania wykonuje się n prób i liczy c udanych. pass@k szacuje się nieobciążonym estymatorem 1 − C(n−c,k)/C(n,k) i rośnie z k. pass^k to prawdopodobieństwo, że wszystkie k prób się udadzą, liczone z C(c,k)/C(n,k) i maleje z k. Wyniki uśrednia się po zadaniach.",
   "how_en": "Run n trials per task and count c successes. pass@k is estimated with the unbiased estimator 1 − C(n−c,k)/C(n,k) and rises with k. pass^k, the probability that all k trials succeed, is computed as C(c,k)/C(n,k) and falls with k. Scores are averaged over tasks.",
   "limits": "Wymaga wielu uruchomień każdego zadania, więc mnoży koszt. Przy małym n szacunki są niepewne. Próby muszą być naprawdę niezależne: wspólny stan lub pamięć podbija wynik.",
   "limits_en": "It needs many runs per task, multiplying cost. With small n the estimates are uncertain. Trials must be truly independent: shared state or memory inflates scores.",
   "terms": [
    {
     "gloss": "Szansa, że co najmniej jedna z k prób się uda.",
     "term": "pass@k"
    },
    {
     "gloss": "Szansa, że wszystkie k prób się udadzą; miara niezawodności.",
     "term": "pass^k"
    },
    {
     "gloss": "Wzór, który średnio nie zawyża ani nie zaniża szukanej wartości.",
     "term": "estymator nieobciążony"
    }
   ],
   "terms_en": [
    {
     "gloss": "The chance that at least one of k trials succeeds.",
     "term": "pass@k"
    },
    {
     "gloss": "The chance that all k trials succeed; a reliability measure.",
     "term": "pass^k"
    },
    {
     "gloss": "A formula that on average neither over- nor underestimates the value.",
     "term": "unbiased estimator"
    }
   ],
   "prereq": [
    "evalstats",
    "probability"
   ],
   "keywords": [
    "pass@k",
    "pass^k",
    "unbiased estimator",
    "HumanEval",
    "tau-bench",
    "trial variance",
    "consistency"
   ],
   "source_ids": [
    "anthropic-agent-evals-2026",
    "taubench-2024",
    "codex-humaneval-2021"
   ],
   "url": "https://aiatlasgraph.com/t/passk",
   "markdown_url": "https://aiatlasgraph.com/t/passk.md",
   "updated": "2026-10-30"
  },
  "pathologyfm": {
   "id": "pathologyfm",
   "parent_id": "comppathology",
   "label": "Modele bazowe w patologii",
   "canonical_name": "Pathology foundation models",
   "aliases": [
    "computational pathology foundation models",
    "histopathology foundation model",
    "modele fundamentalne w patologii"
   ],
   "description": "Enkodery kafelków i slajdów pretrenowane samonadzorowanie na milionach obrazów histopatologicznych, używane jako uniwersalne źródło cech dla zadań patologii.",
   "description_en": "Tile and slide encoders pretrained self-supervised on millions of histopathology images, used as general feature extractors for pathology tasks.",
   "plain": "Duże modele, które obejrzały miliony fragmentów preparatów tkankowych i służą jako gotowy start do wielu zadań patologii.",
   "plain_en": "Large models that have seen millions of tissue-slide patches and serve as a ready starting point for many pathology tasks.",
   "solves": "Dla każdego rodzaju nowotworu brakuje tysięcy opisanych preparatów, więc budowa osobnego modelu od zera jest za droga.",
   "solves_en": "Each cancer type lacks thousands of labelled slides, so building a separate model from scratch is too costly.",
   "does": "Najpierw uczy się samego wyglądu tkanek bez opisów, jak student oglądający atlas, a potem wystarczy mu kilka przykładów nowego zadania.",
   "does_en": "First learns what tissue looks like without labels, like a student browsing an atlas, then needs only a few examples of a new task.",
   "example": "Mały zakład patologii buduje narzędzie do rzadkiego nowotworu, mając sto preparatów, bo korzysta z gotowego modelu zamiast trenować własny.",
   "example_en": "A small pathology lab builds a tool for a rare cancer with a hundred slides, using a ready model instead of training its own.",
   "for_you": [
    "masz mało opisanych preparatów do nowego zadania",
    "porównujesz gotowe modele do analizy tkanek"
   ],
   "for_you_en": [
    "have few labelled slides for a new task",
    "compare ready models for tissue analysis"
   ],
   "how": "Vision transformer uczy się metodami samonadzorowanymi (np. destylacja student–nauczyciel, maskowanie) na kafelkach z wielu narządów i barwień. Zamrożone cechy zasilają klasyfikatory liniowe, uczenie wielu instancji lub wyszukiwanie podobnych przypadków; warianty wizja–język łączą kafelki z opisami.",
   "how_en": "A vision transformer learns with self-supervised methods (e.g. student–teacher distillation, masking) on tiles from many organs and stains. Frozen features feed linear classifiers, multiple instance learning or similar-case retrieval; vision–language variants pair tiles with text.",
   "limits": "Trening wymaga ogromnych, często prywatnych archiwów i dużej mocy obliczeniowej. Przewaga nad mniejszymi modelami zależy od zadania, a cechy wciąż bywają wrażliwe na skaner i barwienie. Ocena na benchmarkach nie zastępuje walidacji klinicznej.",
   "limits_en": "Training needs huge, often private archives and heavy compute. The advantage over smaller models depends on the task, and features can still be sensitive to scanner and stain. Benchmark scores do not replace clinical validation.",
   "terms": [
    {
     "gloss": "Duży model trenowany ogólnie, później dopasowywany do konkretnych zadań.",
     "term": "model bazowy"
    },
    {
     "gloss": "Prosty klasyfikator na zamrożonych cechach, test jakości modelu.",
     "term": "sonda liniowa"
    },
    {
     "gloss": "Standardowe barwienie tkanek na różowo i fioletowo.",
     "term": "barwienie H&E"
    }
   ],
   "terms_en": [
    {
     "gloss": "Large generally trained model later adapted to specific tasks.",
     "term": "foundation model"
    },
    {
     "gloss": "Simple classifier on frozen features, a test of model quality.",
     "term": "linear probe"
    },
    {
     "gloss": "Standard pink-and-purple tissue stain.",
     "term": "H&E staining"
    }
   ],
   "prereq": [
    "visionssl",
    "vit"
   ],
   "keywords": [
    "UNI",
    "CONCH",
    "Virchow",
    "Prov-GigaPath",
    "DINOv2",
    "H&E",
    "linear probing",
    "slide encoder"
   ],
   "source_ids": [
    "uni-pathology-2023"
   ],
   "url": "https://aiatlasgraph.com/t/pathologyfm",
   "markdown_url": "https://aiatlasgraph.com/t/pathologyfm.md",
   "updated": "2026-10-30"
  },
  "pathologymil": {
   "id": "pathologymil",
   "parent_id": "comppathology",
   "label": "Uczenie z etykiety całego preparatu (wiele instancji)",
   "canonical_name": "Multiple instance learning for whole-slide images",
   "aliases": [
    "MIL",
    "attention-based MIL",
    "ABMIL",
    "weakly supervised pathology",
    "uczenie wielu instancji"
   ],
   "description": "Słabo nadzorowane uczenie, w którym preparat to worek kafelków z jedną etykietą, a agregacja uwagi łączy cechy kafelków w predykcję dla całego slajdu.",
   "description_en": "Weakly supervised learning in which a slide is a bag of tiles with one label, and attention pooling combines tile features into a slide-level prediction.",
   "plain": "Sposób uczenia komputera na ogromnych skanach tkanek, gdy wiadomo tylko, czy w całym preparacie jest nowotwór, a nie gdzie.",
   "plain_en": "A way to teach a computer on huge tissue scans when we only know whether the whole slide has cancer, not where.",
   "solves": "Ręczne zaznaczanie nowotworu na gigantycznych skanach zajmuje patologom godziny, więc oznaczonych danych prawie nie ma.",
   "solves_en": "Hand-marking cancer on gigantic scans takes pathologists hours, so labelled data barely exist.",
   "does": "Kroi skan na tysiące kafelków i uczy się, które z nich przesądzają o rozpoznaniu, jak szukanie kilku zgniłych jabłek w skrzyni.",
   "does_en": "Cuts the scan into thousands of tiles and learns which ones decide the diagnosis, like finding a few rotten apples in a crate.",
   "example": "Szpital uczy model na archiwalnych skanach węzłów chłonnych, mając tylko wpisy z raportów, a model sam pokazuje podejrzane miejsca.",
   "example_en": "A hospital trains a model on archived lymph-node scans using only report entries, and the model highlights suspicious areas by itself.",
   "for_you": [
    "masz dużo zdjęć, ale tylko ogólne etykiety",
    "pracujesz z bardzo dużymi obrazami medycznymi"
   ],
   "for_you_en": [
    "have many images but only coarse labels",
    "work with very large medical images"
   ],
   "how": "Skan dzieli się na kafelki, z których zamrożony enkoder wyciąga osadzenia. Moduł uwagi waży kafelki i sumuje je w reprezentację slajdu, a klasyfikator uczy się tylko z etykiety slajdu. Wagi uwagi dają mapę cieplną; warianty dodają grupowanie kafelków lub transformery między kafelkami.",
   "how_en": "The scan is split into tiles from which a frozen encoder extracts embeddings. An attention module weights tiles and pools them into a slide representation, and a classifier learns from the slide label alone. Attention weights give a heatmap; variants add tile clustering or transformers across tiles.",
   "limits": "Mapy uwagi nie są dowodem przyczynowym i mogą wskazywać artefakty. Wyniki zależą od jakości enkodera kafelków, barwienia i skanera; model może nauczyć się skrótów specyficznych dla ośrodka. Zadania wymagające relacji przestrzennych są trudniejsze.",
   "limits_en": "Attention maps are not causal evidence and can highlight artefacts. Results depend on the tile encoder, staining and scanner; the model can learn site-specific shortcuts. Tasks needing spatial relations are harder.",
   "terms": [
    {
     "gloss": "Zbiór kafelków z jednego preparatu dzielących jedną etykietę.",
     "term": "worek (bag)"
    },
    {
     "gloss": "Łączenie kafelków z wagami mówiącymi, jak bardzo każdy się liczy.",
     "term": "agregacja uwagi"
    },
    {
     "gloss": "Uczenie z ogólnych etykiet zamiast dokładnych zaznaczeń.",
     "term": "słaby nadzór"
    }
   ],
   "terms_en": [
    {
     "gloss": "Set of tiles from one slide sharing a single label.",
     "term": "bag"
    },
    {
     "gloss": "Combining tiles with weights saying how much each counts.",
     "term": "attention pooling"
    },
    {
     "gloss": "Learning from coarse labels instead of precise annotations.",
     "term": "weak supervision"
    }
   ],
   "prereq": [
    "weaksupervision",
    "selfattention"
   ],
   "keywords": [
    "ABMIL",
    "CLAM",
    "TransMIL",
    "attention heatmaps",
    "slide-level labels",
    "Camelyon16",
    "tile embeddings"
   ],
   "source_ids": [
    "clam-2020"
   ],
   "url": "https://aiatlasgraph.com/t/pathologymil",
   "markdown_url": "https://aiatlasgraph.com/t/pathologymil.md",
   "updated": "2026-10-30"
  },
  "patientmessagedrafts": {
   "id": "patientmessagedrafts",
   "parent_id": "clinicaldocs",
   "label": "Szkice odpowiedzi na wiadomości od pacjentów",
   "canonical_name": "AI-drafted replies to patient messages",
   "aliases": [
    "in-basket message drafting",
    "patient portal reply drafting",
    "AI draft replies",
    "odpowiedzi w portalu pacjenta"
   ],
   "description": "Generowanie przez model językowy projektów odpowiedzi na wiadomości pacjentów w portalu zintegrowanym z dokumentacją, do edycji i zatwierdzenia przez klinicystę.",
   "description_en": "Language-model generation of draft replies to patient messages in a portal integrated with the health record, for clinician editing and approval.",
   "plain": "Model językowy pisze wstępną odpowiedź na pytanie pacjenta z portalu, a lekarz ją poprawia i wysyła.",
   "plain_en": "A language model writes a first reply to a patient's portal message, and the doctor edits and sends it.",
   "solves": "Lekarze dostają dziennie dziesiątki wiadomości od pacjentów i odpisują na nie po godzinach.",
   "solves_en": "Doctors get dozens of patient messages a day and answer them after hours.",
   "does": "Daje gotowy, uprzejmy początek, więc lekarz nie zaczyna od pustej kartki, tylko poprawia treść medyczną.",
   "does_en": "Offers a ready, polite starting point, so the doctor edits medical content instead of facing a blank page.",
   "example": "Pacjent pyta w aplikacji przychodni o wynik badań krwi; lekarka dostaje szkic odpowiedzi, zmienia jedno zdanie i wysyła.",
   "example_en": "A patient asks in the clinic app about a blood test; the doctor gets a draft reply, changes one sentence and sends it.",
   "for_you": [
    "piszesz do lekarza przez aplikację przychodni",
    "odpowiadasz pacjentom na wiadomości"
   ],
   "for_you_en": [
    "message your doctor through a clinic app",
    "answer patients' messages"
   ],
   "how": "W kwalifikujących się kategoriach wiadomości model tworzy szkic widoczny w skrzynce klinicysty. Klinicysta wybiera szkic albo pustą odpowiedź, następnie sprawdza, edytuje i podpisuje treść. Ocena obejmuje czas czytania i odpowiadania, długość odpowiedzi oraz doświadczenia użytkowników.",
   "how_en": "For eligible message categories, the model creates a draft shown in the clinician's inbox. The clinician chooses the draft or a blank reply, then checks, edits and signs the text. Evaluation covers reading and reply time, reply length and user experience.",
   "limits": "W randomizowanym badaniu poprawy jakości dostęp do szkiców wydłużył czas czytania i odpowiedzi, nie zmienił istotnie czasu pisania odpowiedzi i dawał dłuższe wiadomości. Część lekarzy ceniła szkic jako punkt wyjścia, ale wskazywała potrzebę edycji i personalizacji. Błędne zalecenia mogą przejść do pacjenta, jeśli szkic zostanie zatwierdzony pośpiesznie.",
   "limits_en": "In a randomized quality-improvement study, access to drafts increased reading time and reply length without a significant change in reply-writing time. Some physicians valued drafts as a starting point but reported a need for editing and personalization. Incorrect advice can reach a patient if a draft is approved too quickly.",
   "terms": [
    {
     "gloss": "Kolejka wiadomości i spraw lekarza w systemie dokumentacji.",
     "term": "skrzynka zadań (in-basket)"
    },
    {
     "gloss": "Tekst, który nie trafi do pacjenta bez akceptacji lekarza.",
     "term": "szkic do zatwierdzenia"
    },
    {
     "gloss": "Dopisek informujący pacjenta, że odpowiedź przygotowało AI.",
     "term": "ujawnienie użycia AI"
    }
   ],
   "terms_en": [
    {
     "gloss": "A doctor's queue of messages and tasks in the record system.",
     "term": "in-basket"
    },
    {
     "gloss": "Text that reaches no patient without the doctor's sign-off.",
     "term": "draft for approval"
    },
    {
     "gloss": "A note telling the patient that AI prepared the reply.",
     "term": "AI disclosure"
    }
   ],
   "prereq": [
    "chatbots",
    "promptstructure"
   ],
   "keywords": [
    "in-basket",
    "patient portal",
    "Epic MyChart",
    "LLM drafting",
    "physician burnout",
    "empathy evaluation",
    "human-in-the-loop"
   ],
   "source_ids": [
    "ucsd-ai-drafts-2024"
   ],
   "url": "https://aiatlasgraph.com/t/patientmessagedrafts",
   "markdown_url": "https://aiatlasgraph.com/t/patientmessagedrafts.md",
   "updated": "2026-10-30"
  },
  "pause": {
   "id": "pause",
   "parent_id": "aicoding",
   "label": "Sterowanie przed pierwszą edycją kodu",
   "canonical_name": "Pre-edit planning intervention for coding agents",
   "aliases": [
    "PAUSE",
    "pre-edit planning intervention",
    "search-free steering of coding agents"
   ],
   "description": "Jednorazowa interwencja planistyczna przed pierwszą edycją źródła w agentach kodujących.",
   "description_en": "A single planning intervention before the first source edit in coding agents.",
   "plain": "Asystent do kodu dostaje plan naprawy tuż przed pierwszą zmianą plików, bez szukania punktów kontrolnych.",
   "plain_en": "A coding assistant gets a repair plan just before the first file change, without searching checkpoints.",
   "solves": "Agent spędza dużo czasu na badaniu i testach, ale pierwsza edycja i tak prowadzi do złego patcha.",
   "solves_en": "The agent spends a lot of time exploring and testing, but the first edit still leads to a bad patch.",
   "does": "Przechwytuje prośbę o edycję, osobny planista czyta dotychczasowy przebieg i pisze jeden plan, po czym agent kontynuuje z nim.",
   "does_en": "It intercepts the edit request, a separate planner reads the so-far transcript and writes one plan, then the agent continues with it.",
   "example": "Asystent bada repozytorium, a tuż przed zmianą kodu dostaje plan, który kieruje go do właściwego miejsca.",
   "example_en": "The assistant explores the repository, and just before changing code it receives a plan that guides it to the right place.",
   "for_you": [
    "asystent do kodu marnuje czas na złe pierwsze edycje",
    "chcesz interweniować w trakcie działania bez pełnego restartu"
   ],
   "for_you_en": [
    "the coding assistant wastes time on bad first edits",
    "want to intervene during a run without a full restart"
   ],
   "how": "Agent dochodzi do pierwszej edycji (mediana ok. 60% trajektorii). PAUSE przechwytuje żądanie przed wykonaniem. Planista czyta zadanie i transkrypt przed edycją i pisze jeden plan naprawy. Executor wznawia z planem, zachowując kontekst i workspace. Działa online i offline z prefiksu trajektorii.",
   "how_en": "The agent reaches its first edit (median about 60% of trajectory). PAUSE intercepts the request before execution. A planner reads the task and pre-edit transcript and writes one repair plan. The executor resumes with the plan, keeping context and workspace. It works online and offline from a trajectory prefix.",
   "limits": "Wymaga osobnego planisty i kosztu jego wywołania. Nie zawsze poprawia, gdy agent jest już na dobrej drodze. Wyniki na SWE-bench z konkretnymi modelami i uprzężami; transfer na inne harnessy wymaga sprawdzenia.",
   "limits_en": "Requires a separate planner and the cost of its call. It does not always help when the agent is already on the right track. Results are on SWE-bench with specific models and harnesses; transfer to other harnesses needs checking.",
   "terms": [
    {
     "gloss": "Przechwycenie pierwszej prośby o zmianę kodu i wstawienie planu.",
     "term": "interwencja przed edycją"
    },
    {
     "gloss": "Osobny model, który na podstawie przebiegu pisze plan naprawy.",
     "term": "planista"
    }
   ],
   "terms_en": [
    {
     "gloss": "Intercepting the first code-change request and inserting a plan.",
     "term": "pre-edit intervention"
    },
    {
     "gloss": "A separate model that writes a repair plan from the transcript.",
     "term": "planner"
    }
   ],
   "prereq": [
    "prompting"
   ],
   "keywords": [
    "PAUSE",
    "coding agent steering",
    "pre-edit planning",
    "search-free intervention",
    "SWE-bench",
    "online steering"
   ],
   "source_ids": [
    "pause-2026"
   ],
   "url": "https://aiatlasgraph.com/t/pause",
   "markdown_url": "https://aiatlasgraph.com/t/pause.md",
   "updated": "2026-10-30"
  },
  "pbt": {
   "id": "pbt",
   "parent_id": "neuroevolution",
   "label": "Trenowanie populacyjne (Population Based Training)",
   "canonical_name": "Population Based Training (PBT)",
   "aliases": [
    "Population Based Training",
    "PBT",
    "trenowanie populacyjne"
   ],
   "description": "Asynchroniczna metoda wspólnej optymalizacji wag i hiperparametrów populacji modeli, odkrywająca harmonogram hiperparametrów zamiast stałego ustawienia.",
   "description_en": "An asynchronous method jointly optimising weights and hyperparameters of a model population, discovering a hyperparameter schedule rather than one fixed setting.",
   "plain": "Wiele kopii modelu trenuje się równolegle, a słabsze co jakiś czas kopiują lepsze i lekko zmieniają ich ustawienia.",
   "plain_en": "Many copies of a model train in parallel, and weaker ones periodically copy better ones and slightly change their settings.",
   "solves": "Dobre ustawienia trenowania zmieniają się w trakcie nauki, a osobne próby każdej kombinacji marnują tygodnie obliczeń.",
   "solves_en": "Good training settings change during learning, and separate trials of every combination waste weeks of compute.",
   "does": "Jak wyścig, w którym maruderzy mogą w połowie trasy przesiąść się do auta lidera i lekko przestawić jego ustawienia.",
   "does_en": "Like a race where stragglers can jump into the leader's car midway and slightly retune its settings.",
   "example": "Laboratorium uczy agenta gry; zamiast stu osobnych prób, trzydzieści kopii trenuje razem, a najsłabsze przejmują postępy najlepszych.",
   "example_en": "A lab trains a game-playing agent; instead of a hundred separate trials, thirty copies train together and the weakest take over the best ones' progress.",
   "for_you": [
    "dobierasz tempo uczenia i inne ustawienia trenowania",
    "trenujesz wiele modeli równolegle na stałym budżecie"
   ],
   "for_you_en": [
    "choose learning rate and other training settings",
    "train many models in parallel on a fixed budget"
   ],
   "how": "Członkowie populacji trenują się niezależnie. Po ustalonej liczbie kroków słaby członek wykonuje exploit: kopiuje wagi i hiperparametry lepszego, np. dolne 20% od górnych 20%. Potem explore: mnoży hiperparametry przez losowy czynnik, np. 0,8 lub 1,2, albo losuje je na nowo i trenuje dalej.",
   "how_en": "Population members train independently. After a set number of steps a weak member exploits: it copies the weights and hyperparameters of a better one, e.g. bottom 20% from top 20%. Then it explores: multiplies hyperparameters by a random factor such as 0.8 or 1.2, or resamples them, and keeps training.",
   "limits": "Potrzebuje wielu modeli trenowanych równolegle. Wynik zależy od liczebności populacji oraz harmonogramu porównań i zmian; zbyt mała populacja może przedwcześnie odrzucać konfiguracje, które poprawiają się później.",
   "limits_en": "It needs many models training in parallel. Results depend on population size and the comparison and perturbation schedule; a population that is too small can discard configurations that improve later.",
   "terms": [
    {
     "gloss": "Słabszy model przejmuje wagi i ustawienia lepszego.",
     "term": "exploit"
    },
    {
     "gloss": "Losowe przestawienie przejętych ustawień, by próbować nowych.",
     "term": "explore"
    },
    {
     "gloss": "Ustawienia trenowania zmieniające się w czasie.",
     "term": "harmonogram hiperparametrów"
    }
   ],
   "terms_en": [
    {
     "gloss": "A weaker model takes over a better one's weights and settings.",
     "term": "exploit"
    },
    {
     "gloss": "Randomly perturbing inherited settings to try new ones.",
     "term": "explore"
    },
    {
     "gloss": "Training settings that change over time.",
     "term": "hyperparameter schedule"
    }
   ],
   "prereq": [
    "hptuning"
   ],
   "keywords": [
    "exploit and explore",
    "truncation selection",
    "hyperparameter schedule",
    "Ray Tune PBT",
    "PB2",
    "learning rate schedule",
    "asynchronous training"
   ],
   "source_ids": [
    "pbt-2017"
   ],
   "url": "https://aiatlasgraph.com/t/pbt",
   "markdown_url": "https://aiatlasgraph.com/t/pbt.md",
   "updated": "2026-10-30"
  },
  "pca": {
   "id": "pca",
   "parent_id": "dimreduction",
   "label": "Analiza głównych składowych (PCA)",
   "canonical_name": "Principal component analysis",
   "description": "Liniowa metoda znajdująca kierunki największej zmienności danych i rzutująca na nie dane.",
   "description_en": "A linear method that finds the directions of largest variance in the data and projects the data onto them.",
   "examples": "wyjaśniona wariancja · wybielanie · SVD",
   "examples_en": "explained variance · whitening · SVD",
   "plain": "To skracanie liczbowego opisu danych przez zachowanie kierunków, w których wartości różnią się najbardziej.",
   "plain_en": "This shortens a numerical description of data by keeping the directions where values vary the most.",
   "solves": "Wiele cech zmienia się podobnie, więc długi opis powtarza informacje i utrudnia dalsze obliczenia.",
   "solves_en": "Many features change together, so a long description repeats information and makes further calculations harder.",
   "does": "Znajduje nowe osie największej zmienności i rzutuje na nie dane, jak oglądanie przedmiotu z wybranych stron.",
   "does_en": "It finds new axes of greatest variation and projects data onto them, like viewing an object from selected directions.",
   "example": "Wiele pomiarów wymiarów paczek zastępujesz krótszym zestawem wartości opisujących główne sposoby, w jakie paczki różnią się rozmiarem.",
   "example_en": "You replace many parcel dimension measurements with a shorter set describing the main ways parcels differ in size.",
   "for_you": [
    "masz wiele powiązanych pomiarów liczbowych",
    "chcesz skrócić opis, zachowując dużą część zmienności"
   ],
   "for_you_en": [
    "have many related numerical measurements",
    "want a shorter description preserving much of the variation"
   ],
   "how": "Wycentrowaną macierz danych rozkłada się na ortogonalne kierunki uporządkowane według wariancji. Projekcja na pierwsze składowe daje najlepszą niskowymiarową liniową rekonstrukcję w sensie błędu kwadratowego.",
   "how_en": "Centred data is decomposed into orthogonal directions ordered by variance. Projection onto leading components gives the best low-dimensional linear reconstruction under squared error.",
   "limits": "Duża wariancja nie musi nieść informacji ważnej dla zadania. Skala jednostek i odstające próbki wpływają na kierunki; metoda nie zachowuje wszystkich nieliniowych zależności.",
   "limits_en": "High variance need not carry task-relevant information. Units and outliers affect directions; the method cannot preserve all nonlinear relationships.",
   "terms": [
    {
     "gloss": "Kierunek projekcji maksymalizujący pozostałą wariancję przy ortogonalności poprzednich kierunków.",
     "term": "składowa główna"
    },
    {
     "gloss": "Wielkość opisująca wariancję w odpowiadającym kierunku macierzy kowariancji.",
     "term": "wartość własna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A projection direction maximising remaining variance while orthogonal to earlier directions.",
     "term": "principal component"
    },
    {
     "gloss": "A quantity describing variance along the corresponding covariance-matrix direction.",
     "term": "eigenvalue"
    }
   ],
   "prereq": [
    "linearalgebra",
    "distributions"
   ],
   "keywords": [
    "SVD",
    "eigenvalue decomposition",
    "explained variance ratio",
    "whitening",
    "covariance matrix"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "cs229-summer-2026"
   ],
   "url": "https://aiatlasgraph.com/t/pca",
   "markdown_url": "https://aiatlasgraph.com/t/pca.md",
   "updated": "2026-10-30"
  },
  "pcg": {
   "id": "pcg",
   "parent_id": "gameai",
   "label": "Proceduralne generowanie treści gier",
   "canonical_name": "Procedural content generation (PCG)",
   "aliases": [
    "PCG",
    "procedural generation",
    "generowanie proceduralne",
    "proceduralne generowanie",
    "level generation",
    "generowanie poziomów"
   ],
   "description": "Algorytmiczne tworzenie treści gier — poziomów, map, zadań, przedmiotów, reguł — metodami konstrukcyjnymi, przeszukiwaniem, rozwiązywaniem ograniczeń lub uczeniem maszynowym.",
   "description_en": "Algorithmic creation of game content — levels, maps, quests, items, rules — using constructive methods, search, constraint solving or machine learning.",
   "plain": "Programy, które same budują poziomy, mapy, lochy i zadania, więc każda rozgrywka może wyglądać inaczej.",
   "plain_en": "Programs that build levels, maps, dungeons and quests themselves, so every playthrough can look different.",
   "solves": "Gracze szybko przechodzą to, co projektanci budowali miesiącami, a wielkie światy są za drogie, żeby układać je ręcznie.",
   "solves_en": "Players finish in hours what designers built over months, and huge worlds cost too much to lay out by hand.",
   "does": "Jak kucharz z przepisem i spiżarnią: zna zasady dobrego dania, więc z tych samych składników co dzień podaje coś nowego.",
   "does_en": "Like a cook with a recipe and a pantry: knowing what makes a good dish, it serves something new each day from the same ingredients.",
   "example": "Gra o eksploracji kosmosu, w której każda odwiedzana planeta ma inny krajobraz, rośliny i zwierzęta, choć nikt ich nie rysował.",
   "example_en": "A space-exploration game where every planet you visit has its own landscape, plants and animals, though nobody drew them.",
   "for_you": [
    "lubisz gry, w których każda rozgrywka jest inna",
    "budujesz poziomy lub mapy do własnej gry",
    "potrzebujesz wielu wariantów treści przy małym zespole"
   ],
   "for_you_en": [
    "enjoy games where every run is different",
    "build levels or maps for your own game",
    "need many content variants with a small team"
   ],
   "how": "Generatory konstrukcyjne budują treść w jednym przebiegu z reguł, szumu lub gramatyk. Podejście przez przeszukiwanie ocenia kandydatów funkcją jakości i ulepsza je ewolucyjnie, a solwery ograniczeń pilnują twardych reguł. Nowsze metody uczą się stylu z istniejących poziomów lub generują świat razem z rozgrywką.",
   "how_en": "Constructive generators build content in a single pass from rules, noise or grammars. Search-based approaches score candidates with a quality function and improve them evolutionarily, while constraint solvers enforce hard rules. Newer methods learn style from existing levels or generate the world along with gameplay.",
   "limits": "Generowana treść łatwo staje się monotonna: tysiące wariantów, które gracz odbiera jako takie same. Trudno zagwarantować grywalność i sensowną narrację, więc zwykle potrzebne są testy, naprawa i ręczna kuracja. Dobre przykłady treningowe są nieliczne.",
   "limits_en": "Generated content easily becomes monotonous: thousands of variants that players perceive as the same. Playability and meaningful narrative are hard to guarantee, so testing, repair and manual curation are usually needed. Good training examples are scarce.",
   "terms": [
    {
     "gloss": "Algorytm budujący treść w jednym przebiegu, bez oceniania i poprawek.",
     "term": "generator konstrukcyjny"
    },
    {
     "gloss": "Czy poziom da się ukończyć i czy daje frajdę.",
     "term": "grywalność"
    },
    {
     "gloss": "Człowiek i algorytm na zmianę poprawiają ten sam poziom.",
     "term": "projektowanie mieszane"
    }
   ],
   "terms_en": [
    {
     "gloss": "An algorithm that builds content in one pass, without scoring or revisions.",
     "term": "constructive generator"
    },
    {
     "gloss": "Whether a level can be completed and is fun to play.",
     "term": "playability"
    },
    {
     "gloss": "A person and an algorithm take turns improving the same level.",
     "term": "mixed-initiative design"
    }
   ],
   "prereq": [
    "geneticalgorithms",
    "generative"
   ],
   "keywords": [
    "procedural generation",
    "Perlin noise",
    "L-systems",
    "search-based PCG",
    "Wave Function Collapse",
    "PCGML",
    "PCGRL",
    "mixed-initiative design",
    "roguelike",
    "level generation"
   ],
   "source_ids": [
    "yannakakis-togelius-aigames-2025",
    "togelius-sbpcg-2011",
    "summerville-pcgml-2018"
   ],
   "url": "https://aiatlasgraph.com/t/pcg",
   "markdown_url": "https://aiatlasgraph.com/t/pcg.md",
   "updated": "2026-10-30"
  },
  "pcgml": {
   "id": "pcgml",
   "parent_id": "pcg",
   "label": "Generowanie poziomów uczone na przykładach",
   "canonical_name": "Procedural content generation via machine learning (PCGML)",
   "aliases": [
    "PCGML",
    "PCG via machine learning",
    "learned level generation",
    "generowanie poziomów przez uczenie maszynowe"
   ],
   "description": "Generowanie treści gier modelami uczonymi na istniejących treściach, m.in. łańcuchami Markowa, sieciami rekurencyjnymi, autoenkoderami i sieciami generatywnymi.",
   "description_en": "Generating game content with models trained on existing content, including Markov chains, recurrent networks, autoencoders and generative networks.",
   "plain": "Model ogląda istniejące poziomy gry i uczy się tworzyć nowe w podobnym stylu, bez ręcznie pisanych reguł.",
   "plain_en": "A model studies existing game levels and learns to make new ones in a similar style, without hand-written rules.",
   "solves": "Spisanie wszystkich zasad dobrego poziomu jest prawie niemożliwe, a projektant chce nowych map, które wyglądają jak jego własne.",
   "solves_en": "Writing down every rule of a good level is nearly impossible, and designers want new maps that feel like their own.",
   "does": "Jak uczeń malarza, który po obejrzeniu setek obrazów mistrza maluje nowe płótna w jego manierze.",
   "does_en": "Like a painter's apprentice who, after studying hundreds of the master's canvases, paints new ones in the same manner.",
   "example": "Fani klasycznej platformówki dostają nieskończony zestaw nowych plansz, które wyglądają i grają się jak oryginalne.",
   "example_en": "Fans of a classic platformer get an endless supply of new stages that look and play like the originals.",
   "for_you": [
    "masz kilka ręcznie zrobionych poziomów i chcesz więcej",
    "chcesz, żeby generator trzymał twój styl"
   ],
   "for_you_en": [
    "have a few hand-made levels and want more",
    "want a generator that keeps your style"
   ],
   "how": "Poziomy zamienia się na reprezentację, np. siatkę kafelków lub ciąg znaków, a model uczy się rozkładu tych danych. Następnie generuje nowe układy podobne do przykładów; wynik trzeba sprawdzić pod kątem grywalności i zgodności z regułami gry.",
   "how_en": "Levels are turned into a representation such as a tile grid or character string, and a model learns the distribution of those data. It then generates new layouts resembling the examples; the output must be checked for playability and compliance with the game's rules.",
   "limits": "Gier z wieloma poziomami do nauki jest mało, a model uczy się wyglądu, nie zawsze grywalności. Bez sprawdzenia agentem część poziomów jest nie do przejścia. Uczenie na cudzych poziomach rodzi pytania o prawa autorskie.",
   "limits_en": "Few games have many levels to learn from, and models learn appearance, not always playability. Without an agent check some levels cannot be finished. Training on others' levels raises copyright questions.",
   "terms": [
    {
     "gloss": "Zapis planszy w formie, którą model potrafi czytać i tworzyć.",
     "term": "reprezentacja poziomu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Encoding a stage in a form a model can read and produce.",
     "term": "level representation"
    }
   ],
   "prereq": [
    "generative",
    "supervised"
   ],
   "keywords": [
    "PCGML",
    "Video Game Level Corpus",
    "MarioGAN",
    "LSTM level generation",
    "Markov chains"
   ],
   "source_ids": [
    "summerville-pcgml-2018"
   ],
   "url": "https://aiatlasgraph.com/t/pcgml",
   "markdown_url": "https://aiatlasgraph.com/t/pcgml.md",
   "updated": "2026-10-30"
  },
  "peft": {
   "id": "peft",
   "parent_id": "training",
   "label": "Efektywne dostrajanie",
   "canonical_name": "Parameter-efficient fine-tuning",
   "description": "Uczenie wybranych parametrów lub małych adapterów.",
   "description_en": "Training selected parameters or small adapters.",
   "examples": "PEFT · LoRA · QLoRA",
   "examples_en": "PEFT · LoRA · QLoRA",
   "plain": "To dostrajanie modelu przez uczenie tylko niewielkiej części jego ustawień lub dodatkowych elementów.",
   "plain_en": "This adapts a model by training only a small subset of parameters or additional components.",
   "solves": "Zmiana wszystkich ustawień dużego modelu wymaga więcej pamięci i zasobów, niż masz do dyspozycji.",
   "solves_en": "Updating every parameter of a large model requires more memory and resources than you have available.",
   "does": "Większość modelu pozostaje stała, a małe wybrane części uczą się zadania, zmniejszając ilość przechowywanych poprawek i pracy treningowej.",
   "does_en": "Most of the model stays fixed while small selected components learn the task, reducing stored updates and training work.",
   "example": "Dostosowujesz duży model do krótkich opisów produktów, zapisując niewielki zestaw zmian zamiast pełnej nowej kopii.",
   "example_en": "You adapt a large model for brief product descriptions, storing a small update rather than a full new copy.",
   "for_you": [
    "masz ograniczoną pamięć do dostrajania",
    "potrzebujesz wielu małych wariantów modelu"
   ],
   "for_you_en": [
    "have limited memory for adaptation",
    "need many small model variants"
   ],
   "how": "Większość parametrów pozostaje zamrożona, a gradient aktualizuje wybrane wagi lub dodane moduły. Adaptery, aktualizacje niskiego rzędu i uczone prefiksy ograniczają przechowywany stan optymalizacji, zachowując model bazowy jako wspólny punkt odniesienia.",
   "how_en": "Most parameters remain frozen while gradients update selected weights or added modules. Adapters, low-rank updates and learned prefixes reduce stored optimisation state, retaining a shared base model as a reference.",
   "limits": "Mniejsza liczba uczonych parametrów nie usuwa kosztu aktywacji i propagacji gradientu. Zakres adaptacji może być zbyt mały; dobór modułów i zgodność z bazowym checkpointem pozostają istotne.",
   "limits_en": "Fewer trainable parameters do not eliminate activation and gradient-propagation costs. Adaptation capacity can be insufficient; module selection and compatibility with the base checkpoint remain important.",
   "terms": [
    {
     "gloss": "Waga używana w obliczeniach, ale nieaktualizowana podczas danego treningu.",
     "term": "zamrożony parametr"
    },
    {
     "gloss": "Uczony dodatek modyfikujący działanie wspólnego modelu bazowego.",
     "term": "moduł adaptacyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A weight used in computation but not updated during that training.",
     "term": "frozen parameter"
    },
    {
     "gloss": "A trainable addition modifying a shared base model's behaviour.",
     "term": "adaptation module"
    }
   ],
   "prereq": [
    "backprop",
    "transformers"
   ],
   "keywords": [
    "PEFT library",
    "LoRA",
    "QLoRA",
    "bottleneck adapters",
    "prefix tuning",
    "prompt tuning",
    "IA3",
    "frozen base weights"
   ],
   "source_ids": [
    "peft"
   ],
   "url": "https://aiatlasgraph.com/t/peft",
   "markdown_url": "https://aiatlasgraph.com/t/peft.md",
   "updated": "2026-10-30"
  },
  "perceivedlatency": {
   "id": "perceivedlatency",
   "parent_id": "ux",
   "label": "Odczuwalna szybkość: strumieniowanie i wskaźniki postępu",
   "canonical_name": "Perceived latency and progress feedback",
   "description": "Sprawianie, by czekanie na AI było znośne: strumieniowanie tekstu, pokazywanie etapów pracy agenta i możliwość przerwania — według progów percepcji 0,1 s / 1 s / 10 s.",
   "description_en": "Making waiting for AI tolerable: streaming text, showing agent work steps and allowing interruption — following the 0.1 s / 1 s / 10 s perception thresholds.",
   "examples": "strumieniowanie tokenów · pokazywanie kroków agenta · czas do pierwszego tokenu · przycisk „zatrzymaj”",
   "examples_en": "token streaming · showing agent steps · time to first token · stop button",
   "plain": "To pokazywanie wyniku i postępu tak, żeby oczekiwanie na model było łatwiejsze do zrozumienia i kontrolowania.",
   "plain_en": "This presents results and progress so waiting for a model is easier to understand and control.",
   "solves": "Puste okno podczas długiego oczekiwania nie mówi, czy coś działa ani czy warto nadal czekać.",
   "solves_en": "An empty window during a long wait does not show whether anything is happening or whether to keep waiting.",
   "does": "Pokazuje powstający tekst lub rzeczywiste etapy pracy i umożliwia przerwanie, zamiast ukrywać cały przebieg do gotowego wyniku.",
   "does_en": "It shows emerging text or actual work stages and allows interruption instead of hiding the entire process until completion.",
   "example": "Podczas analizy dokumentu widzisz kolejne wykonane etapy i pojawiające się podsumowanie, a przyciskiem możesz zatrzymać dalszą pracę.",
   "example_en": "During document analysis, you see completed stages and an emerging summary, with a button to stop further work.",
   "for_you": [
    "odpowiedź wymaga zauważalnego czekania",
    "chcesz pokazywać postęp i umożliwić przerwanie zadania"
   ],
   "for_you_en": [
    "have responses that require a noticeable wait",
    "want to show progress and allow task interruption"
   ],
   "how": "Strumieniowanie pokazuje użyteczny fragment wyniku przed zakończeniem całego przebiegu. Informacja o rzeczywistym etapie pracy i sterowanie przerwaniem pozwalają użytkownikowi orientować się w oczekiwaniu, podczas gdy pomiary rozdzielają pierwszy sygnał od pełnego rezultatu.",
   "how_en": "Streaming exposes useful output before the whole run finishes. Actual-stage feedback and interruption controls help users navigate waiting, while measurements distinguish initial signals from complete outcomes.",
   "limits": "Szybki początek może ukrywać długie oczekiwanie na użyteczny wynik. Pozorny postęp wprowadza w błąd; częściowy tekst może wymagać poprawki, a przerwanie nie zawsze zatrzymuje operacje zewnętrzne.",
   "limits_en": "Fast openings can hide long waits for useful results. Fictitious progress misleads; partial text can need revision, and interruption may not stop external operations.",
   "terms": [
    {
     "gloss": "Opóźnienie do treści pozwalającej użytkownikowi wykonać kolejny krok.",
     "term": "czas do użytecznego wyniku"
    },
    {
     "gloss": "Informacja o oczekiwaniu wynikająca z rzeczywistego przebiegu procesu.",
     "term": "postęp oparty na stanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Delay until content enables the user's next step.",
     "term": "time to useful output"
    },
    {
     "gloss": "Waiting feedback derived from actual process execution.",
     "term": "state-based progress"
    }
   ],
   "prereq": [
    "eventdriven",
    "profiling"
   ],
   "keywords": [
    "time to first token",
    "token streaming",
    "progress indicators",
    "interruptible generation",
    "time to useful output"
   ],
   "source_ids": [
    "nngroup-response-times"
   ],
   "url": "https://aiatlasgraph.com/t/perceivedlatency",
   "markdown_url": "https://aiatlasgraph.com/t/perceivedlatency.md",
   "updated": "2026-10-30"
  },
  "perceptivelocomotion": {
   "id": "perceptivelocomotion",
   "parent_id": "locomotion",
   "label": "Chodzenie po trudnym terenie z patrzeniem pod nogi",
   "canonical_name": "Perceptive legged locomotion on rough terrain",
   "aliases": [
    "perceptive locomotion",
    "terrain-aware locomotion",
    "legged locomotion in the wild",
    "lokomocja percepcyjna",
    "chodzenie po trudnym terenie"
   ],
   "description": "Polityki lokomocji łączące propriocepcję z percepcją terenu (mapa wysokości, obraz głębi), uczone RL w symulacji i odporne na zawodność czujników zewnętrznych.",
   "description_en": "Locomotion policies fusing proprioception with terrain perception (height map, depth images), trained by RL in simulation and robust to unreliable external sensors.",
   "plain": "Robot na nogach patrzy na teren przed sobą i z wyprzedzeniem dopasowuje kroki do schodów, kamieni czy śniegu.",
   "plain_en": "A legged robot looks at the ground ahead and adjusts its steps in advance to stairs, rocks or snow.",
   "solves": "Robot, który tylko „czuje nogami”, potyka się na schodach i musi iść wolno, bo o przeszkodzie dowiaduje się dopiero, gdy na nią nadepnie.",
   "solves_en": "A robot that only “feels with its feet” trips on stairs and must walk slowly, learning about an obstacle only once it steps on it.",
   "does": "Łączy wzrok z czuciem jak turysta na szlaku: patrzy, gdzie postawić stopę, ale ufa nogom, gdy śnieg lub trawa zakrywają grunt.",
   "does_en": "It blends sight and feel like a hiker on a trail: looking where to step, but trusting the legs when snow or grass hides the ground.",
   "example": "Robot inspekcyjny na czterech nogach wchodzi po kratowych schodach w elektrowni i przechodzi przez rumowisko po burzy.",
   "example_en": "A four-legged inspection robot climbs grated stairs in a power plant and crosses debris after a storm.",
   "for_you": [
    "robot ma poruszać się poza płaską podłogą",
    "uczysz się uczenia ze wzmocnieniem dla robotów kroczących",
    "łączysz dane z kamer głębi z odczuciem ciała robota"
   ],
   "for_you_en": [
    "need a robot to move beyond flat floors",
    "are learning reinforcement learning for legged robots",
    "combine depth-camera data with the robot's body sense"
   ],
   "how": "Polityka łączy stan stawów i tułowia z obserwacją terenu przed robotem. Rekurencyjny enkoder z mechanizmem uwagi uczy się, kiedy ufać percepcji zewnętrznej, a kiedy propriocepcji, ponieważ śnieg, woda, kurz czy odblaski mogą psuć odczyt terenu. Sterownik jest trenowany end-to-end na wielu warunkach i przenoszony na robota.",
   "how_en": "The policy combines joint and body state with observations of terrain ahead. An attention-based recurrent encoder learns when to trust exteroception and when to rely on proprioception because snow, water, dust or reflections can corrupt terrain sensing. The controller is trained end-to-end across varied conditions and transferred to the robot.",
   "limits": "Śnieg, woda, roślinność, odblaski, kurz i mgła fałszują obraz terenu. Mapy wysokości wymagają dokładnej lokalizacji, a obraz głębi szybko zużywa moc obliczeniową. Polityka może zawieść na typie terenu, którego nie było w symulacji.",
   "limits_en": "Snow, water, vegetation, reflections, dust and fog distort terrain images. Height maps need accurate localisation, and depth images consume compute. The policy can fail on terrain types absent from simulation.",
   "terms": [
    {
     "gloss": "Czucie własnego ciała: kąty stawów, przyspieszenia, nacisk stóp.",
     "term": "propriocepcja"
    },
    {
     "gloss": "Siatka z wysokością gruntu w punktach wokół robota.",
     "term": "mapa wysokości"
    },
    {
     "gloss": "Model z pełną wiedzą uczy model, który widzi tylko to, co czujniki.",
     "term": "nauczyciel–uczeń"
    }
   ],
   "terms_en": [
    {
     "gloss": "Sensing one's own body: joint angles, accelerations, foot pressure.",
     "term": "proprioception"
    },
    {
     "gloss": "A grid of ground heights at points around the robot.",
     "term": "height map"
    },
    {
     "gloss": "A model with full knowledge teaches one that sees only sensor data.",
     "term": "teacher-student"
    }
   ],
   "prereq": [
    "rlalgorithms",
    "rnn"
   ],
   "keywords": [
    "perceptive locomotion",
    "terrain sensing",
    "exteroception",
    "proprioception",
    "recurrent encoder",
    "rough-terrain locomotion"
   ],
   "source_ids": [
    "perceptive-locomotion-2022"
   ],
   "url": "https://aiatlasgraph.com/t/perceptivelocomotion",
   "markdown_url": "https://aiatlasgraph.com/t/perceptivelocomotion.md",
   "updated": "2026-10-30"
  },
  "phishingdetect": {
   "id": "phishingdetect",
   "parent_id": "threatdetection",
   "label": "Wykrywanie phishingu",
   "canonical_name": "Phishing detection",
   "aliases": [
    "phishing email detection",
    "malicious URL detection",
    "anti-phishing ML",
    "wykrywanie wyłudzeń",
    "spear-phishing detection"
   ],
   "description": "Klasyfikacja wiadomości, adresów URL i stron jako prób wyłudzenia na podstawie treści, zapisu adresu oraz podobieństwa wizualnego do prawdziwych marek.",
   "description_en": "Classifying messages, URLs and webpages as phishing from their content, URL representation and visual similarity to legitimate brands.",
   "plain": "Filtry, które rozpoznają fałszywe maile, esemesy i strony udające bank, kuriera lub szefa, zanim wyłudzą hasło albo pieniądze.",
   "plain_en": "Filters that recognise fake emails, texts and pages posing as a bank, courier or boss before they trick you out of a password or money.",
   "solves": "Fałszywe wiadomości są coraz lepiej napisane i spersonalizowane, a wystarczy jedno kliknięcie zmęczonego pracownika, by atakujący wszedł do firmy.",
   "solves_en": "Fake messages are ever better written and personalised, and one click by a tired employee lets the attacker into the company.",
   "does": "Jak doświadczony listonosz, który zna charakter pisma twojego banku i od razu odkłada list z podrobionym nadrukiem.",
   "does_en": "Like a seasoned postman who knows your bank's handwriting and sets aside a letter with a forged letterhead at once.",
   "example": "Dostajesz esemes o „niedopłacie za przesyłkę” z linkiem; przeglądarka ostrzega, że strona udaje kuriera i została założona wczoraj.",
   "example_en": "You get a text about an 'unpaid parcel fee' with a link; the browser warns the page imitates a courier and was set up yesterday.",
   "for_you": [
    "dostajesz podejrzane maile lub esemesy",
    "zarządzasz pocztą w firmie",
    "szkolisz ludzi z bezpieczeństwa"
   ],
   "for_you_en": [
    "get suspicious emails or texts",
    "manage email at a company",
    "train people in security awareness"
   ],
   "how": "Detektory wiadomości analizują tekst i intencję prośby, modele adresów URL uczą się reprezentacji znaków i słów bez ręcznego projektowania wszystkich cech, a systemy wizualne porównują logo i wygląd strony z prawdziwymi markami. Modele językowe mogą oceniać treść wiadomości, lecz są droższe w użyciu na dużą skalę niż klasyczne klasyfikatory.",
   "how_en": "Message detectors analyse text and request intent, URL models learn character- and word-level representations without hand-engineering every feature, and visual systems compare page logos and appearance with legitimate brands. Language models can assess message content but cost more at scale than classic classifiers.",
   "limits": "Atakujący używają modeli językowych do przepisywania wiadomości, co wyraźnie obniża skuteczność detektorów, zwłaszcza klasycznych. Zbiory treningowe są statyczne i starzeją się. Fałszywy alarm na ważnym mailu od klienta bywa kosztowny.",
   "limits_en": "Attackers use language models to rephrase messages, which markedly degrades detectors, especially classic ones. Training datasets are static and go stale. A false alarm on an important customer email can be costly.",
   "terms": [
    {
     "gloss": "Wyłudzenie skrojone pod konkretną osobę, z jej imieniem i kontekstem pracy.",
     "term": "spear phishing"
    },
    {
     "gloss": "Rejestrowanie domen różniących się literą od prawdziwych.",
     "term": "typosquatting"
    },
    {
     "gloss": "Oszustwo na fałszywego szefa lub kontrahenta, wyłudzające przelew.",
     "term": "BEC"
    }
   ],
   "terms_en": [
    {
     "gloss": "Phishing tailored to one person, with their name and work context.",
     "term": "spear phishing"
    },
    {
     "gloss": "Registering domains one letter off from real ones.",
     "term": "typosquatting"
    },
    {
     "gloss": "Fake boss or supplier fraud that tricks someone into a transfer.",
     "term": "BEC"
    }
   ],
   "prereq": [
    "textclassification",
    "classmetrics"
   ],
   "keywords": [
    "phishing email classification",
    "malicious URL detection",
    "visual similarity",
    "brand impersonation",
    "BEC",
    "TF-IDF",
    "LLM-generated phishing",
    "smishing"
   ],
   "source_ids": [
    "thapa-phishing-llm-vs-classical-2025",
    "urlnet-malicious-url-2018",
    "lin-phishpedia-2021"
   ],
   "url": "https://aiatlasgraph.com/t/phishingdetect",
   "markdown_url": "https://aiatlasgraph.com/t/phishingdetect.md",
   "updated": "2026-10-30"
  },
  "physastro": {
   "id": "physastro",
   "parent_id": "aiscience",
   "label": "Fizyka i astronomia",
   "canonical_name": "AI in physics and astronomy",
   "aliases": [
    "ML for physics",
    "AI for astronomy",
    "astroinformatics",
    "physics ML",
    "uczenie maszynowe w fizyce",
    "astroinformatyka"
   ],
   "description": "Zastosowania ML w fizyce cząstek, astrofizyce, kosmologii i fizyce plazmy: klasyfikacja sygnałów, szybka symulacja, wnioskowanie i sterowanie eksperymentami.",
   "description_en": "ML in particle physics, astrophysics, cosmology and plasma physics: signal classification, fast simulation, inference and experiment control.",
   "plain": "Uczenie maszynowe, które pomaga fizykom i astronomom przesiewać ogromne ilości pomiarów z teleskopów, zderzaczy i reaktorów.",
   "plain_en": "Machine learning that helps physicists and astronomers sift huge volumes of measurements from telescopes, colliders and reactors.",
   "solves": "Współczesne teleskopy i detektory zbierają więcej danych w jedną noc, niż ludzie zdołaliby obejrzeć przez całe życie.",
   "solves_en": "Modern telescopes and detectors collect more data in one night than people could inspect in a lifetime.",
   "does": "Działa jak niezmordowany asystent, który przegląda każdy zapis i odkłada na bok te kilka, w których może kryć się odkrycie.",
   "does_en": "It works like a tireless assistant who goes through every record and sets aside the few that may hide a discovery.",
   "example": "Z milionów zdjęć nieba sieć wybiera garść nowo rozbłysłych gwiazd, które astronomowie jeszcze tej nocy obserwują dokładniej.",
   "example_en": "From millions of sky images a network picks a handful of newly flaring stars that astronomers observe more closely that same night.",
   "for_you": [
    "interesujesz się kosmosem lub fizyką cząstek",
    "chcesz zobaczyć, jak AI pomaga w odkryciach naukowych"
   ],
   "for_you_en": [
    "are curious about space or particle physics",
    "want to see how AI helps make scientific discoveries"
   ],
   "how": "Typowe zadania to klasyfikacja (sygnał czy tło, planeta czy szum), regresja parametrów fizycznych, generatywne zastępowanie kosztownych symulacji oraz sterowanie urządzeniami przez RL. Dane mają silną strukturę, więc architektury wykorzystują symetrie: chmury punktów i grafy dla cząstek, splot dla obrazów nieba i szeregów czasowych.",
   "how_en": "Typical tasks are classification (signal or background, planet or noise), regression of physical parameters, generative replacement of costly simulations and device control with RL. The data are highly structured, so architectures exploit symmetries: point clouds and graphs for particles, convolutions for sky images and time series.",
   "limits": "Modele trenuje się często na symulacjach, więc różnice między symulacją a prawdziwym detektorem mogą fałszować wyniki. Odkrycie wymaga rzetelnej niepewności i interpretowalności, czego czarna skrzynka sama nie daje.",
   "limits_en": "Models are often trained on simulations, so mismatch between simulation and the real detector can bias results. A discovery needs sound uncertainty and interpretability, which a black box does not provide by itself.",
   "terms": [
    {
     "gloss": "Szukane zjawisko kontra wszystko inne, co wygląda podobnie.",
     "term": "sygnał i tło"
    },
    {
     "gloss": "Zmiany jasności gwiazdy w czasie.",
     "term": "krzywa blasku"
    },
    {
     "gloss": "Szybki filtr decydujący w ułamku sekundy, które zderzenia zapisać.",
     "term": "wyzwalacz"
    }
   ],
   "terms_en": [
    {
     "gloss": "The phenomenon sought versus everything else that looks similar.",
     "term": "signal and background"
    },
    {
     "gloss": "A star's brightness over time.",
     "term": "light curve"
    },
    {
     "gloss": "A fast filter deciding in a split second which collisions to record.",
     "term": "trigger"
    }
   ],
   "prereq": [
    "cnn",
    "anomalydetection"
   ],
   "keywords": [
    "particle physics ML",
    "astroinformatics",
    "simulation-based inference",
    "jet tagging",
    "fast simulation",
    "Rubin Observatory LSST",
    "LIGO",
    "anomaly detection",
    "physics-informed ML",
    "CERN ML"
   ],
   "source_ids": [
    "carleo-ml-physics-2019"
   ],
   "url": "https://aiatlasgraph.com/t/physastro",
   "markdown_url": "https://aiatlasgraph.com/t/physastro.md",
   "updated": "2026-10-30"
  },
  "piiredaction": {
   "id": "piiredaction",
   "parent_id": "privacy",
   "label": "Wykrywanie i anonimizacja danych osobowych (PII)",
   "canonical_name": "PII detection and anonymisation",
   "description": "Automatyczne znajdowanie danych osobowych (nazwiska, numery, adresy) w tekstach, obrazach i tabelach oraz ich maskowanie lub zastępowanie — przed treningiem, w logach i w promptach wysyłanych do modeli. Żadne narzędzie nie wykrywa wszystkiego.",
   "description_en": "Automatically finding personal data (names, numbers, addresses) in text, images and tables and masking or replacing it — before training, in logs and in prompts sent to models. No tool catches everything.",
   "examples": "NER + reguły i wyrażenia regularne · maskowanie · pseudonimizacja",
   "examples_en": "NER + rules and regex · masking · pseudonymisation",
   "plain": "To wykrywanie i ukrywanie informacji pozwalających rozpoznać osobę w tekstach, obrazach lub tabelach.",
   "plain_en": "This detects and hides identifying personal information in texts, images or tables.",
   "solves": "Dokument potrzebny modelowi zawiera nazwiska, adresy lub numery, których nie chcesz udostępniać.",
   "solves_en": "A document needed by a model contains names, addresses or numbers you do not want to disclose.",
   "does": "Reguły i modele wyszukują wybrane dane, a system je maskuje lub zastępuje; pozostały kontekst może nadal ujawniać tożsamość.",
   "does_en": "Rules and models locate selected details, which are masked or replaced; remaining context can still reveal identity.",
   "example": "Przed analizą zgłoszeń ukrywasz nazwiska i adresy klientów, a potem sprawdzasz, czy w treści nie zostały inne identyfikujące szczegóły.",
   "example_en": "Before analysing support requests, you hide customer names and addresses, then check for other identifying details left in the text.",
   "for_you": [
    "wysyłasz dokumenty zawierające dane osobowe",
    "chcesz ograniczyć wrażliwe informacje w logach"
   ],
   "for_you_en": [
    "send documents containing personal information",
    "want to reduce sensitive details in logs"
   ],
   "how": "Detektory encji, wzorce, sumy kontrolne i kontekst wskazują fragmenty potencjalnie identyfikujące osoby. Polityka zastępuje je maską lub kontrolowanym pseudonimem, zachowując potrzebną strukturę danych i sprawdzając pozostałe informacje.",
   "how_en": "Entity detectors, patterns, checksums and context identify potentially personal-information spans. A policy replaces them with masks or controlled pseudonyms while preserving required data structure and checking remaining information.",
   "limits": "Detektory pomijają nowe formaty, kontekst i kombinacje cech. Pseudonimizacja nie oznacza pełnej anonimizacji; zachowane relacje lub osobna tabela mapowań mogą umożliwić ponowną identyfikację.",
   "limits_en": "Detectors miss new formats, context and attribute combinations. Pseudonymisation is not complete anonymisation; retained relationships or separate mapping tables can enable reidentification.",
   "terms": [
    {
     "gloss": "Usuwanie lub zastępowanie wskazanych fragmentów informacji przed dalszym użyciem.",
     "term": "redakcja danych"
    },
    {
     "gloss": "Zastąpienie identyfikatora inną wartością przy zachowaniu możliwego powiązania.",
     "term": "pseudonimizacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Removing or replacing identified information spans before further use.",
     "term": "data redaction"
    },
    {
     "gloss": "Replacing identifiers while retaining possible linkability.",
     "term": "pseudonymisation"
    }
   ],
   "prereq": [
    "infoextraction",
    "datavalidation"
   ],
   "keywords": [
    "Presidio",
    "named entity recognition",
    "regex detectors",
    "data masking",
    "pseudonymization",
    "de-identification"
   ],
   "source_ids": [
    "presidio-docs"
   ],
   "url": "https://aiatlasgraph.com/t/piiredaction",
   "markdown_url": "https://aiatlasgraph.com/t/piiredaction.md",
   "updated": "2026-10-30"
  },
  "pinn": {
   "id": "pinn",
   "parent_id": "sciml",
   "label": "Sieci uwzględniające fizykę (PINN)",
   "canonical_name": "Physics-informed neural networks (PINN)",
   "aliases": [
    "PINN",
    "physics-informed neural networks",
    "sieci informowane fizyką"
   ],
   "description": "Sieć przybliżająca rozwiązanie PDE, trenowana stratą łączącą dopasowanie do danych z residuum równania i warunkami brzegowymi.",
   "description_en": "A network approximating a PDE solution, trained with a loss combining data fit, the equation residual and boundary conditions.",
   "plain": "Sieć neuronowa karana nie tylko za rozmijanie się z pomiarami, ale też za łamanie znanych praw fizyki.",
   "plain_en": "A neural network penalised not only for missing the measurements but also for breaking known laws of physics.",
   "solves": "Pomiarów często jest garstka, a model uczony tylko na nich wymyśla zachowania fizycznie niemożliwe.",
   "solves_en": "There are often only a handful of measurements, and a model trained on them alone invents physically impossible behaviour.",
   "does": "Jak nauczyciel, który sprawdza nie tylko wynik, ale i to, czy uczeń trzymał się wzoru: równanie pilnuje, by odpowiedź miała sens.",
   "does_en": "Like a teacher who checks not just the answer but whether the student followed the formula: the equation keeps the answer sensible.",
   "example": "Z kilku czujników temperatury w hali model odtwarza rozkład ciepła w całym pomieszczeniu, zgodny z prawami przewodzenia.",
   "example_en": "From a few temperature sensors in a hall, the model reconstructs the heat distribution across the whole room, consistent with the laws of conduction.",
   "for_you": [
    "masz mało pomiarów, ale znasz równania, które nimi rządzą",
    "chcesz odtworzyć nieznany parametr z danych"
   ],
   "for_you_en": [
    "have few measurements but know the equations governing them",
    "want to recover an unknown parameter from data"
   ],
   "how": "Sieć przyjmuje współrzędne (x, t) i zwraca wartość pola. Automatyczne różniczkowanie liczy pochodne wyjścia, więc residuum równania w losowych punktach kolokacji trafia do funkcji straty; tą samą drogą można uczyć nieznanych współczynników równania (problem odwrotny).",
   "how_en": "The network takes coordinates (x, t) and returns the field value. Automatic differentiation computes output derivatives, so the equation residual at random collocation points enters the loss; the same route can learn unknown equation coefficients (the inverse problem).",
   "limits": "Trening bywa niestabilny przy sztywnych, wieloskalowych lub silnie nieliniowych równaniach, a ważenie składników straty wymaga strojenia. Nowe warunki zwykle oznaczają nowy trening; w problemach wprost klasyczne solvery są często szybsze.",
   "limits_en": "Training can be unstable for stiff, multiscale or strongly nonlinear equations, and weighting the loss terms needs tuning. New conditions usually mean retraining; for forward problems classical solvers are often faster.",
   "terms": [
    {
     "gloss": "Losowe miejsca, w których sprawdza się, czy sieć spełnia równanie.",
     "term": "punkty kolokacji"
    },
    {
     "gloss": "Dokładne liczenie pochodnych wyjścia sieci względem jej wejść.",
     "term": "automatyczne różniczkowanie"
    },
    {
     "gloss": "Odtwarzanie nieznanych parametrów układu z obserwowanych skutków.",
     "term": "problem odwrotny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Random locations where the network is checked against the equation.",
     "term": "collocation points"
    },
    {
     "gloss": "Exact computation of a network's output derivatives with respect to its inputs.",
     "term": "automatic differentiation"
    },
    {
     "gloss": "Recovering unknown system parameters from observed effects.",
     "term": "inverse problem"
    }
   ],
   "prereq": [
    "backprop",
    "lossfunctions"
   ],
   "keywords": [
    "DeepXDE",
    "automatic differentiation",
    "collocation points",
    "inverse problems",
    "PhysicsNeMo",
    "JAX"
   ],
   "source_ids": [
    "pinn-2017"
   ],
   "url": "https://aiatlasgraph.com/t/pinn",
   "markdown_url": "https://aiatlasgraph.com/t/pinn.md",
   "updated": "2026-10-30"
  },
  "pipelines": {
   "id": "pipelines",
   "parent_id": "data",
   "label": "Pipeline’y i wersjonowanie",
   "canonical_name": "Data pipelines and versioning",
   "description": "Powtarzalne przygotowanie danych do kolejnych eksperymentów.",
   "description_en": "Repeatable data preparation across experiments.",
   "examples": "ETL · wersje zbiorów",
   "examples_en": "ETL · dataset versions",
   "plain": "To powtarzalne przygotowanie danych w kolejnych krokach z zapisem użytej wersji materiałów.",
   "plain_en": "This prepares data through repeatable steps and records which version of the material was used.",
   "solves": "Każde przygotowanie danych wygląda inaczej, więc trudno odtworzyć wyniki lub znaleźć przyczynę zmiany.",
   "solves_en": "Data preparation changes each time, making results hard to reproduce and changes hard to explain.",
   "does": "Łączy pobieranie, czyszczenie i sprawdzanie w ustaloną kolejność oraz zachowuje informacje potrzebne do ponownego wykonania pracy.",
   "does_en": "It connects collection, cleaning and checks in a fixed sequence and keeps the information needed to repeat the work.",
   "example": "Co miesiąc przygotowujesz nowe zgłoszenia do nauki asystenta, używając tych samych etapów czyszczenia i zapisując wersję gotowego zbioru.",
   "example_en": "Each month you prepare new requests for an assistant, using the same cleaning steps and recording the resulting collection's version.",
   "for_you": [
    "regularnie przygotowujesz nowe porcje danych",
    "chcesz powtórzyć wcześniejszy eksperyment z tym samym materiałem"
   ],
   "for_you_en": [
    "regularly prepare new batches of data",
    "want to repeat an experiment with the same material"
   ],
   "how": "Etapy odczytu, transformacji i kontroli danych tworzą graf zależności z zapisywanymi rezultatami. Wersje wejść, kodu i konfiguracji pozwalają odtworzyć przebieg oraz wznowić go od poprawnie ukończonego etapu.",
   "how_en": "Reading, transformation and validation stages form a dependency graph with recorded outputs. Input, code and configuration versions make runs reproducible and allow resuming from a successfully completed stage.",
   "limits": "Powtarzalny kod nie zapewnia powtarzalnych danych, jeśli źródła zmieniają się bez wersjonowania. Awarie częściowe wymagają kontroli powtórzeń, a koszt przechowywania rośnie z liczbą pośrednich rezultatów.",
   "limits_en": "Repeatable code cannot ensure repeatable data when sources change without versioning. Partial failures require duplicate handling, and storage costs grow with intermediate outputs.",
   "terms": [
    {
     "gloss": "Relacje określające, które etapy wymagają wyników wcześniejszych etapów.",
     "term": "graf zależności"
    },
    {
     "gloss": "Powtórzenie operacji nie zmienia efektu po jej poprawnym wykonaniu.",
     "term": "idempotencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Relationships specifying which stages require outputs from earlier stages.",
     "term": "dependency graph"
    },
    {
     "gloss": "Repeating an operation preserves its effect after a successful execution.",
     "term": "idempotency"
    }
   ],
   "prereq": [
    "dataversioning",
    "datavalidation"
   ],
   "keywords": [
    "ETL",
    "DAG",
    "DVC",
    "data contracts",
    "idempotency",
    "data lineage",
    "content-addressed storage",
    "checkpointing"
   ],
   "source_ids": [
    "fsdl",
    "cs336",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/pipelines",
   "markdown_url": "https://aiatlasgraph.com/t/pipelines.md",
   "updated": "2026-10-30"
  },
  "pixeldiffusion": {
   "id": "pixeldiffusion",
   "parent_id": "diffusion",
   "label": "Dyfuzja w przestrzeni pikseli",
   "canonical_name": "Pixel-space diffusion",
   "aliases": [
    "pixel diffusion",
    "pixel-space diffusion",
    "dyfuzja pikselowa",
    "end-to-end pixel diffusion",
    "VAE-free diffusion"
   ],
   "description": "Dyfuzja uczona i próbkowana wprost na siatce pikseli, bez autoenkodera.",
   "description_en": "Diffusion trained and sampled directly on the pixel grid, without an autoencoder.",
   "plain": "Generator rysuje obraz od razu na pikselach, bez pośredniego, skompresowanego zapisu.",
   "plain_en": "A generator draws the image directly on pixels, without a compressed intermediate representation.",
   "solves": "Skompresowany zapis obrazu gubi drobne krawędzie i tekstury, a potem generator nie ma ich skąd odtworzyć.",
   "solves_en": "A compressed image record loses fine edges and textures, so the generator cannot recover them later.",
   "does": "Uczy się usuwać szum wprost z kolorów pikseli, więc szczegóły nie przechodzą przez stratny skrót.",
   "does_en": "It learns to remove noise directly from pixel colours, so details never pass through a lossy code.",
   "example": "Chcesz obraz tkaniny, na którym splot nici zostaje ostry, a nie rozmyty jak po mocnej kompresji.",
   "example_en": "You want a fabric image where the thread weave stays sharp, not blurred as after heavy compression.",
   "for_you": [
    "generator rozmywa drobny tekst albo fakturę",
    "chcesz rozumieć, czemu obraz traci ostrość",
    "porównujesz szczegóły przy tym samym opisie"
   ],
   "for_you_en": [
    "a generator blurs fine text or texture",
    "want to see why an image loses sharpness",
    "compare detail at the same description"
   ],
   "how": "Sieć przewiduje szum albo prędkość na zaszumionym obrazie RGB. Trening jest jednofazowy, bez osobnej rekonstrukcji z kodu ukrytego. Koszt rośnie z liczbą pikseli, więc praktyka używa przesuniętego harmonogramu, kaskad albo hierarchicznej uwagi.",
   "how_en": "The network predicts noise or velocity on a noisy RGB image. Training is single-stage, with no separate reconstruction from a latent code. Cost grows with pixel count, so practice uses a shifted schedule, cascades or hierarchical attention.",
   "limits": "Pełna uwaga nad wysoką rozdzielczością jest droga w pamięci i czasie. Sąsiednie piksele są silnie skorelowane, więc zły harmonogram zaciera strukturę za wcześnie. Brak stratnego kodu nie gwarantuje lepszej głębi ani naprawy obrazu.",
   "limits_en": "Full attention at high resolution is expensive in memory and time. Neighbouring pixels are strongly correlated, so a poor schedule destroys structure too early. Skipping a lossy code does not guarantee better depth or restoration.",
   "terms": [
    {
     "gloss": "Najmniejszy kolorowy punkt obrazu, zwykle z trzema składowymi.",
     "term": "piksel"
    },
    {
     "gloss": "Sieć, która ściska obraz do kodu i próbuje go odtworzyć.",
     "term": "autoenkoder"
    },
    {
     "gloss": "Regularna tablica punktów, na której leży cały obraz.",
     "term": "siatka obrazu"
    }
   ],
   "terms_en": [
    {
     "gloss": "The smallest colour point of an image, usually with three channels.",
     "term": "pixel"
    },
    {
     "gloss": "A network that compresses an image to a code and tries to rebuild it.",
     "term": "autoencoder"
    },
    {
     "gloss": "The regular array of points that makes up the whole image.",
     "term": "image grid"
    }
   ],
   "prereq": [
    "vae",
    "ddpm"
   ],
   "keywords": [
    "pixel-space diffusion",
    "end-to-end diffusion",
    "VAE-free generation",
    "high-resolution synthesis",
    "RGB denoising",
    "PixelDiT",
    "simple diffusion",
    "HDiT"
   ],
   "source_ids": [
    "simple-diffusion-2023",
    "noise-scheduling-chen-2023",
    "hdit-2024",
    "pixeldit-2025",
    "iris3b-2026"
   ],
   "url": "https://aiatlasgraph.com/t/pixeldiffusion",
   "markdown_url": "https://aiatlasgraph.com/t/pixeldiffusion.md",
   "updated": "2026-10-30"
  },
  "pixeldit": {
   "id": "pixeldit",
   "parent_id": "pixeldiffusion",
   "label": "Transformer pikselowy o dwóch poziomach",
   "canonical_name": "Dual-level pixel diffusion transformer",
   "aliases": [
    "PixelDiT",
    "PiT head",
    "pixel diffusion transformer",
    "pixel transformer head"
   ],
   "description": "Jednofazowy transformer dyfuzyjny z poziomem łatki i poziomem piksela.",
   "description_en": "A single-stage diffusion transformer with a patch level and a pixel level.",
   "plain": "Jedna sieć uwagi ogarnia układ sceny, a druga dopracowuje fakturę pojedynczych punktów.",
   "plain_en": "One attention network handles the scene layout, and another refines the texture of individual points.",
   "solves": "Sam skrót obrazu gubi fakturę, a sama siatka punktów nie łapie układu sceny bez ogromnej uwagi.",
   "solves_en": "An image code alone loses texture, and a point grid alone misses scene layout without huge attention.",
   "does": "Poziom łatki ustala, co jest na obrazie, a poziom punktu dopisuje teksturę bez osobnego kompresora.",
   "does_en": "The patch level decides what is in the image, and the point level adds texture without a separate compressor.",
   "example": "Ilustracja ma czytelną postać w tle i ostry wzór na tkaninie, bez etapu ściskania obrazu do kodu.",
   "example_en": "An illustration has a readable figure in the background and a sharp fabric pattern, without compressing the image to a code.",
   "for_you": [
    "chcesz szczegóły bez stratnego skrótu obrazu",
    "jeden poziom uwagi gubi albo układ, albo fakturę",
    "dostrajasz generator pod ostre tekstury"
   ],
   "for_you_en": [
    "want detail without a lossy image code",
    "one attention level loses either layout or texture",
    "you tune a generator for sharp textures"
   ],
   "how": "Poziom łatki modeluje semantykę globalną, a głowica pikselowa dopracowuje lokalną teksturę w przestrzeni RGB. Dzięki temu trening nie wymaga autoenkodera ani osobnej straty rekonstrukcji. Osobna linia pokazuje, że taka głowica skaluje się do tekstu i obrazu, bez zysku na głębi i naprawie.",
   "how_en": "The patch level models global semantics, and a pixel head refines local texture in RGB space. Training therefore needs neither an autoencoder nor a separate reconstruction loss. A separate line shows that this head scales to text-to-image, without a gain on depth or restoration.",
   "limits": "Model nadal przetwarza gęstą siatkę pikseli i potrzebuje mechanizmów ograniczających koszt uwagi. Wyniki jakościowe pochodzą od autorów metody, a późniejsze badanie Iris-3B nie wykazało przewagi pikselowego prioru nad porównywalnym modelem latentnym w estymacji głębi ani rekonstrukcji DIV2K.",
   "limits_en": "The model still processes a dense pixel grid and needs mechanisms that control attention cost. Quality results come from the method's authors, and the later Iris-3B study found no advantage for a pixel-space prior over a comparable latent model on depth estimation or DIV2K restoration.",
   "terms": [
    {
     "gloss": "Mały prostokąt obrazu traktowany jak jeden token uwagi.",
     "term": "łatka"
    },
    {
     "gloss": "Końcowa część sieci, która dopracowuje kolory punktów.",
     "term": "głowica pikselowa"
    },
    {
     "gloss": "Inne zadanie niż rysowanie, na przykład głębia albo naprawa zdjęcia.",
     "term": "zadanie wtórne"
    }
   ],
   "terms_en": [
    {
     "gloss": "A small image rectangle treated as one attention token.",
     "term": "patch"
    },
    {
     "gloss": "The final part of the network that refines point colours.",
     "term": "pixel head"
    },
    {
     "gloss": "A task other than drawing, such as depth or photo repair.",
     "term": "downstream task"
    }
   ],
   "prereq": [
    "dit",
    "vae"
   ],
   "keywords": [
    "PixelDiT",
    "pixel transformer",
    "PiT head",
    "dual-level DiT",
    "patch-level diffusion",
    "pixel-level refinement",
    "text-to-image pixel diffusion"
   ],
   "source_ids": [
    "pixeldit-2025",
    "iris3b-2026"
   ],
   "url": "https://aiatlasgraph.com/t/pixeldit",
   "markdown_url": "https://aiatlasgraph.com/t/pixeldit.md",
   "updated": "2026-10-30"
  },
  "pixelwavenet": {
   "id": "pixelwavenet",
   "parent_id": "argen",
   "label": "Generowanie piksel po pikselu i próbka po próbce (PixelCNN, WaveNet)",
   "canonical_name": "Pixel- and sample-level autoregressive models (PixelCNN, WaveNet)",
   "aliases": [
    "PixelCNN",
    "PixelRNN",
    "WaveNet",
    "dilated causal convolution",
    "sploty przyczynowe"
   ],
   "description": "Autoregresyjne sieci splotowe modelujące piksele lub próbki audio sekwencyjnie, z maskowanymi lub rozszerzonymi splotami przyczynowymi.",
   "description_en": "Autoregressive convolutional networks modelling pixels or audio samples sequentially using masked or dilated causal convolutions.",
   "plain": "Wczesne generatory, które tworzą obraz po jednym punkcie albo dźwięk po jednej drobnej próbce, zawsze patrząc wyłącznie wstecz.",
   "plain_en": "Early generators that create an image one dot at a time, or sound one tiny sample at a time, always looking only backwards.",
   "solves": "Syntezatory mowy brzmiały sztucznie, bo składały głos z gotowych kawałków albo prostych reguł, zamiast tworzyć sam dźwięk.",
   "solves_en": "Speech synthesisers sounded artificial because they stitched voices from stored pieces or simple rules instead of creating the sound itself.",
   "does": "Jak muzyk improwizujący nuta po nucie: każdy kolejny dźwięk wybiera, słuchając wszystkiego, co zagrał wcześniej.",
   "does_en": "Like a musician improvising note by note: each next sound is chosen by listening to everything played before.",
   "example": "Asystent głosowy w telefonie zaczął brzmieć znacznie naturalniej, gdy jego głos zaczęto tworzyć próbka po próbce.",
   "example_en": "A phone's voice assistant began to sound far more natural once its voice was created sample by sample.",
   "for_you": [
    "chcesz zrozumieć korzenie dzisiejszej syntezy mowy",
    "poznajesz sploty, które nie zaglądają w przyszłość"
   ],
   "for_you_en": [
    "want to understand the roots of today's speech synthesis",
    "are learning convolutions that never peek ahead"
   ],
   "how": "Maskowane sploty pozwalają każdemu pikselowi widzieć tylko wcześniejsze piksele, więc trening jest równoległy, a generowanie sekwencyjne. Wersja audio używa rozszerzonych splotów przyczynowych: odstępy w filtrach rosną z głębokością, więc pole recepcyjne obejmuje tysiące próbek bez poolingu i rekurencji.",
   "how_en": "Masked convolutions let each pixel see only earlier pixels, so training is parallel while generation is sequential. The audio version uses dilated causal convolutions: filter gaps grow with depth, so the receptive field spans thousands of samples without pooling or recurrence.",
   "limits": "Generowanie jest sekwencyjne: następny piksel lub próbka audio czeka na wszystkie wcześniejsze. Trening można zrównoleglić, ale czas syntezy rośnie z długością sekwencji, co jest szczególnie kosztowne dla surowego dźwięku.",
   "limits_en": "Generation is sequential: each next pixel or audio sample waits for all earlier ones. Training can be parallelised, but synthesis time grows with sequence length, which is especially costly for raw audio.",
   "terms": [
    {
     "gloss": "Filtr, który widzi tylko przeszłe elementy sekwencji, nigdy przyszłe.",
     "term": "splot przyczynowy"
    },
    {
     "gloss": "Filtr z przerwami między wejściami, obejmujący dłuższy kontekst tanim kosztem.",
     "term": "splot rozszerzony"
    },
    {
     "gloss": "Model zamieniający opis dźwięku, np. spektrogram, na falę audio.",
     "term": "wokoder"
    }
   ],
   "terms_en": [
    {
     "gloss": "A filter that sees only past elements of a sequence, never future ones.",
     "term": "causal convolution"
    },
    {
     "gloss": "A filter with gaps between inputs, covering longer context cheaply.",
     "term": "dilated convolution"
    },
    {
     "gloss": "A model turning a sound description, such as a spectrogram, into a waveform.",
     "term": "vocoder"
    }
   ],
   "prereq": [
    "convpool"
   ],
   "keywords": [
    "PixelCNN++",
    "PixelRNN",
    "WaveNet",
    "dilated causal convolution",
    "mu-law quantization",
    "neural vocoder"
   ],
   "source_ids": [
    "vandenoord-wavenet-2016"
   ],
   "url": "https://aiatlasgraph.com/t/pixelwavenet",
   "markdown_url": "https://aiatlasgraph.com/t/pixelwavenet.md",
   "updated": "2026-10-30"
  },
  "planningoriented": {
   "id": "planningoriented",
   "parent_id": "e2edriving",
   "label": "Wspólne uczenie percepcji, predykcji i planowania",
   "canonical_name": "Joint perception, prediction and planning",
   "aliases": [
    "planning-oriented autonomous driving",
    "UniAD",
    "VAD",
    "modular end-to-end",
    "differentiable modular stack"
   ],
   "description": "Architektury end-to-end z jawnymi etapami (śledzenie, mapa, predykcja, zajętość, plan) połączonymi zapytaniami i uczonymi wspólnie pod planowanie.",
   "description_en": "End-to-end architectures with explicit stages (tracking, mapping, prediction, occupancy, planning) linked by queries and trained jointly for planning.",
   "plain": "Jedna sieć, w której rozpoznawanie, przewidywanie i planowanie są osobnymi etapami, ale uczonymi razem pod jeden cel: dobrą jazdę.",
   "plain_en": "One network in which recognising, predicting and planning are separate stages, yet trained together for one aim: driving well.",
   "solves": "Moduły trenowane osobno dobrze wykonują swoje zadania, ale niekoniecznie to, co najbardziej potrzebne do bezpiecznej decyzji.",
   "solves_en": "Modules trained separately do their own jobs well, but not necessarily what matters most for a safe decision.",
   "does": "Jak zespół, w którym obserwator, analityk i kierowca mówią wspólnym językiem, ale każdy ma też własne zadanie kontrolne.",
   "does_en": "Like a team whose observer, analyst and driver share one language while each still has a supervised role.",
   "example": "Auto poświęca mniej uwagi autom zaparkowanym za płotem, a więcej pieszemu, który może wejść mu przed maskę.",
   "example_en": "The car pays less attention to cars parked behind a fence and more to a pedestrian who might step in front of it.",
   "for_you": [
    "chcesz zrozumieć kompromis między modułami a jedną siecią",
    "budujesz systemy złożone z wielu modeli",
    "chcesz zachować wgląd w decyzje sieci"
   ],
   "for_you_en": [
    "want to understand the trade-off between modules and one network",
    "build systems made of many models",
    "want to keep insight into a network's decisions"
   ],
   "how": "Każdy etap ma własną głowicę i nadzór, ale przekazuje dalej wyuczone zapytania zamiast twardych wyników. Strata planowania płynie wstecz przez cały łańcuch, więc wcześniejsze etapy uczą się tego, co ważne dla decyzji.",
   "how_en": "Each stage has its own head and supervision but passes learned queries rather than hard outputs downstream. The planning loss flows back through the whole chain, so earlier stages learn what matters for the decision.",
   "limits": "Wymaga kosztownych etykiet dla każdego etapu i dużej mocy obliczeniowej. Na niezależnym benchmarku prostsze modele dorównały takiej architekturze, więc przewaga złożoności nie jest przesądzona.",
   "limits_en": "It needs costly labels for every stage and much compute. On an independent benchmark simpler models matched such an architecture, so the benefit of complexity is not settled.",
   "terms": [
    {
     "gloss": "Część sieci odpowiedzialna za jedno zadanie, np. mapę.",
     "term": "głowica zadania"
    },
    {
     "gloss": "Etykiety dla etapów pośrednich, nie tylko dla końcowego planu.",
     "term": "nadzór pośredni"
    },
    {
     "gloss": "Wektory przekazujące informację między etapami jednej sieci.",
     "term": "zapytania zadań"
    }
   ],
   "terms_en": [
    {
     "gloss": "The part of a network responsible for one task, such as the map.",
     "term": "task head"
    },
    {
     "gloss": "Labels for intermediate stages, not just the final plan.",
     "term": "intermediate supervision"
    },
    {
     "gloss": "Vectors passing information between stages of one network.",
     "term": "task queries"
    }
   ],
   "prereq": [
    "bevperception",
    "objecttracking"
   ],
   "keywords": [
    "UniAD",
    "VAD",
    "SparseDrive",
    "ST-P3",
    "query-based architecture",
    "nuScenes planning",
    "NAVSIM"
   ],
   "source_ids": [
    "uniad-2022",
    "navsim-2024"
   ],
   "url": "https://aiatlasgraph.com/t/planningoriented",
   "markdown_url": "https://aiatlasgraph.com/t/planningoriented.md",
   "updated": "2026-10-30"
  },
  "plasmacontrol": {
   "id": "plasmacontrol",
   "parent_id": "physastro",
   "label": "Sterowanie plazmą w tokamaku przez uczenie ze wzmocnieniem",
   "canonical_name": "Reinforcement learning for tokamak plasma control",
   "aliases": [
    "tokamak control",
    "plasma magnetic control",
    "fusion RL",
    "sterowanie tokamakiem",
    "fuzja jądrowa AI"
   ],
   "description": "Głębokie RL trenowane w symulatorze plazmy, które jedną siecią steruje wszystkimi cewkami tokamaka, utrzymując i kształtując plazmę.",
   "description_en": "Deep RL trained in a plasma simulator that controls all of a tokamak's coils with one network, holding and shaping the plasma.",
   "plain": "Agent uczący się metodą prób i błędów steruje magnesami tokamaka, utrzymując gorącą plazmę w zadanym kształcie z dala od ścian.",
   "plain_en": "A trial-and-error learning agent drives a tokamak's magnets, holding hot plasma in a set shape away from the walls.",
   "solves": "Plazma jest niestabilna i zmienia się w milisekundach, a ręczne strojenie wielu osobnych regulatorów dla każdego kształtu zajmuje inżynierom miesiące.",
   "solves_en": "Plasma is unstable and changes within milliseconds, and hand-tuning many separate controllers for each shape takes engineers months.",
   "does": "Jak pilot wyćwiczony na symulatorze lotów: najpierw milion prób w komputerze, potem jeden płynny lot prawdziwą maszyną.",
   "does_en": "Like a pilot trained on a flight simulator: a million tries in the computer first, then one smooth flight in the real machine.",
   "example": "Naukowcy określają kształt plazmy, który chcą zbadać, a agent wytrenowany w symulatorze utrzymuje go w eksperymentalnym tokamaku TCV.",
   "example_en": "Scientists specify a plasma shape they want to study, and an agent trained in a simulator holds it in the experimental TCV tokamak.",
   "for_you": [
    "ciekawi cię energia z fuzji jądrowej",
    "chcesz zobaczyć uczenie ze wzmocnieniem poza grami"
   ],
   "for_you_en": [
    "are curious about fusion energy",
    "want to see reinforcement learning outside games"
   ],
   "how": "Agent uczy się w symulatorze równowagi plazmy; nagroda opisuje docelowy kształt, położenie i prąd plazmy. Gotowa sieć sterująca wszystkimi 19 cewkami jest następnie przenoszona na tokamak i działa tam bez dalszego uczenia.",
   "how_en": "An agent learns in a plasma-equilibrium simulator; the reward describes the target shape, position and plasma current. The finished network controlling all 19 coils is then transferred to the tokamak and runs there without further learning.",
   "limits": "Wszystko zależy od wierności symulatora; zjawiska, których on nie modeluje, mogą zaskoczyć agenta. Czas na prawdziwym urządzeniu jest rzadki i drogi, a sterownik musi mieć twarde zabezpieczenia przed uszkodzeniem maszyny.",
   "limits_en": "Everything hinges on simulator fidelity; phenomena it does not model can surprise the agent. Time on the real device is scarce and costly, and the controller needs hard safeguards against damaging the machine.",
   "terms": [
    {
     "gloss": "Eksperymentalne urządzenie w kształcie obwarzanka, w którym magnesy więżą gorącą plazmę.",
     "term": "tokamak"
    },
    {
     "gloss": "Elektromagnes wytwarzający pole używane do pozycjonowania i kształtowania plazmy.",
     "term": "cewka magnetyczna"
    },
    {
     "gloss": "Przenoszenie polityki wytrenowanej w symulacji na prawdziwe urządzenie.",
     "term": "sim-to-real"
    }
   ],
   "terms_en": [
    {
     "gloss": "A doughnut-shaped experimental device where magnets confine hot plasma.",
     "term": "tokamak"
    },
    {
     "gloss": "An electromagnet producing the field used to position and shape the plasma.",
     "term": "magnetic coil"
    },
    {
     "gloss": "Moving a policy trained in simulation onto a real device.",
     "term": "sim-to-real"
    }
   ],
   "prereq": [
    "rlalgorithms",
    "feedbackcontrol"
   ],
   "keywords": [
    "TCV tokamak",
    "magnetic confinement",
    "plasma shape control",
    "ITER",
    "sim-to-real"
   ],
   "source_ids": [
    "tokamak-rl-2022"
   ],
   "url": "https://aiatlasgraph.com/t/plasmacontrol",
   "markdown_url": "https://aiatlasgraph.com/t/plasmacontrol.md",
   "updated": "2026-10-30"
  },
  "playbookreview": {
   "id": "playbookreview",
   "parent_id": "contractai",
   "label": "Przegląd umowy według zasad firmy (playbook)",
   "canonical_name": "Playbook-based contract review",
   "aliases": [
    "playbook review",
    "contract playbook",
    "deviation detection",
    "standard positions review",
    "template comparison",
    "przegląd umów według playbooka"
   ],
   "description": "Sprawdzanie umowy pod kątem zgodności z firmowym zbiorem standardowych stanowisk i wzorów, z lokalizacją odstępstw i braków.",
   "description_en": "Checking a contract against a company's set of standard positions and templates, locating deviations and missing provisions.",
   "plain": "Program porównuje umowę z firmową listą zasad: co akceptujemy, na co godzimy się w ostateczności, a czego nigdy nie podpisujemy.",
   "plain_en": "Software compares a contract with the company's list of rules: what we accept, what we concede as a last resort, and what we never sign.",
   "solves": "Młodszy prawnik nie zna wszystkich firmowych granic negocjacyjnych, a starszy nie ma czasu czytać każdej umowy zakupowej.",
   "solves_en": "A junior lawyer does not know all the company's negotiating limits, and a senior one has no time to read every purchase contract.",
   "does": "Jak lista kontrolna pilota przed startem: każdy punkt zasad sprawdzany po kolei, z zaznaczeniem, gdzie w umowie jest odstępstwo.",
   "does_en": "Like a pilot's pre-flight checklist: each rule checked in turn, with a mark showing where the contract departs from it.",
   "example": "Dział zakupów wgrywa umowę od dostawcy i dostaje listę: limit odpowiedzialności za niski, brak zapisu o poufności, termin płatności zgodny z zasadami.",
   "example_en": "A purchasing team uploads a supplier's contract and gets a list: liability cap too low, no confidentiality clause, payment terms within policy.",
   "for_you": [
    "sprawdzasz dużo podobnych umów",
    "twoja firma ma własne zasady negocjacji",
    "chcesz wiedzieć, gdzie umowa odbiega od wzoru"
   ],
   "for_you_en": [
    "check many similar contracts",
    "work for a company with its own negotiation rules",
    "want to know where a contract departs from the template"
   ],
   "how": "Każdą zasadę playbooka lub postanowienie wzorca rozbija się na pojęcia traktowane jak hipotezy; wyszukiwanie wybiera pasujące fragmenty umowy, a model ocenia, czy fragment zasadę potwierdza, przeczy jej, czy jej nie dotyczy. Przebieg odwrotny wykrywa treści spoza wzorca. Wynik to lista odstępstw z miejscami w tekście.",
   "how_en": "Each playbook rule or template provision is broken into concepts treated as hypotheses; retrieval selects matching contract passages and the model judges whether each passage entails, contradicts or is neutral to the rule. A reverse pass detects content outside the template. The output is a list of deviations with their locations.",
   "limits": "Bez dobrze spisanego playbooka wynik jest ogólnikowy, a model nie zna tolerancji ryzyka firmy. Wykrywanie sprzeczności wypada słabiej niż potwierdzanie zgodności. W badaniu, gdzie modele dorównały młodszym prawnikom, użyto tylko dziesięciu umów jednego typu, a autorem był dostawca oprogramowania.",
   "limits_en": "Without a well-written playbook the output is generic, and the model does not know the company's risk tolerance. Detecting contradictions works worse than confirming compliance. A study in which models matched junior lawyers used only ten contracts of one type and was written by a software vendor.",
   "terms": [
    {
     "gloss": "Firmowy spis preferowanych zapisów, ustępstw i punktów eskalacji.",
     "term": "playbook"
    },
    {
     "gloss": "Miejsce, w którym umowa różni się od firmowego wzoru.",
     "term": "odstępstwo"
    },
    {
     "gloss": "Ocena, czy tekst potwierdza twierdzenie, przeczy mu, czy go nie dotyczy.",
     "term": "NLI"
    }
   ],
   "terms_en": [
    {
     "gloss": "A company's list of preferred terms, concessions and escalation points.",
     "term": "playbook"
    },
    {
     "gloss": "A place where the contract differs from the company template.",
     "term": "deviation"
    },
    {
     "gloss": "Judging whether a text entails, contradicts or is neutral to a claim.",
     "term": "NLI"
    }
   ],
   "prereq": [
    "contractnli",
    "retrieval"
   ],
   "keywords": [
    "contract playbook",
    "deviation detection",
    "ContractNLI",
    "natural language inference",
    "clause library",
    "fallback positions",
    "RAG",
    "LLM contract review"
   ],
   "source_ids": [
    "martin-better-call-gpt-2024",
    "narendra-contract-comparison-2024",
    "mltaikins-playbooks-genai-2026"
   ],
   "url": "https://aiatlasgraph.com/t/playbookreview",
   "markdown_url": "https://aiatlasgraph.com/t/playbookreview.md",
   "updated": "2026-10-30"
  },
  "playermodeling": {
   "id": "playermodeling",
   "parent_id": "gameai",
   "label": "Modelowanie gracza",
   "canonical_name": "Player modelling",
   "aliases": [
    "player modeling",
    "player modelling",
    "modelowanie graczy",
    "player experience modeling",
    "game analytics",
    "analityka gier"
   ],
   "description": "Budowanie modeli obliczeniowych umiejętności, preferencji, emocji i zachowań graczy z danych rozgrywki, sygnałów fizjologicznych i kontekstu.",
   "description_en": "Building computational models of players' skill, preferences, emotions and behaviour from gameplay data, physiological signals and context.",
   "plain": "Odczytywanie z rozgrywki, jak dobrze ktoś gra, co go bawi, co frustruje i czy zaraz przestanie grać.",
   "plain_en": "Reading from gameplay how well someone plays, what they enjoy, what frustrates them and whether they are about to quit.",
   "solves": "Twórcy nie widzą twarzy graczy, więc nie wiedzą, gdzie ci się nudzą, utykają albo porzucają grę na zawsze.",
   "solves_en": "Developers cannot see players' faces, so they do not know where people get bored, stuck or quit for good.",
   "does": "Jak uważny gospodarz przyjęcia: po zachowaniu gości poznaje, komu się nudzi, i zmienia muzykę, zanim ktoś wyjdzie.",
   "does_en": "Like an attentive party host who reads guests' behaviour, notices who is bored and changes the music before anyone leaves.",
   "example": "Gra wyścigowa zauważa, że trzeci raz rozbijasz się w tym samym zakręcie, i podpowiada wcześniejsze hamowanie.",
   "example_en": "A racing game notices you crashing on the same bend for the third time and suggests braking earlier.",
   "for_you": [
    "tworzysz grę i chcesz wiedzieć, gdzie gracze odpadają",
    "ciekawi cię, co gra wie o twoim stylu"
   ],
   "for_you_en": [
    "make a game and want to know where players drop off",
    "wonder what a game knows about your play style"
   ],
   "how": "Model przyjmuje telemetrię rozgrywki, czasem obraz twarzy, puls lub ankiety, i przewiduje cechy gracza: poziom umiejętności, typ, zaangażowanie lub ryzyko odejścia. Stosuje się klasyfikację, regresję, grupowanie i modele sekwencyjne. Wynik zasila analitykę, dopasowanie trudności, dobór przeciwników i personalizację treści.",
   "how_en": "The model takes gameplay telemetry, sometimes face video, heart rate or surveys, and predicts player traits: skill, type, engagement or risk of quitting. Classification, regression, clustering and sequence models are used. The output feeds analytics, difficulty adjustment, matchmaking and content personalisation.",
   "limits": "Emocji nie widać wprost w danych, a etykiety z ankiet są szumne i subiektywne. Modele przenoszą się słabo między grami. Zbieranie danych o graczach rodzi pytania o prywatność i o manipulowanie nimi dla zysku.",
   "limits_en": "Emotions are not directly visible in data, and survey labels are noisy and subjective. Models transfer poorly between games. Collecting player data raises questions of privacy and of manipulating players for profit.",
   "terms": [
    {
     "gloss": "Automatycznie zapisywane zdarzenia z gry: ruchy, wybory, czasy.",
     "term": "telemetria"
    },
    {
     "gloss": "Dobieranie przeciwników o podobnych umiejętnościach.",
     "term": "matchmaking"
    },
    {
     "gloss": "Podział graczy na grupy według stylu i motywacji.",
     "term": "typologia graczy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Automatically logged game events: moves, choices, timings.",
     "term": "telemetry"
    },
    {
     "gloss": "Pairing opponents of similar skill.",
     "term": "matchmaking"
    },
    {
     "gloss": "Grouping players by play style and motivation.",
     "term": "player typology"
    }
   ],
   "prereq": [
    "supervised"
   ],
   "keywords": [
    "game analytics",
    "player experience modeling",
    "TrueSkill",
    "matchmaking",
    "player segmentation",
    "affective computing",
    "telemetry",
    "churn prediction",
    "flow theory"
   ],
   "source_ids": [
    "yannakakis-togelius-aigames-2025",
    "yannakakis-player-modeling-2013"
   ],
   "url": "https://aiatlasgraph.com/t/playermodeling",
   "markdown_url": "https://aiatlasgraph.com/t/playermodeling.md",
   "updated": "2026-10-30"
  },
  "playersegmentation": {
   "id": "playersegmentation",
   "parent_id": "playermodeling",
   "label": "Grupowanie graczy według stylu gry",
   "canonical_name": "Player segmentation by behavioural clustering",
   "aliases": [
    "player segmentation",
    "player clustering",
    "behavioral player clustering",
    "behavioural player clustering",
    "segmentacja graczy",
    "klasteryzacja graczy według zachowań"
   ],
   "description": "Nienadzorowane grupowanie telemetrii zachowań (k-średnie, analiza archetypów, faktoryzacja macierzy) w interpretowalne profile graczy dla projektu i analityki gry.",
   "description_en": "Unsupervised clustering of behavioural telemetry (k-means, archetypal analysis, matrix factorisation) into interpretable player profiles for game design and analytics.",
   "plain": "Analiza danych z gry dzieli graczy na kilka grup o podobnym stylu – np. odkrywców, kolekcjonerów i zawodników.",
   "plain_en": "Analysing game data splits players into a few groups with a similar style – say explorers, collectors and competitors.",
   "solves": "Twórcy widzą miliony graczy jako jedną średnią, więc zmiany w grze zadowalają jednych, a odstraszają innych.",
   "solves_en": "Developers see millions of players as one average, so game changes please some and drive others away.",
   "does": "Jak sortowanie zdjęć na kupki według podobieństwa: nikt nie podaje nazw grup, wyłaniają się one z samych danych.",
   "does_en": "Like sorting photos into piles by similarity: nobody names the groups in advance, they emerge from the data itself.",
   "example": "Studio odkrywa, że spora grupa graczy prawie nie walczy, tylko buduje domy, i dodaje dla nich nowe zadania budowlane.",
   "example_en": "A studio finds that a large group of players hardly fights and just builds houses, so it adds new building quests for them.",
   "for_you": [
    "analizujesz dane graczy w swojej grze lub aplikacji",
    "chcesz dopasować treści do różnych typów użytkowników",
    "uczysz się klasteryzacji na praktycznych danych"
   ],
   "for_you_en": [
    "analyse player data in your game or app",
    "want to tailor content to different user types",
    "learn clustering on practical data"
   ],
   "how": "Z telemetrii buduje się wektory cech, np. czas gry, tempo rozwoju postaci, udział walki i eksploracji. Algorytmy grupowania lub faktoryzacji dzielą graczy na kilka profili, a projektant nazywa je na podstawie cech centroidów lub archetypów. Analiza archetypów opisuje graczy jako mieszankę skrajnych, realnych przykładów, co bywa łatwiejsze do zrozumienia.",
   "how_en": "Feature vectors are built from telemetry, e.g. playtime, levelling speed, share of combat and exploration. Clustering or factorisation splits players into a few profiles, which the designer names from centroid or archetype features. Archetypal analysis describes players as mixtures of extreme, real examples, which is often easier to grasp.",
   "limits": "Nie ma obiektywnej liczby grup, a różne metody dzielą tych samych graczy zupełnie inaczej. Niektóre rozkłady dają profile niemożliwe w grze. Style graczy zmieniają się z czasem, więc segmentację trzeba odnawiać.",
   "limits_en": "There is no objective number of groups, and different methods split the same players very differently. Some factorisations yield profiles impossible in the game. Player styles change over time, so segmentation needs refreshing.",
   "terms": [
    {
     "gloss": "Środek grupy: przeciętny gracz danego typu.",
     "term": "centroid"
    },
    {
     "gloss": "Skrajny, rzeczywisty przykład stylu, z którego mieszanek opisuje się innych.",
     "term": "archetyp"
    }
   ],
   "terms_en": [
    {
     "gloss": "The centre of a group: the average player of that type.",
     "term": "centroid"
    },
    {
     "gloss": "An extreme, real style example used to describe others as mixtures.",
     "term": "archetype"
    }
   ],
   "prereq": [
    "clustering"
   ],
   "keywords": [
    "player clustering",
    "archetypal analysis",
    "k-means",
    "non-negative matrix factorization",
    "Bartle taxonomy",
    "game telemetry",
    "behavioral profiling"
   ],
   "source_ids": [
    "drachen-player-clustering-2014"
   ],
   "url": "https://aiatlasgraph.com/t/playersegmentation",
   "markdown_url": "https://aiatlasgraph.com/t/playersegmentation.md",
   "updated": "2026-10-30"
  },
  "plccodegen": {
   "id": "plccodegen",
   "parent_id": "industrialassistants",
   "label": "Generowanie kodu sterowników PLC z modelami językowymi",
   "canonical_name": "LLM-based PLC code generation (IEC 61131-3)",
   "aliases": [
    "PLC code generation",
    "LLM4PLC",
    "Agents4PLC",
    "Structured Text generation",
    "IEC 61131-3",
    "generowanie kodu PLC",
    "programowanie sterowników z AI"
   ],
   "description": "Generowanie programu sterownika (np. Structured Text wg IEC 61131-3) przez LLM w pętli z kompilatorem i weryfikacją formalną.",
   "description_en": "Generating controller programs (e.g. IEC 61131-3 Structured Text) with an LLM in a loop with a compiler and formal verification.",
   "plain": "Pisanie programów dla sterowników maszyn w fabryce z pomocą AI, która tworzy kod z opisu, a narzędzia sprawdzają go przed uruchomieniem.",
   "plain_en": "Writing programs for factory machine controllers with AI that drafts code from a description, while tools check it before it runs.",
   "solves": "Program sterownika steruje prawdziwymi siłownikami i taśmociągami, więc błąd w kodzie może zniszczyć maszynę, a specjalistów od tego języka brakuje.",
   "solves_en": "A controller program drives real actuators and conveyors, so a code bug can wreck a machine, and specialists in these languages are scarce.",
   "does": "Jak praktykant, który pisze szkic, a kierownik budowy i inspektor sprawdzają go po kolei i odsyłają z uwagami do poprawki.",
   "does_en": "Like an apprentice who drafts the plan while the site manager and an inspector check it in turn and send it back with notes.",
   "example": "Inżynier opisuje słowami sekwencję sortowania paczek na taśmie, dostaje gotowy kod sterownika, a kompilator i weryfikator wskazują, co jeszcze poprawić.",
   "example_en": "An engineer describes a parcel-sorting sequence on a conveyor in words, gets controller code, and the compiler and verifier point out what still needs fixing.",
   "for_you": [
    "programujesz sterowniki maszyn lub linii produkcyjnych",
    "chcesz przyspieszyć pisanie powtarzalnej logiki automatyki",
    "musisz udowodnić, że kod jest bezpieczny"
   ],
   "for_you_en": [
    "program controllers for machines or production lines",
    "want to speed up writing repetitive automation logic",
    "must prove that code is safe"
   ],
   "how": "Model pisze kod w języku sterowników, który następnie przechodzi kontrolę składni, kompilację i weryfikację modelową względem specyfikacji. Każdy błąd wraca do modelu jako wskazówka do poprawki, z człowiekiem w pętli. Otwarte modele doucza się lekkimi adapterami, bo języki sterowników są rzadkie w danych treningowych.",
   "how_en": "The model writes code in a controller language, which then goes through syntax checks, compilation and model checking against a specification. Each error is fed back to the model as a repair hint, with a human in the loop. Open models are fine-tuned with light adapters because controller languages are rare in training data.",
   "limits": "Ogólne modele często nie tworzą poprawnych programów sterowników bez tej pętli narzędzi. Weryfikacja formalna dowodzi tylko własności, które ktoś zapisał w specyfikacji. Dotychczasowe oceny obejmują głównie laboratoryjne stanowiska testowe.",
   "limits_en": "General models often fail to produce valid controller programs without this tool loop. Formal verification proves only the properties someone wrote into the specification. Evaluations so far cover mainly lab testbeds.",
   "terms": [
    {
     "gloss": "Przemysłowy komputer sterujący maszyną lub linią produkcyjną.",
     "term": "PLC"
    },
    {
     "gloss": "Tekstowy język programowania sterowników z normy IEC 61131-3.",
     "term": "Structured Text"
    },
    {
     "gloss": "Automatyczne sprawdzenie wszystkich stanów programu względem zapisanych reguł.",
     "term": "weryfikacja modelowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "An industrial computer controlling a machine or production line.",
     "term": "PLC"
    },
    {
     "gloss": "A text-based controller language from the IEC 61131-3 standard.",
     "term": "Structured Text"
    },
    {
     "gloss": "Automatically checking all program states against written rules.",
     "term": "model checking"
    }
   ],
   "prereq": [
    "aicoding"
   ],
   "keywords": [
    "IEC 61131-3",
    "Structured Text",
    "LLM4PLC",
    "Agents4PLC",
    "NuSMV",
    "compiler-in-the-loop",
    "LoRA",
    "CODESYS"
   ],
   "source_ids": [
    "fakih-llm4plc-2024"
   ],
   "url": "https://aiatlasgraph.com/t/plccodegen",
   "markdown_url": "https://aiatlasgraph.com/t/plccodegen.md",
   "updated": "2026-10-30"
  },
  "pointclouds": {
   "id": "pointclouds",
   "parent_id": "spatial",
   "label": "Chmury punktów i dane z LiDAR-u",
   "canonical_name": "Point clouds and LiDAR data",
   "aliases": [
    "point clouds",
    "point cloud processing",
    "LiDAR perception",
    "3D object detection",
    "chmury punktów",
    "przetwarzanie danych LiDAR",
    "detekcja obiektów 3D",
    "skan 3D"
   ],
   "description": "Metody uczenia maszynowego dla zbiorów punktów 3D z LiDAR-u lub skanerów. PointNet przetwarza punkty w sposób niewrażliwy na ich kolejność, natomiast inne podejścia grupują je w woksele lub pionowe „filary”; reprezentacje te służą do klasyfikacji, segmentacji i wykrywania obiektów 3D.",
   "description_en": "Machine-learning methods for sets of 3D points from LiDAR or scanners. PointNet processes points in a permutation-invariant way, while other approaches group them into voxels or vertical pillars; these representations support classification, segmentation and 3D object detection.",
   "examples": "LiDAR · PointNet · PointPillars · detekcja obiektów 3D · widok z lotu ptaka · KITTI",
   "examples_en": "LiDAR · PointNet · PointPillars · 3D object detection · bird's-eye view · KITTI",
   "plain": "To rozpoznawanie kształtów i obiektów w przestrzeni zapisanej jako zbiór zmierzonych punktów.",
   "plain_en": "This recognises shapes and objects in space recorded as a collection of measured points.",
   "solves": "Skaner daje chmurę rozsypanych punktów bez podpisów, a maszyna musi z niej rozpoznać pieszego, ścianę czy samochód.",
   "solves_en": "A scanner returns a cloud of scattered, unlabelled points, and a machine must find a pedestrian, a wall or a car in it.",
   "does": "Patrzy na układ sąsiednich punktów jak na gwiazdozbiory i rozpoznaje w nich znane kształty.",
   "does_en": "It reads the arrangement of neighbouring points like constellations and recognises familiar shapes in them.",
   "example": "Samochód z czujnikiem laserowym na dachu nocą zauważa rowerzystę, którego kamera prawie nie widzi.",
   "example_en": "A car with a laser sensor on its roof spots a cyclist at night whom the camera can barely see.",
   "for_you": [
    "pracujesz z dronami, skanerami lub autonomicznymi pojazdami",
    "mierzysz przestrzenny kształt budynków, terenu lub wnętrz",
    "ciekawi cię, jak auta bez kierowcy widzą drogę"
   ],
   "for_you_en": [
    "work with drones, scanners or autonomous vehicles",
    "measure the spatial shape of buildings, land or interiors",
    "wonder how driverless cars see the road"
   ],
   "how": "Punkty z cechami koduje się bez zależności od ich kolejności albo agreguje do wokseli i filarów. Lokalna geometria i pooling tworzą reprezentacje używane do klasyfikacji, segmentacji oraz detekcji przestrzennej.",
   "how_en": "Points with features are encoded independently of order or aggregated into voxels and pillars. Local geometry and pooling create representations for classification, segmentation and spatial detection.",
   "limits": "Gęstość i brakujące pomiary zależą od sensora oraz odległości. Kwantyzacja gubi szczegóły, a odporność na kolejność nie gwarantuje odporności na obrót lub zmianę skali.",
   "limits_en": "Density and missing measurements depend on sensors and distance. Quantisation loses detail, and order invariance does not guarantee rotation or scale invariance.",
   "terms": [
    {
     "gloss": "Komórka przestrzennej siatki zbierająca punkty z danego obszaru.",
     "term": "woksel"
    },
    {
     "gloss": "Agregacja punktów, której wynik nie zależy od ich kolejności.",
     "term": "pooling symetryczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A spatial grid cell aggregating points from a region.",
     "term": "voxel"
    },
    {
     "gloss": "Point aggregation whose result does not depend on point order.",
     "term": "symmetric pooling"
    }
   ],
   "prereq": [
    "linearalgebra",
    "neuralbasics"
   ],
   "keywords": [
    "LiDAR",
    "PointNet",
    "PointPillars",
    "CenterPoint",
    "voxelization",
    "bird's-eye view",
    "KITTI",
    "nuScenes",
    "3D object detection"
   ],
   "source_ids": [
    "hf-cv-course-3d-vision",
    "pointnet-2016",
    "pointpillars-2018",
    "nuscenes-2019",
    "centerpoint-2020"
   ],
   "url": "https://aiatlasgraph.com/t/pointclouds",
   "markdown_url": "https://aiatlasgraph.com/t/pointclouds.md",
   "updated": "2026-10-30"
  },
  "poisoning": {
   "id": "poisoning",
   "parent_id": "security",
   "label": "Zatruwanie danych i backdoory",
   "canonical_name": "Data poisoning and backdoors",
   "description": "Atak na dane treningowe: fałszywe informacje albo ukryty wyzwalacz, który zmienia zachowanie modelu.",
   "description_en": "Attacking the training data: false information or a hidden trigger that changes the model's behaviour.",
   "examples": "zatrute dane · backdoor z wyzwalaczem",
   "examples_en": "poisoned data · trigger-based backdoor",
   "plain": "To celowe psucie danych treningowych, żeby model nauczył się błędów lub ukrytej reakcji na wybrany sygnał.",
   "plain_en": "This deliberately corrupts training data to teach a model errors or a hidden response to a selected signal.",
   "solves": "Model może przejąć błędne zachowanie z danych, które wyglądają zwyczajnie i pochodzą z pozornie wiarygodnego źródła.",
   "solves_en": "A model can learn harmful behaviour from data that looks ordinary and comes from an apparently trustworthy source.",
   "does": "Zmienione przykłady wpływają na uczenie; ukryty wyzwalacz może ujawniać niepożądane zachowanie dopiero w szczególnej sytuacji.",
   "does_en": "Altered examples influence learning; a hidden trigger can reveal unwanted behaviour only in a particular situation.",
   "example": "W audycie danych odkrywasz zdjęcia, w których mały znak jest stale powiązany z błędną etykietą produktu.",
   "example_en": "In a data audit, you discover photos where a small mark is consistently associated with the wrong product label.",
   "for_you": [
    "trenujesz na danych z zewnętrznych źródeł",
    "model dziwnie reaguje na wybrany szczegół"
   ],
   "for_you_en": [
    "train on externally sourced data",
    "notice unusual reactions to a particular detail"
   ],
   "how": "Zmodyfikowane przykłady wpływają na gradienty i wyuczone zależności podczas treningu. Backdoor wiąże określony wyzwalacz z niepożądanym wynikiem, który może pozostawać niewidoczny w zwykłej ewaluacji bez tego warunku.",
   "how_en": "Modified examples influence gradients and learned dependencies during training. A backdoor links a trigger to an undesirable outcome that can remain invisible in ordinary evaluation without that condition.",
   "limits": "Podejrzane zachowanie może przypominać naturalny błąd lub korelację danych. Filtrowanie nie wykrywa wszystkich zmian; usunięcie przykładów po treningu nie usuwa automatycznie ich wpływu na wagi.",
   "limits_en": "Suspicious behaviour can resemble ordinary errors or data correlations. Filtering cannot detect every modification; removing examples after training does not automatically remove their weight influence.",
   "terms": [
    {
     "gloss": "Celowa zmiana danych uczących w celu wpłynięcia na zachowanie modelu.",
     "term": "zatrucie danych"
    },
    {
     "gloss": "Warunek wejścia uruchamiający ukryte, niepożądane zachowanie.",
     "term": "wyzwalacz backdoora"
    }
   ],
   "terms_en": [
    {
     "gloss": "Deliberately modifying training data to influence model behaviour.",
     "term": "data poisoning"
    },
    {
     "gloss": "An input condition activating hidden undesirable behaviour.",
     "term": "backdoor trigger"
    }
   ],
   "prereq": [
    "datavalidation",
    "supervised"
   ],
   "keywords": [
    "backdoor triggers",
    "training data contamination",
    "clean-label attacks",
    "targeted poisoning",
    "BadNets"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/poisoning",
   "markdown_url": "https://aiatlasgraph.com/t/poisoning.md",
   "updated": "2026-10-30"
  },
  "policygradient": {
   "id": "policygradient",
   "parent_id": "rlalgorithms",
   "label": "Gradient polityki (REINFORCE)",
   "canonical_name": "Policy gradient methods (REINFORCE)",
   "description": "Bezpośrednie poprawianie parametrów polityki w kierunku akcji, które dały wyższą nagrodę. Proste i ogólne, ale wymaga wielu prób.",
   "description_en": "Directly adjusting policy parameters towards actions that led to higher reward. Simple and general, but sample-hungry.",
   "examples": "REINFORCE · baseline · funkcja przewagi (advantage) · on-policy",
   "examples_en": "REINFORCE · baseline · advantage function · on-policy",
   "plain": "To poprawianie sposobu wybierania działań, żeby częściej prowadziły do lepszego wyniku.",
   "plain_en": "This improves how actions are chosen so they more often lead to better outcomes.",
   "solves": "Masz ocenę całej próby, ale potrzebujesz powiązać ją z wyborami, które program wykonał po drodze.",
   "solves_en": "You have a score for a whole trial but need to relate it to choices the program made along the way.",
   "does": "Zwiększa szanse wyborów powiązanych z lepszym wynikiem i zmniejsza szanse gorszych, aktualizując wyuczone ustawienia na podstawie prób.",
   "does_en": "It raises the chances of choices associated with better outcomes and lowers worse ones, updating learned settings from trials.",
   "example": "W symulatorze robot próbuje różnych ruchów ramienia, a udane przeniesienie przedmiotu wpływa na przyszłe wybieranie podobnych ruchów.",
   "example_en": "In a simulator, a robot tries different arm movements, and successfully moving an object influences future selection of similar actions.",
   "for_you": [
    "chcesz bezpośrednio uczyć sposób wybierania działań",
    "możesz przeprowadzać próby i oceniać ich wyniki"
   ],
   "for_you_en": [
    "want to learn action selection directly",
    "can run trials and score their outcomes"
   ],
   "how": "Gradient logarytmu prawdopodobieństwa wykonanych akcji waży się osiągniętym zwrotem lub przewagą. Uśrednianie po trajektoriach daje estymator zmiany parametrów zwiększającej oczekiwaną nagrodę.",
   "how_en": "The gradient of selected actions' log probabilities is weighted by return or advantage. Averaging over trajectories estimates parameter changes that increase expected reward.",
   "limits": "Estymator ma dużą wariancję, szczególnie przy długich trajektoriach. Potrzebne są liczne interakcje i redukcja wariancji; próbkowanie z innej polityki wymaga odpowiedniej korekty.",
   "limits_en": "The estimator has high variance, especially on long trajectories. Many interactions and variance reduction are needed; sampling from another policy requires suitable correction.",
   "terms": [
    {
     "gloss": "Ocena działania względem typowego wyniku dostępnego w danym stanie.",
     "term": "przewaga"
    },
    {
     "gloss": "Punkt odniesienia zmniejszający wariancję estymatora gradientu.",
     "term": "baseline"
    }
   ],
   "terms_en": [
    {
     "gloss": "An action's value relative to the typical outcome available in that state.",
     "term": "advantage"
    },
    {
     "gloss": "A reference value reducing gradient-estimator variance.",
     "term": "baseline"
    }
   ],
   "prereq": [
    "mdp",
    "calculus"
   ],
   "keywords": [
    "score-function estimator",
    "likelihood-ratio gradient",
    "reward baseline",
    "advantage estimation",
    "variance reduction"
   ],
   "source_ids": [
    "rl",
    "spinningup-rl-taxonomy",
    "hf-deep-rl-course"
   ],
   "url": "https://aiatlasgraph.com/t/policygradient",
   "markdown_url": "https://aiatlasgraph.com/t/policygradient.md",
   "updated": "2026-10-30"
  },
  "pomdp": {
   "id": "pomdp",
   "parent_id": "rlbasics",
   "label": "Częściowa obserwowalność (POMDP)",
   "canonical_name": "Partially observable MDPs (POMDP)",
   "aliases": [
    "POMDP",
    "partial observability",
    "partially observable Markov decision process",
    "częściowo obserwowalny proces decyzyjny Markowa",
    "belief state",
    "stan przekonań"
   ],
   "description": "Podejmowanie decyzji, gdy obserwacja nie ujawnia pełnego stanu świata, więc agent musi łączyć informacje z historii, np. przez stan przekonań lub pamięć sieci.",
   "description_en": "Decision-making when observations do not reveal the full state of the world, so the agent must combine information over time, e.g. through a belief state or network memory.",
   "examples": "stan przekonań · filtr Bayesa · polityki z pamięcią rekurencyjną · stos ostatnich klatek",
   "examples_en": "belief state · Bayes filter · recurrent-memory policies · frame stacking",
   "plain": "To podejmowanie decyzji, gdy widzisz tylko część sytuacji i musisz się domyślać reszty.",
   "plain_en": "This is making decisions when you see only part of the situation and have to infer the rest.",
   "solves": "To, co widzisz w danej chwili, nie wystarcza, by wiedzieć, gdzie naprawdę jesteś i co się stanie.",
   "solves_en": "What you see at a given moment is not enough to know where you really are or what will happen next.",
   "does": "Jak w ciemnym pokoju: zapamiętujesz, czego już dotknąłeś, i z tych wskazówek budujesz przypuszczenie, gdzie stoisz.",
   "does_en": "Like in a dark room: you remember what you have already touched and build a guess of where you stand from those clues.",
   "example": "Pies szukający piłki za kanapą pamięta, gdzie ją ostatnio widział, chociaż teraz jej nie widzi.",
   "example_en": "A dog looking for a ball behind the sofa remembers where it last saw it, even though it cannot see it now.",
   "for_you": [
    "Twój system ma zaszumione lub niepełne czujniki",
    "program musi pamiętać przeszłość, by dobrze działać",
    "projektujesz zadanie i decydujesz, co ma widzieć agent"
   ],
   "for_you_en": [
    "your system has noisy or incomplete sensors",
    "your software must remember the past to act well",
    "are designing a task and deciding what the agent should observe"
   ],
   "how": "Agent nie widzi stanu, tylko obserwację zależną od wykonanej akcji i stanu, do którego trafił. Decyzje opiera się na stanie przekonań: rozkładzie prawdopodobieństwa nad stanami, który estymator stanu aktualizuje regułą Bayesa z poprzedniego przekonania, akcji i obserwacji; jest on wystarczającą statystyką historii, więc POMDP można zapisać jako ciągły proces decyzyjny nad przekonaniami. W głębokim RL zamiast jawnego przekonania używa się pamięci, np. warstwy rekurencyjnej zamiast stosu ostatnich klatek.",
   "how_en": "The agent does not see the state, only an observation that depends on the action taken and the state it landed in. Decisions rest on the belief state: a probability distribution over states that a state estimator updates with Bayes' rule from the previous belief, action and observation; it is a sufficient statistic of the history, so a POMDP can be recast as a continuous decision process over beliefs. Deep RL replaces the explicit belief with memory, e.g. a recurrent layer instead of a stack of recent frames.",
   "limits": "Dokładne rozwiązywanie POMDP jest obliczeniowo bardzo trudne: autorzy klasycznej pracy z 1998 r. podają, że nawet ich algorytm przestaje być praktyczny już przy kilkunastu stanach i obserwacjach. Wymaga też poprawnego modelu przejść i obserwacji. Pamięć uczona siecią nie gwarantuje zachowania istotnych informacji, a według autorów DRQN rekurencja przy tej samej długości historii nie daje systematycznej przewagi nad stosem klatek.",
   "limits_en": "Exact POMDP solving is computationally very hard: the authors of the classic 1998 paper report that even their algorithm becomes impractical at around fifteen states and observations. It also needs a correct transition and observation model. Network memory does not guarantee that relevant information is kept, and the DRQN authors report that, for the same history length, recurrence gives no systematic advantage over frame stacking.",
   "terms": [
    {
     "gloss": "Rozkład prawdopodobieństwa nad możliwymi ukrytymi stanami.",
     "term": "stan przekonań"
    },
    {
     "gloss": "Częściowa, czasem zaszumiona informacja o stanie, którą dostaje agent.",
     "term": "obserwacja"
    },
    {
     "gloss": "Polityka z wewnętrzną pamięcią przenoszoną między krokami.",
     "term": "polityka rekurencyjna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A probability distribution over possible hidden states.",
     "term": "belief state"
    },
    {
     "gloss": "Partial, sometimes noisy information about the state that the agent receives.",
     "term": "observation"
    },
    {
     "gloss": "A policy with internal memory carried across steps.",
     "term": "recurrent policy"
    }
   ],
   "prereq": [
    "mdp",
    "bayesinference"
   ],
   "keywords": [
    "belief state",
    "Bayes filter",
    "DRQN",
    "recurrent policies",
    "frame stacking",
    "point-based value iteration",
    "history-dependent policies"
   ],
   "source_ids": [
    "drqn-2015",
    "kaelbling-pomdp-1998"
   ],
   "url": "https://aiatlasgraph.com/t/pomdp",
   "markdown_url": "https://aiatlasgraph.com/t/pomdp.md",
   "updated": "2026-10-30"
  },
  "poseestimation": {
   "id": "poseestimation",
   "parent_id": "visionnode",
   "label": "Estymacja pozy i punktów kluczowych",
   "canonical_name": "Pose and keypoint estimation",
   "description": "Wykrywanie punktów charakterystycznych (stawy, dłonie, twarz) i szkieletu postaci w 2D lub 3D — podstawa analizy ruchu, sportu i sterowania gestem.",
   "description_en": "Detecting keypoints (joints, hands, face) and body skeletons in 2D or 3D — the basis of motion analysis, sports and gesture control.",
   "examples": "szkielet 2D/3D · OpenPose · ViTPose",
   "examples_en": "2D/3D skeleton · OpenPose · ViTPose",
   "plain": "To znajdowanie punktów ciała na obrazie, żeby opisać jego ułożenie i ruch.",
   "plain_en": "This locates body landmarks in images to describe posture and movement.",
   "solves": "Sam prostokąt wokół człowieka nie pokazuje, czy podniósł rękę, zgiął kolano lub odwrócił głowę.",
   "solves_en": "A box around a person does not show whether they raised a hand, bent a knee or turned their head.",
   "does": "Model zaznacza punkty takie jak łokcie i kolana, a ich układ tworzy uproszczony szkielet postaci.",
   "does_en": "A model marks points such as elbows and knees, whose arrangement forms a simplified body skeleton.",
   "example": "Podczas ćwiczenia przed kamerą aplikacja pokazuje, że twoje ramię jest niżej niż w pokazanym ruchu.",
   "example_en": "While you exercise before a camera, an app shows your arm is lower than in the demonstrated movement.",
   "for_you": [
    "analizujesz ruch na nagraniach",
    "chcesz sterować programem gestami"
   ],
   "for_you_en": [
    "analyse movement in recordings",
    "want to control software with gestures"
   ],
   "how": "Model przewiduje położenia punktów kluczowych przez mapy prawdopodobieństwa lub regresję współrzędnych. Powiązania anatomiczne i geometryczne łączą punkty w szkielet, czasem rekonstruowany w przestrzeni z obserwacji obrazu.",
   "how_en": "The model predicts keypoint locations through probability maps or coordinate regression. Anatomical and geometric relationships connect points into a skeleton, sometimes reconstructed spatially from image observations.",
   "limits": "Zasłonięcie i nietypowe pozy zwiększają niejednoznaczność. Rekonstrukcja przestrzenna z obrazu wymaga założeń o kamerze i geometrii; punkt kluczowy nie jest pełnym modelem ciała.",
   "limits_en": "Occlusion and unusual poses increase ambiguity. Spatial reconstruction from images requires camera and geometry assumptions; keypoints do not form a complete body model.",
   "terms": [
    {
     "gloss": "Punkt charakterystyczny, taki jak staw, wyznaczający strukturę obiektu.",
     "term": "keypoint"
    },
    {
     "gloss": "Mapa ocen lokalizacji wskazująca prawdopodobne położenie punktu.",
     "term": "heatmap"
    }
   ],
   "terms_en": [
    {
     "gloss": "A distinctive point, such as a joint, defining object structure.",
     "term": "keypoint"
    },
    {
     "gloss": "A location-score map indicating likely point positions.",
     "term": "heatmap"
    }
   ],
   "prereq": [
    "objectdetection",
    "linearalgebra"
   ],
   "keywords": [
    "OpenPose",
    "ViTPose",
    "keypoint heatmaps",
    "2D pose",
    "3D pose",
    "COCO keypoints"
   ],
   "source_ids": [
    "ultralytics-tasks",
    "zheng-hpe-survey"
   ],
   "url": "https://aiatlasgraph.com/t/poseestimation",
   "markdown_url": "https://aiatlasgraph.com/t/poseestimation.md",
   "updated": "2026-10-30"
  },
  "posencoding": {
   "id": "posencoding",
   "parent_id": "transformers",
   "label": "Kodowanie pozycji (sinusoidalne, RoPE)",
   "canonical_name": "Positional encoding (sinusoidal, RoPE)",
   "aliases": [
    "positional encoding",
    "position embedding",
    "kodowanie pozycji",
    "RoPE",
    "rotary position embedding",
    "NoPE",
    "sinusoidal positional encoding"
   ],
   "description": "Sposób przekazania modelowi informacji o kolejności tokenów, której sama operacja uwagi nie koduje. Oryginalny Transformer dodawał wektory sinusoidalne; wiele współczesnych LLM używa RoPE, które obraca zapytania i klucze zależnie od pozycji. Przy wydłużaniu kontekstu RoPE bywa dodatkowo skalowane lub interpolowane; niektóre architektury część warstw pozostawiają bez jawnego kodowania pozycji.",
   "description_en": "A way to provide token-order information that the attention operation alone does not encode. The original Transformer added sinusoidal vectors; many contemporary LLMs use RoPE, which rotates queries and keys according to position. For context extension RoPE is often additionally scaled or interpolated; some architectures leave part of their layers without explicit positional encoding.",
   "examples": "kodowanie sinusoidalne · wyuczone pozycje · RoPE · NoPE / częściowy RoPE",
   "examples_en": "sinusoidal encoding · learned positions · RoPE · NoPE / partial RoPE",
   "plain": "To przekazywanie modelowi informacji, gdzie w ciągu danych znajduje się każdy fragment.",
   "plain_en": "This tells a model where each element appears in a sequence.",
   "solves": "Te same słowa w innej kolejności mogą znaczyć coś innego, a sam mechanizm uwagi nie zapisuje ich położenia.",
   "solves_en": "The same words in another order can mean something different, while attention alone does not encode their positions.",
   "does": "Do zapisów fragmentów dodaje się informacje o miejscu albo zmienia porównania między nimi zgodnie z ich położeniem.",
   "does_en": "Position information is added to element representations, or comparisons between them are adjusted according to their locations.",
   "example": "Model ma odróżnić zdanie o psie goniącym kota od zdania o kocie goniącym psa.",
   "example_en": "A model needs to distinguish a dog chasing a cat from a cat chasing a dog.",
   "for_you": [
    "znaczenie zależy od kolejności danych",
    "wydłużasz tekst obsługiwany przez model"
   ],
   "for_you_en": [
    "work with data whose order affects meaning",
    "extend the text length a model handles"
   ],
   "how": "Informację o pozycji wprowadza się przez dodawane reprezentacje lub przekształcenie zapytań i kluczy. W kodowaniu rotacyjnym obroty zależne od indeksu powodują, że iloczyn skalarny uwzględnia względne odległości pozycji.",
   "how_en": "Position information enters through added representations or transformed queries and keys. Rotary encoding applies index-dependent rotations so dot products incorporate relative position distances.",
   "limits": "Pozycje spoza zakresu treningowego mogą dawać nietrafne relacje. Skalowanie lub interpolacja zmieniają geometrię kodowania; samo wydłużenie limitu wejścia nie gwarantuje użytecznego długiego kontekstu.",
   "limits_en": "Positions outside the training range can produce unsuitable relationships. Scaling or interpolation alters encoding geometry; increasing input limits alone does not guarantee useful long context.",
   "terms": [
    {
     "gloss": "Odległość pomiędzy elementami sekwencji zamiast ich bezwzględnych indeksów.",
     "term": "pozycja względna"
    },
    {
     "gloss": "Kodowanie pozycji przez obroty wektorów zapytań i kluczy.",
     "term": "RoPE"
    }
   ],
   "terms_en": [
    {
     "gloss": "The distance between sequence elements rather than their absolute indices.",
     "term": "relative position"
    },
    {
     "gloss": "Encoding positions through rotations of query and key vectors.",
     "term": "RoPE"
    }
   ],
   "prereq": [
    "linearalgebra"
   ],
   "keywords": [
    "sinusoidal encoding",
    "learned position embeddings",
    "RoPE",
    "NoPE",
    "partial RoPE",
    "relative positions"
   ],
   "source_ids": [
    "vaswani-attention-2017",
    "rope-2021",
    "raschka-llm-arch-comparison"
   ],
   "url": "https://aiatlasgraph.com/t/posencoding",
   "markdown_url": "https://aiatlasgraph.com/t/posencoding.md",
   "updated": "2026-10-30"
  },
  "postdeploymonitoring": {
   "id": "postdeploymonitoring",
   "parent_id": "clinicalvalidation",
   "label": "Nadzór nad modelem po wdrożeniu w szpitalu",
   "canonical_name": "Post-deployment monitoring of clinical AI",
   "aliases": [
    "post-market surveillance AI",
    "clinical AI monitoring",
    "model drift in healthcare",
    "monitorowanie AI w szpitalu",
    "algorithmovigilance"
   ],
   "description": "Ciągła kontrola danych wejściowych, wyników i skuteczności klinicznego modelu po wdrożeniu, z wykrywaniem dryfu, analizą podgrup i procedurą reakcji.",
   "description_en": "Continuous checking of a clinical model's inputs, outputs and performance after deployment, with drift detection, subgroup analysis and a response procedure.",
   "plain": "Stałe sprawdzanie, czy medyczny program AI działa równie dobrze po miesiącach używania, jak w dniu wdrożenia.",
   "plain_en": "Ongoing checks that a medical AI tool works as well months into use as on the day it was switched on.",
   "solves": "Szpital zmienia aparaty, procedury i pacjentów, a model po cichu traci trafność i nikt tego nie zauważa.",
   "solves_en": "Hospitals change scanners, procedures and patient mix, and a model quietly loses accuracy without anyone noticing.",
   "does": "Jak okresowy przegląd samochodu: regularne pomiary wyłapują zużycie, zanim dojdzie do awarii.",
   "does_en": "Like a regular car inspection: periodic measurements catch wear before something breaks.",
   "example": "Po wymianie tomografu dashboard pokazuje, że wyniki modelu przesunęły się, więc zespół wstrzymuje alerty i sprawdza przypadki ręcznie.",
   "example_en": "After a CT scanner is replaced, a dashboard shows the model's scores have shifted, so the team pauses alerts and checks cases by hand.",
   "for_you": [
    "odpowiadasz za wdrożone narzędzie AI w placówce",
    "zastanawiasz się, kto pilnuje AI po zakupie"
   ],
   "for_you_en": [
    "are responsible for an AI tool in a clinic",
    "wonder who watches AI after purchase"
   ],
   "how": "Monitorowanie ma dwie warstwy: wykrywanie przesunięcia danych bez etykiet (testy dwupróbkowe, np. MMD, na rozkładach wejść i wyników) oraz pomiar skuteczności, gdy napłyną prawdziwe rozpoznania. Progi alarmowe, analiza podgrup i plan zmian (np. PCCP) określają, kiedy model wstrzymać, przeuczyć lub wycofać.",
   "how_en": "Monitoring has two layers: label-free data-shift detection (two-sample tests, e.g. MMD, on input and output distributions) and performance measurement once ground truth arrives. Alert thresholds, subgroup analysis and a change plan (e.g. PCCP) define when to pause, retrain or withdraw.",
   "limits": "Prawdziwe etykiety przychodzą z opóźnieniem albo wcale, a sam model zmienia decyzje lekarzy, zaburzając pomiar. Według cytowanego przeglądu tylko niewielka część zarejestrowanych narzędzi ma plan nadzoru po wdrożeniu. Średnie metryki mogą ukrywać pogorszenie w podgrupach.",
   "limits_en": "Ground-truth labels arrive late or never, and the model itself changes clinicians' decisions, distorting measurement. According to a cited review, only a small share of registered tools have a post-deployment plan. Averages can hide subgroup degradation.",
   "terms": [
    {
     "gloss": "Zmiana rodzaju danych trafiających do modelu względem treningu.",
     "term": "dryf danych"
    },
    {
     "gloss": "Brak szybkiej informacji, czy model miał rację.",
     "term": "problem dostępności etykiet"
    },
    {
     "gloss": "Obowiązek producenta śledzenia działania wyrobu w praktyce.",
     "term": "nadzór po wprowadzeniu do obrotu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Change in the data reaching the model compared with training.",
     "term": "data drift"
    },
    {
     "gloss": "No quick way to know whether the model was right.",
     "term": "label availability problem"
    },
    {
     "gloss": "Maker's duty to track how a device performs in use.",
     "term": "post-market surveillance"
    }
   ],
   "prereq": [
    "driftdetection"
   ],
   "keywords": [
    "dataset shift",
    "maximum mean discrepancy",
    "post-market surveillance",
    "PCCP",
    "subgroup monitoring",
    "performance drift",
    "algorithmovigilance",
    "control charts"
   ],
   "source_ids": [
    "postdeploy-monitoring-2025"
   ],
   "url": "https://aiatlasgraph.com/t/postdeploymonitoring",
   "markdown_url": "https://aiatlasgraph.com/t/postdeploymonitoring.md",
   "updated": "2026-10-30"
  },
  "posttraining": {
   "id": "posttraining",
   "parent_id": "training",
   "label": "Post-training",
   "canonical_name": "Post-training",
   "description": "Dostosowanie wcześniej wytrenowanego modelu do oczekiwanego zachowania.",
   "description_en": "Shaping a pretrained model toward the behaviour you want.",
   "examples": "Instruction tuning · preferencje · reasoning",
   "examples_en": "Instruction tuning · preferences · reasoning",
   "plain": "To dostosowywanie już wyuczonego modelu do oczekiwanego sposobu odpowiadania i wykonywania zadań.",
   "plain_en": "This adapts an already pretrained model to the desired way of responding and completing tasks.",
   "solves": "Model zna wzory języka, ale niekoniecznie potrafi prowadzić rozmowę, wykonywać instrukcje lub odpowiadać zgodnie z twoimi wymaganiami.",
   "solves_en": "A model knows language patterns but may not converse, follow instructions or respond according to your requirements.",
   "does": "Przykłady rozmów, preferowane odpowiedzi i nagrody pomagają zmienić zachowanie, a zgodny format wejścia pozwala wykorzystać to podczas działania.",
   "does_en": "Conversation examples, preferred responses and rewards shape behaviour, while matching input formats lets the application use it during operation.",
   "example": "Dostosowujesz model do krótkich odpowiedzi z prośbą o doprecyzowanie, gdy klient nie poda potrzebnych danych.",
   "example_en": "You adapt a model to give brief responses and request clarification when a customer omits necessary details.",
   "for_you": [
    "model bazowy nie odpowiada w potrzebny sposób",
    "masz przykłady lub oceny właściwego zachowania"
   ],
   "for_you_en": [
    "find a base model responds in the wrong way",
    "have examples or evaluations of desired behaviour"
   ],
   "how": "Model bazowy adaptuje się przez demonstracje, porównania odpowiedzi lub nagrody za generowane wyniki. Cele i mieszanki danych zmieniają zachowanie, a testy sprawdzają zgodność z instrukcjami oraz zachowanie wcześniejszych zdolności.",
   "how_en": "A base model is adapted through demonstrations, response comparisons or rewards for generated outputs. Objectives and data mixtures change behaviour, while tests assess instruction following and retention of earlier capabilities.",
   "limits": "Nadzór może premiować pozorną poprawność lub styl zamiast jakości zadania. Wąska adaptacja osłabia inne zdolności; ocena musi obejmować nowe zachowanie i wcześniejsze zastosowania.",
   "limits_en": "Supervision can reward apparent correctness or style over task quality. Narrow adaptation can weaken other capabilities; evaluation must cover both new behaviour and earlier applications.",
   "terms": [
    {
     "gloss": "Przykład oczekiwanego zachowania używany jako cel treningowy.",
     "term": "demonstracja"
    },
    {
     "gloss": "Informacja, która odpowiedź jest lepsza według wybranego kryterium.",
     "term": "sygnał preferencji"
    }
   ],
   "terms_en": [
    {
     "gloss": "An example of desired behaviour used as a training target.",
     "term": "demonstration"
    },
    {
     "gloss": "Information identifying the better response under a chosen criterion.",
     "term": "preference signal"
    }
   ],
   "prereq": [
    "pretraining",
    "evalsets"
   ],
   "keywords": [
    "instruction tuning",
    "SFT",
    "RLHF",
    "DPO",
    "GRPO",
    "preference data",
    "verifiable rewards",
    "chat templates",
    "response masking",
    "rejection sampling"
   ],
   "courses": [
    {
     "title": "Post-training of LLMs",
     "url": "https://www.deeplearning.ai/courses/post-training-of-llms"
    },
    {
     "title": "Fine-tuning & RL for LLMs: Intro to Post-training",
     "url": "https://www.deeplearning.ai/courses/fine-tuning-and-reinforcement-learning-for-llms-intro-to-post-training"
    }
   ],
   "source_ids": [
    "cs336",
    "rl",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/posttraining",
   "markdown_url": "https://aiatlasgraph.com/t/posttraining.md",
   "updated": "2026-10-30"
  },
  "povertymapping": {
   "id": "povertymapping",
   "parent_id": "eoapps",
   "label": "Szacowanie zamożności i warunków życia ze zdjęć satelitarnych",
   "canonical_name": "Poverty and socioeconomic mapping from satellite imagery",
   "aliases": [
    "poverty prediction from satellite imagery",
    "socioeconomic mapping",
    "wealth index estimation",
    "mapowanie ubóstwa"
   ],
   "description": "Regresja wskaźników zamożności i ubóstwa z obrazów dziennych i nocnych, kalibrowana na ankietach gospodarstw domowych.",
   "description_en": "Regressing wealth and poverty indicators from daytime and night-time imagery, calibrated on household surveys.",
   "plain": "Przewidywanie, jak zamożne są wioski i dzielnice, na podstawie tego, jak wyglądają z kosmosu w dzień i w nocy.",
   "plain_en": "Predicting how well-off villages and neighbourhoods are from how they look from space by day and by night.",
   "solves": "W wielu krajach ankiety o dochodach robi się rzadko i w nielicznych miejscach, więc pomoc trafia na ślepo.",
   "solves_en": "In many countries income surveys are rare and cover few places, so aid is sent almost blindly.",
   "does": "Dachy z blachy, drogi, pola i światła w nocy to wskazówki; model uczy się, które idą w parze z zamożnością tam, gdzie zrobiono ankiety.",
   "does_en": "Metal roofs, roads, fields and night lights are clues; the model learns which go with wealth in places where surveys were done.",
   "example": "Rząd wybiera wsie do programu wsparcia na podstawie mapy zamożności, bo ostatni spis był dziesięć lat temu.",
   "example_en": "A government picks villages for a support programme from a wealth map, because the last census was ten years ago.",
   "for_you": [
    "planujesz pomoc lub inwestycje w regionach bez dobrych statystyk",
    "badasz nierówności społeczne"
   ],
   "for_you_en": [
    "plan aid or investment in regions lacking good statistics",
    "study social inequality"
   ],
   "how": "Sieć konwolucyjną uczy się najpierw przewidywać jasność świateł nocnych ze zdjęć dziennych, przez co jej cechy oddają rozwój infrastruktury. Na tych cechach prosty model regresji przewiduje indeks zamożności z ankiet w nielicznych lokalizacjach, a potem stosuje się go do całego kraju.",
   "how_en": "A convolutional network is first trained to predict night-light brightness from daytime images, so its features capture infrastructure development. On those features a simple regression predicts the survey wealth index at a few locations, then is applied across the whole country.",
   "limits": "Etykiet z ankiet jest bardzo mało, a ich współrzędne celowo się zaburza dla prywatności. Model gorzej odróżnia stopnie skrajnej biedy niż zamożności. Wyniki mogą utrwalać błędy, jeśli decyzje opiera się tylko na mapie.",
   "limits_en": "Survey labels are very scarce, and their coordinates are deliberately jittered for privacy. The model separates degrees of extreme poverty less well than degrees of wealth. Outputs can entrench errors if decisions rely on the map alone.",
   "terms": [
    {
     "gloss": "jasność oświetlenia widziana z satelity w nocy",
     "term": "night lights"
    },
    {
     "gloss": "liczba z ankiety opisująca, co posiada gospodarstwo domowe",
     "term": "wealth index"
    },
    {
     "gloss": "użycie modelu wyuczonego na jednym zadaniu do innego",
     "term": "transfer learning"
    }
   ],
   "terms_en": [
    {
     "gloss": "brightness of lighting seen by satellite at night",
     "term": "night lights"
    },
    {
     "gloss": "survey number describing what a household owns",
     "term": "wealth index"
    },
    {
     "gloss": "reusing a model trained on one task for another",
     "term": "transfer learning"
    }
   ],
   "prereq": [
    "cnnarchs",
    "linearmodels"
   ],
   "keywords": [
    "DHS surveys",
    "VIIRS night lights",
    "SustainBench",
    "transfer learning",
    "asset wealth index",
    "Relative Wealth Index",
    "KidSat"
   ],
   "source_ids": [
    "jean-poverty-2016-news"
   ],
   "url": "https://aiatlasgraph.com/t/povertymapping",
   "markdown_url": "https://aiatlasgraph.com/t/povertymapping.md",
   "updated": "2026-10-30"
  },
  "ppo": {
   "id": "ppo",
   "parent_id": "rlalgorithms",
   "label": "Proximal Policy Optimization (PPO)",
   "canonical_name": "Proximal policy optimization (PPO)",
   "description": "Metoda gradientu polityki wykorzystująca zastępczą funkcję celu, zaprojektowaną tak, by ograniczać zbyt duże zmiany polityki podczas aktualizacji. Szeroko stosowana w symulacjach, robotyce i części systemów RLHF.",
   "description_en": "A policy-gradient method using a surrogate objective designed to constrain overly large policy changes during updates. Widely used in simulation, robotics and some RLHF systems.",
   "examples": "Clipped objective · GAE · wiele epok na jednej porcji danych",
   "examples_en": "Clipped objective · GAE · multiple epochs per batch",
   "plain": "To uczenie lepszych wyborów z ograniczaniem zbyt dużych zmian w sposobie działania programu.",
   "plain_en": "This learns better choices while limiting overly large changes to how a program acts.",
   "solves": "Gwałtowna zmiana po udanych próbach może popsuć wyuczone zachowanie i utrudnić dalszą naukę.",
   "solves_en": "A large change after successful trials may disrupt learned behaviour and make further learning harder.",
   "does": "Poprawia szanse wyboru działań według ich ocen, ograniczając zachętę do aktualizacji, które za mocno zmieniają dotychczasowe prawdopodobieństwa.",
   "does_en": "It improves action probabilities using outcome assessments while limiting incentives for updates that change the previous probabilities too much.",
   "example": "Robot ćwiczy chód w symulatorze, a kolejne poprawki jego wyborów są ograniczane, żeby nie przebudować zachowania naraz.",
   "example_en": "A robot practises walking in a simulator, with successive choice updates constrained to avoid changing the behaviour too abruptly.",
   "for_you": [
    "nauka zachowania bywa niestabilna po dużych zmianach",
    "chcesz poprawiać strategię na podstawie kolejnych prób"
   ],
   "for_you_en": [
    "find behavioural learning unstable after large changes",
    "want to improve a strategy using successive trials"
   ],
   "how": "Cel zastępczy waży przewagi ilorazem prawdopodobieństw akcji pod nową i poprzednią polityką. Przycinanie tego ilorazu ogranicza zachętę do dużych zmian podczas kolejnych aktualizacji na zebranej partii.",
   "how_en": "A surrogate objective weights advantages by action-probability ratios under new and previous policies. Clipping this ratio limits incentives for large changes during repeated updates on a collected batch.",
   "limits": "Przycięcie celu nie gwarantuje ścisłej granicy zmiany całej polityki. Metoda wymaga świeżych interakcji, a jakość zależy od estymacji przewagi i ustawień optymalizacji.",
   "limits_en": "Objective clipping does not guarantee a strict bound on overall policy change. The method needs fresh interactions, and quality depends on advantage estimates and optimisation settings.",
   "terms": [
    {
     "gloss": "Funkcja optymalizowana jako praktyczne przybliżenie właściwego celu uczenia.",
     "term": "cel zastępczy"
    },
    {
     "gloss": "Ograniczanie wartości użytej w celu, osłabiające wpływ zbyt dużych zmian.",
     "term": "clipping"
    }
   ],
   "terms_en": [
    {
     "gloss": "A function optimised as a practical approximation of the learning objective.",
     "term": "surrogate objective"
    },
    {
     "gloss": "Bounding a value used in the objective to weaken excessive changes.",
     "term": "clipping"
    }
   ],
   "prereq": [
    "policygradient",
    "actorcritic"
   ],
   "keywords": [
    "clipped surrogate objective",
    "Generalized Advantage Estimation",
    "importance ratios",
    "KL penalty",
    "minibatch updates"
   ],
   "source_ids": [
    "rl",
    "spinningup-rl-taxonomy",
    "hf-deep-rl-course",
    "ppo-2017"
   ],
   "url": "https://aiatlasgraph.com/t/ppo",
   "markdown_url": "https://aiatlasgraph.com/t/ppo.md",
   "updated": "2026-10-30"
  },
  "predictivemaint": {
   "id": "predictivemaint",
   "parent_id": "industrialai",
   "label": "Utrzymanie predykcyjne maszyn",
   "canonical_name": "Predictive maintenance and prognostics (PHM)",
   "aliases": [
    "predictive maintenance",
    "PdM",
    "prognostics and health management",
    "PHM",
    "condition monitoring",
    "konserwacja predykcyjna",
    "predykcyjne utrzymanie ruchu",
    "monitorowanie stanu maszyn"
   ],
   "description": "Monitorowanie stanu urządzeń z danych czujnikowych w celu wykrycia, zdiagnozowania i prognozowania uszkodzeń oraz zaplanowania obsługi przed awarią.",
   "description_en": "Monitoring equipment condition from sensor data to detect, diagnose and forecast faults and schedule maintenance before failure.",
   "plain": "Przewidywanie, kiedy maszyna się zepsuje, na podstawie jej drgań, temperatury i innych pomiarów, żeby naprawić ją we właściwym momencie.",
   "plain_en": "Predicting when a machine will break from its vibration, temperature and other readings, so it can be repaired at the right moment.",
   "solves": "Naprawy według kalendarza marnują dobre części, a czekanie na awarię kończy się nagłym przestojem całej linii i drogą naprawą.",
   "solves_en": "Repairs by the calendar waste good parts, while waiting for a breakdown ends in a sudden stop of the whole line and a costly fix.",
   "does": "Jak lekarz, który regularnie bada pacjenta i z wyników widzi chorobę, zanim pojawią się objawy, zamiast leczyć dopiero na ostrym dyżurze.",
   "does_en": "Like a doctor who checks a patient regularly and spots illness in the results before symptoms appear, instead of treating it in the emergency room.",
   "example": "Pompa w oczyszczalni ścieków zaczyna drgać inaczej niż zwykle; system zgłasza to z wyprzedzeniem i mechanik wymienia łożysko podczas planowanej przerwy.",
   "example_en": "A pump at a sewage plant starts vibrating differently; the system flags it early and a mechanic replaces the bearing during a planned stop.",
   "for_you": [
    "odpowiadasz za maszyny, których awaria zatrzymuje produkcję",
    "planujesz przeglądy i zamawiasz części zamienne",
    "zbierasz dane z czujników i nie wiesz, co z nimi zrobić"
   ],
   "for_you_en": [
    "look after machines whose failure stops production",
    "plan inspections and order spare parts",
    "collect sensor data and do not know what to do with it"
   ],
   "how": "Proces ma trzy etapy: wykrycie odchylenia od normalnej pracy, diagnoza rodzaju uszkodzenia i prognoza czasu do awarii. Stosuje się wykrywanie anomalii, klasyfikatory uszkodzeń i regresję pozostałego czasu życia na szeregach czasowych z czujników. Prognoza zasila planowanie przeglądów i zamówień części.",
   "how_en": "The process has three stages: detecting deviation from normal operation, diagnosing the fault type and forecasting time to failure. Anomaly detection, fault classifiers and remaining-useful-life regression on sensor time series are used. The forecast feeds inspection planning and spare-part orders.",
   "limits": "Prawdziwych awarii jest bardzo mało, a historia napraw bywa niepełna. Modele uczone na jednym typie maszyny słabo przenoszą się na inne warunki pracy. Dużo fałszywych alarmów szybko zniechęca mechaników do systemu.",
   "limits_en": "Real failures are very rare and repair histories are often incomplete. Models trained on one machine type transfer poorly to other operating conditions. Many false alarms quickly put mechanics off the system.",
   "terms": [
    {
     "gloss": "Prognozowanie i zarządzanie stanem technicznym urządzeń.",
     "term": "PHM"
    },
    {
     "gloss": "Ciągły pomiar drgań, temperatury czy prądu pracującej maszyny.",
     "term": "monitorowanie stanu"
    },
    {
     "gloss": "Zapis pracy urządzenia od nowości aż do awarii.",
     "term": "run-to-failure"
    }
   ],
   "terms_en": [
    {
     "gloss": "Prognostics and health management of equipment.",
     "term": "PHM"
    },
    {
     "gloss": "Continuous measurement of a running machine's vibration, temperature or current.",
     "term": "condition monitoring"
    },
    {
     "gloss": "A record of a device's operation from new until failure.",
     "term": "run-to-failure"
    }
   ],
   "prereq": [
    "anomalydetection",
    "classicforecasting"
   ],
   "keywords": [
    "condition monitoring",
    "PHM",
    "remaining useful life",
    "C-MAPSS",
    "CWRU bearing dataset",
    "vibration analysis",
    "fault diagnosis",
    "health index",
    "CMMS"
   ],
   "source_ids": [
    "lee-industrial-ai-book-2020",
    "saxena-cmapss-2008",
    "zhao-dl-machine-health-2016"
   ],
   "url": "https://aiatlasgraph.com/t/predictivemaint",
   "markdown_url": "https://aiatlasgraph.com/t/predictivemaint.md",
   "updated": "2026-10-30"
  },
  "preemptivegen": {
   "id": "preemptivegen",
   "parent_id": "voicelatency",
   "label": "Wyprzedzające generowanie odpowiedzi",
   "canonical_name": "Preemptive response generation",
   "description": "Agent rozpoczyna pracę modelu, zanim ma pewność, że użytkownik skończył turę; jeśli mowa trwa dalej, odpowiedź może wymagać odrzucenia lub aktualizacji.",
   "description_en": "The agent starts model work before the user's turn is confirmed complete; continued user speech may require discarding or revising the response.",
   "examples": "spekulatywne LLM · strumieniowy TTS",
   "examples_en": "speculative LLM · streaming TTS",
   "plain": "To rozpoczynanie przygotowania odpowiedzi, zanim asystent ma pewność, że skończyłeś mówić.",
   "plain_en": "This begins preparing a response before the assistant is certain you have finished speaking.",
   "solves": "Czekanie z całą pracą do końca pytania wydłuża przerwę przed odpowiedzią.",
   "solves_en": "Waiting until a question ends before starting any work lengthens the pause before a reply.",
   "does": "System przygotowuje wstępną odpowiedź wcześniej, ale aktualizuje ją lub odrzuca, jeśli dalsze słowa zmieniają prośbę.",
   "does_en": "A system prepares a draft response early but updates or discards it if later words change the request.",
   "example": "Asystent zaczyna szukać terminu po usłyszeniu dnia, lecz zmienia wyszukiwanie, gdy dopowiadasz preferowaną godzinę.",
   "example_en": "An assistant starts checking appointments after hearing the day but changes the search when you add a preferred time.",
   "for_you": [
    "zależy ci na szybkim początku odpowiedzi",
    "możesz odrzucać pracę rozpoczętą zbyt wcześnie"
   ],
   "for_you_en": [
    "care about a prompt response start",
    "can discard work started too early"
   ],
   "how": "Wstępna transkrypcja lub przewidywana granica tury uruchamia generowanie przed potwierdzonym końcem wypowiedzi. Wynik czeka na decyzję o odtworzeniu; dalsza mowa może go unieważnić i wywołać ponowne obliczenie.",
   "how_en": "An initial transcript or predicted turn boundary starts generation before confirmed utterance completion. The result waits for a playback decision; further speech can invalidate it and trigger recomputation.",
   "limits": "Nietrafne przewidywania marnują obliczenia i mogą prowadzić do nieaktualnych odpowiedzi. Spekulatywne generowanie nie powinno samo zatwierdzać działań zewnętrznych, których skutków nie można wycofać.",
   "limits_en": "Incorrect predictions waste computation and can produce stale responses. Speculative generation should not itself commit external actions whose effects cannot be undone.",
   "terms": [
    {
     "gloss": "Przygotowanie odpowiedzi zanim wszystkie warunki jej użycia zostaną potwierdzone.",
     "term": "generowanie spekulatywne"
    },
    {
     "gloss": "Odrzucenie przygotowanej treści po zmianie danych wejściowych.",
     "term": "unieważnienie wyniku"
    }
   ],
   "terms_en": [
    {
     "gloss": "Preparing a response before all conditions for using it are confirmed.",
     "term": "speculative generation"
    },
    {
     "gloss": "Discarding prepared content after inputs change.",
     "term": "result invalidation"
    }
   ],
   "prereq": [
    "semanticturn",
    "eventdriven"
   ],
   "keywords": [
    "speculative response generation",
    "speculative LLM inference",
    "preemptive TTS",
    "result invalidation",
    "endpoint prediction"
   ],
   "source_ids": [
    "livekit-turns-guide"
   ],
   "url": "https://aiatlasgraph.com/t/preemptivegen",
   "markdown_url": "https://aiatlasgraph.com/t/preemptivegen.md",
   "updated": "2026-10-30"
  },
  "preferencedatacollection": {
   "id": "preferencedatacollection",
   "parent_id": "annotation",
   "label": "Zbieranie danych preferencji (porównania odpowiedzi)",
   "canonical_name": "Preference data collection (response comparisons)",
   "aliases": [
    "human preference data",
    "pairwise comparison data",
    "RLHF data collection",
    "dane preferencji"
   ],
   "description": "Projektowanie i prowadzenie zbierania porównań par lub rankingów odpowiedzi od ludzi jako danych dla modeli nagrody i optymalizacji preferencji.",
   "description_en": "Designing and running collection of pairwise comparisons or response rankings from people as data for reward models and preference optimisation.",
   "plain": "Ludzie porównują dwie odpowiedzi modelu i wskazują lepszą, a tysiące takich wyborów uczą model, czego oczekujemy.",
   "plain_en": "People compare two model answers and pick the better one, and thousands of such choices teach the model what we expect.",
   "solves": "Trudno spisać zasady dobrej odpowiedzi, a łatwo powiedzieć, która z dwóch jest lepsza.",
   "solves_en": "It is hard to write down rules for a good answer, but easy to say which of two is better.",
   "does": "Jak degustacja w ciemno: zamiast oceniać od zera do dziesięciu, wybierasz, które z dwóch dań smakuje bardziej.",
   "does_en": "Like a blind tasting: instead of scoring from zero to ten, you choose which of two dishes tastes better.",
   "example": "Czat pokazuje ci dwie wersje odpowiedzi i pyta, która jest lepsza; twój wybór może trafić do takiego zbioru.",
   "example_en": "A chatbot shows you two versions of an answer and asks which is better; your choice may end up in such a dataset.",
   "for_you": [
    "widzisz w czacie pytanie, która odpowiedź jest lepsza",
    "dostrajasz model do stylu swojej firmy",
    "zlecasz oznaczanie danych dla modelu językowego"
   ],
   "for_you_en": [
    "see a chat asking which answer is better",
    "tune a model to your company's style",
    "commission labelling for a language model"
   ],
   "how": "Anotator prowadzi rozmowę lub dostaje polecenie i widzi dwie albo więcej odpowiedzi; wybiera lepszą według wytycznych, często zaznaczając siłę preferencji. Osobne zadania mogą mierzyć pomocność i szkodliwość (red-teaming). Zbieranie bywa iteracyjne: nowe porównania pochodzą z kolejnych wersji modelu.",
   "how_en": "An annotator conducts a conversation or receives a prompt and sees two or more responses; they choose the better one under guidelines, often recording preference strength. Separate tasks may measure helpfulness and harmfulness (red teaming). Collection can be iterative, with new comparisons coming from successive model versions.",
   "limits": "Anotatorzy często się nie zgadzają i nagradzają pewny ton lub długość zamiast poprawności, co sprzyja przytakiwaniu. Zbieranie jest drogie, a wynik odzwierciedla gusta konkretnej grupy osób.",
   "limits_en": "Annotators often disagree and reward confident tone or length over correctness, which fosters sycophancy. Collection is expensive, and results reflect the tastes of a specific group of people.",
   "terms": [
    {
     "gloss": "Wybór lepszej z dwóch odpowiedzi zamiast oceny każdej osobno.",
     "term": "porównanie parami"
    },
    {
     "gloss": "Celowe próby skłonienia modelu do szkodliwej odpowiedzi.",
     "term": "red-teaming"
    }
   ],
   "terms_en": [
    {
     "gloss": "Choosing the better of two responses rather than scoring each independently.",
     "term": "pairwise comparison"
    },
    {
     "gloss": "Deliberate attempts to elicit a harmful response from a model.",
     "term": "red teaming"
    }
   ],
   "prereq": [
    "annotationguidelines"
   ],
   "keywords": [
    "Anthropic HH-RLHF",
    "InstructGPT comparisons",
    "UltraFeedback",
    "Chatbot Arena",
    "HelpSteer",
    "Bradley-Terry",
    "Argilla",
    "Label Studio"
   ],
   "source_ids": [
    "bai-2022-hh-rlhf"
   ],
   "url": "https://aiatlasgraph.com/t/preferencedatacollection",
   "markdown_url": "https://aiatlasgraph.com/t/preferencedatacollection.md",
   "updated": "2026-10-30"
  },
  "preferences": {
   "id": "preferences",
   "parent_id": "posttraining",
   "label": "Preferencje i RL dla LLM",
   "canonical_name": "Preference optimization and RL for LLMs",
   "description": "Dostosowanie zachowania przy użyciu preferencji lub nagród.",
   "description_en": "Shaping behaviour with preferences or rewards.",
   "examples": "DPO · RLHF · reasoning RL",
   "examples_en": "DPO · RLHF · reasoning RL",
   "plain": "To uczenie modelu zachowania na podstawie ocen, które odpowiedzi są bardziej pożądane.",
   "plain_en": "This trains model behaviour using evaluations of which responses are more desirable.",
   "solves": "Kilka odpowiedzi wygląda poprawnie, ale różnią się użytecznością, stylem lub zgodnością z zasadami.",
   "solves_en": "Several answers appear correct but differ in usefulness, style or compliance with principles.",
   "does": "Porównania odpowiedzi lub nagrody wpływają na trening, wzmacniając preferowane zachowania; jakość oceny decyduje, czego model faktycznie się uczy.",
   "does_en": "Response comparisons or rewards guide training towards preferred behaviour; evaluation quality determines what the model actually learns.",
   "example": "Porównujesz odpowiedzi na zgłoszenie i wybierasz tę, która jasno wyjaśnia następny krok bez zbędnych obietnic.",
   "example_en": "You compare replies to a request and prefer the one explaining the next step clearly without unnecessary promises.",
   "for_you": [
    "masz oceny jakości odpowiedzi",
    "chcesz wpływać na styl lub zachowanie modelu"
   ],
   "for_you_en": [
    "have response-quality evaluations",
    "want to shape a model's style or behaviour"
   ],
   "how": "Porównania odpowiedzi zamienia się w cel parowy lub używa do uczenia modelu nagrody. Następnie aktualizuje się politykę bezpośrednio z par albo przez próbkowanie i optymalizację nagród, zwykle kontrolując odejście od odniesienia.",
   "how_en": "Response comparisons become pairwise objectives or train a reward model. Policies are then updated directly from pairs or through sampling and reward optimisation, typically controlling departure from a reference.",
   "limits": "Preferencje zależą od oceniających, instrukcji i prezentacji odpowiedzi. Zgodność z rankingiem nie gwarantuje prawdziwości; silna optymalizacja może wykorzystywać błędy nadzoru lub ograniczać różnorodność.",
   "limits_en": "Preferences depend on raters, instructions and response presentation. Ranking agreement cannot guarantee truthfulness; strong optimisation can exploit supervision errors or reduce diversity.",
   "terms": [
    {
     "gloss": "Dwie odpowiedzi z oznaczeniem, która jest wyżej oceniana.",
     "term": "para preferencji"
    },
    {
     "gloss": "Punkt odniesienia służący do kontrolowania zmiany zachowania modelu.",
     "term": "polityka referencyjna"
    }
   ],
   "terms_en": [
    {
     "gloss": "Two responses with an indication of which is rated higher.",
     "term": "preference pair"
    },
    {
     "gloss": "A baseline used to control changes in model behaviour.",
     "term": "reference policy"
    }
   ],
   "prereq": [
    "annotation",
    "policygradient"
   ],
   "keywords": [
    "preference pairs",
    "Bradley-Terry model",
    "reward models",
    "reference policy",
    "KL regularization",
    "DPO",
    "PPO",
    "GRPO",
    "RLAIF",
    "rejection sampling"
   ],
   "courses": [
    {
     "title": "Reinforcement Fine-Tuning LLMs With GRPO",
     "url": "https://www.deeplearning.ai/courses/reinforcement-fine-tuning-llms-grpo"
    }
   ],
   "source_ids": [
    "cs336",
    "rl",
    "dlai",
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/preferences",
   "markdown_url": "https://aiatlasgraph.com/t/preferences.md",
   "updated": "2026-10-30"
  },
  "pretraining": {
   "id": "pretraining",
   "parent_id": "training",
   "label": "Trening od zera / pretraining",
   "canonical_name": "Training from scratch and pretraining",
   "description": "Nauczenie modelu od początkowych wag. Pretraining to etap przygotowujący do dalszego użycia lub adaptacji.",
   "description_en": "Teaching a model from initial weights. Pretraining is the stage that prepares it for later use or adaptation.",
   "examples": "Cele uczenia · tokenizacja · mini model",
   "examples_en": "Objectives · tokenisation · small model",
   "plain": "To podstawowy etap uczenia modelu wzorów w dużym zbiorze danych, zanim zostanie dopasowany do konkretnych zadań.",
   "plain_en": "This initial stage teaches a model patterns in a large dataset before it is adapted to specific tasks.",
   "solves": "Model z początkowymi ustawieniami nie zna wzorów języka lub obrazu potrzebnych do dalszego użycia.",
   "solves_en": "A model with initial parameters lacks the language or image patterns needed for later use.",
   "does": "Powtarzane ćwiczenia na danych dostarczają błędu do poprawiania ustawień, tworząc podstawę późniejszych umiejętności i dostrajania.",
   "does_en": "Repeated exercises on data produce error signals that adjust parameters, building a foundation for later abilities and adaptation.",
   "example": "Model językowy ćwiczy na wielu tekstach przewidywanie dalszego ciągu, zanim dostanie przykłady rozmów z użytkownikiem.",
   "example_en": "A language model practises predicting continuations across many texts before receiving examples of user conversations.",
   "for_you": [
    "chcesz zrozumieć, skąd bierze się model bazowy",
    "planujesz podstawowe uczenie na dużym zbiorze danych"
   ],
   "for_you_en": [
    "want to understand where a base model comes from",
    "plan foundational training on a large dataset"
   ],
   "how": "Na dużym zbiorze optymalizuje się cel nadzorowany lub samonadzorowany, budujący reprezentacje i podstawowe zdolności modelu. Dobór architektury, mieszanki danych i harmonogramu określa, jakie zależności parametry zachowają przed dalszą adaptacją.",
   "how_en": "A large dataset supports supervised or self-supervised objectives building model representations and foundational capabilities. Architecture, data mixtures and schedules determine which relationships parameters retain before further adaptation.",
   "limits": "Koszt i pokrycie danych ograniczają wyuczone zdolności. Cel treningowy nie gwarantuje zgodności z instrukcjami; błędy, uprzedzenia i zapamiętane fragmenty mogą przechodzić do dalszych etapów.",
   "limits_en": "Costs and data coverage constrain learned capabilities. Training objectives cannot guarantee instruction alignment; errors, biases and memorised fragments can carry into later stages.",
   "terms": [
    {
     "gloss": "Tworzenie sygnału uczącego z samych danych bez osobnej ręcznej etykiety.",
     "term": "samonadzór"
    },
    {
     "gloss": "Model po wstępnym treningu, przed dostosowaniem do konkretnego zachowania.",
     "term": "model bazowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Deriving learning signals from data without separate manual labels.",
     "term": "self-supervision"
    },
    {
     "gloss": "A model after initial training, before adaptation to specific behaviour.",
     "term": "base model"
    }
   ],
   "prereq": [
    "backprop",
    "tokenization"
   ],
   "keywords": [
    "self-supervised learning",
    "causal language modeling",
    "masked language modeling",
    "data mixtures",
    "BPE",
    "cross-entropy loss",
    "scaling laws",
    "compute-optimal training",
    "RoPE scaling",
    "curriculum learning"
   ],
   "courses": [
    {
     "title": "Build and Train an LLM with JAX",
     "url": "https://www.deeplearning.ai/courses/build-and-train-an-llm-with-jax"
    }
   ],
   "source_ids": [
    "cs336",
    "rl",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/pretraining",
   "markdown_url": "https://aiatlasgraph.com/t/pretraining.md",
   "updated": "2026-10-30"
  },
  "pretrainsynthetic": {
   "id": "pretrainsynthetic",
   "parent_id": "synthetic",
   "label": "Syntetyczne dane do pretrainingu (przepisywanie, podręczniki)",
   "canonical_name": "Synthetic pretraining data: rephrasing and textbooks",
   "aliases": [
    "rephrasing",
    "WRAP",
    "synthetic textbooks"
   ],
   "description": "Przepisywanie tekstów z sieci w bardziej użytecznej formie albo generowanie materiałów w stylu podręcznika jako sposób na zwiększenie efektywności pretrainingu. Wynik zależy od jakości generowania, filtrowania i połączenia z danymi rzeczywistymi.",
   "description_en": "Rewriting web text into a more useful form or generating textbook-style material as a way to improve pretraining efficiency. Outcomes depend on generation quality, filtering, and how synthetic data is combined with real data.",
   "examples": "Parafrazy w stylu Wikipedii lub Q&A (WRAP) · syntetyczne podręczniki i ćwiczenia (phi-1)",
   "examples_en": "Wikipedia-style or Q&A paraphrases (WRAP) · synthetic textbooks and exercises (phi-1)",
   "plain": "To tworzenie lub przepisywanie tekstów przez model jako materiału do podstawowej nauki kolejnego modelu.",
   "plain_en": "This uses a model to create or rewrite texts for another model's initial learning.",
   "solves": "Surowe teksty bywają chaotyczne i zawierają mało wyjaśnień, które pomagają uczyć przydatnych umiejętności.",
   "solves_en": "Raw text can be disorganised and lack explanations that help teach useful skills.",
   "does": "Model porządkuje treść lub tworzy wyjaśnienia i ćwiczenia; przydatność zależy od sprawdzania jakości oraz doboru całej mieszanki.",
   "does_en": "A model organises content or creates explanations and exercises; usefulness depends on quality checks and the overall data mixture.",
   "example": "Przygotowujesz materiały do nauki modelu, przepisując sprawdzone opisy obsługi urządzeń na uporządkowane wyjaśnienia i pytania z odpowiedziami.",
   "example_en": "You prepare model learning material by rewriting checked device instructions into organised explanations and questions with answers.",
   "for_you": [
    "przygotowujesz duży zbiór do podstawowej nauki modelu",
    "chcesz sprawdzić przydatność wygenerowanych wyjaśnień"
   ],
   "for_you_en": [
    "prepare a large collection for a model's initial learning",
    "want to check the usefulness of generated explanations"
   ],
   "how": "Model przepisuje tekst źródłowy lub generuje materiał dydaktyczny o zadanej strukturze. Po filtrowaniu treść miesza się z innymi danymi i używa do uczenia przewidywania tokenów.",
   "how_en": "A model rewrites source text or generates instructional material with a specified structure. After filtering, content is mixed with other data and used for next-token prediction training.",
   "limits": "Przepisanie może zmieniać fakty i homogenizować styl. Korzyści zależą od jakości generatora i docelowych zadań; syntetyczny materiał nie zastępuje kontroli pochodzenia ani testów na danych rzeczywistych.",
   "limits_en": "Rewriting can alter facts and homogenise style. Benefits depend on generator quality and target tasks; synthetic material cannot replace provenance controls or tests on real data.",
   "terms": [
    {
     "gloss": "Przekształcanie treści źródłowej w formę łatwiejszą do wykorzystania w treningu.",
     "term": "przepisywanie"
    },
    {
     "gloss": "Proporcje typów danych dostarczanych modelowi podczas uczenia.",
     "term": "mieszanka treningowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Transforming source content into a form more useful for training.",
     "term": "rephrasing"
    },
    {
     "gloss": "The proportions of data types supplied to a model during training.",
     "term": "training mixture"
    }
   ],
   "prereq": [
    "pretraining",
    "datamixing"
   ],
   "keywords": [
    "WRAP",
    "phi-1",
    "textbook-style data",
    "text rephrasing",
    "synthetic exercises"
   ],
   "source_ids": [
    "wrap-rephrasing-2024",
    "phi1-textbooks-2023"
   ],
   "url": "https://aiatlasgraph.com/t/pretrainsynthetic",
   "markdown_url": "https://aiatlasgraph.com/t/pretrainsynthetic.md",
   "updated": "2026-10-30"
  },
  "privacy": {
   "id": "privacy",
   "parent_id": "safety",
   "label": "Prywatność i prawa do danych",
   "canonical_name": "Privacy and data rights",
   "description": "Zasady wykorzystania danych i modeli.",
   "description_en": "Rules for using data and models.",
   "examples": "Dane osobowe · zgody · licencje",
   "examples_en": "Personal data · consent · licences",
   "plain": "To ochrona informacji o ludziach i respektowanie zasad wykorzystania danych w modelach.",
   "plain_en": "This protects information about people and respects the rules governing data use in models.",
   "solves": "Prywatna rozmowa lub dokument może trafić do treningu, logów albo odpowiedzi bez odpowiedniej kontroli.",
   "solves_en": "A private conversation or document can enter training, logs or responses without appropriate control.",
   "does": "Łączy ustalanie praw i zakresu użycia danych z ograniczaniem dostępu, maskowaniem, prywatnym treningiem i sprawdzaniem możliwości usunięcia wpływu danych.",
   "does_en": "It combines defining data rights and permitted uses with access limits, redaction, private training and checks on removing data influence.",
   "example": "Przed przesłaniem korespondencji do asystenta ustalasz, które dane możesz użyć i co powinno zostać ukryte.",
   "example_en": "Before sending correspondence to an assistant, you establish which data you can use and what should be hidden.",
   "for_you": [
    "pracujesz z informacjami o innych osobach",
    "chcesz kontrolować użycie i przechowywanie danych"
   ],
   "for_you_en": [
    "work with information about other people",
    "want to control data use and storage"
   ],
   "how": "Przepływ danych mapuje cel, pochodzenie, dostęp, przechowywanie i przekazania między komponentami. Minimalizacja, ograniczenia użycia oraz kontrole retencji egzekwują ustalony zakres, obejmując dane treningowe, prompty, wyniki i logi.",
   "how_en": "Data-flow mapping covers purposes, provenance, access, storage and transfers between components. Minimisation, use restrictions and retention controls enforce the defined scope across training data, prompts, outputs and logs.",
   "limits": "Usunięcie rekordu nie usuwa automatycznie jego wpływu na model ani kopii pośrednich. Maskowanie może pozostawić identyfikujące zależności; zakres praw i dopuszczalnego użycia zależy od danych oraz kontekstu.",
   "limits_en": "Deleting records does not automatically remove model influence or intermediate copies. Masking can leave identifying relationships; rights and permitted-use scope depend on data and context.",
   "terms": [
    {
     "gloss": "Ograniczenie zbieranych informacji do potrzebnego celu i zakresu.",
     "term": "minimalizacja danych"
    },
    {
     "gloss": "Okres i warunki przechowywania danych przed usunięciem lub zmianą dostępu.",
     "term": "retencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Limiting collected information to required purposes and scope.",
     "term": "data minimisation"
    },
    {
     "gloss": "The period and conditions for storing data before deletion or access changes.",
     "term": "retention"
    }
   ],
   "prereq": [
    "datalineage",
    "datalicensing"
   ],
   "keywords": [
    "data minimization",
    "consent management",
    "retention policies",
    "pseudonymization",
    "differential privacy",
    "secure aggregation",
    "machine unlearning",
    "PII detection"
   ],
   "source_ids": [
    "nist",
    "fsdl"
   ],
   "url": "https://aiatlasgraph.com/t/privacy",
   "markdown_url": "https://aiatlasgraph.com/t/privacy.md",
   "updated": "2026-10-30"
  },
  "privilegereview": {
   "id": "privilegereview",
   "parent_id": "ediscovery",
   "label": "Wykrywanie dokumentów objętych tajemnicą adwokacką",
   "canonical_name": "Privilege review in e-discovery",
   "aliases": [
    "privilege review",
    "privilege classification",
    "privilege detection",
    "attorney-client privilege review",
    "privilege log",
    "tajemnica adwokacka",
    "przegląd pod kątem tajemnicy"
   ],
   "description": "Klasyfikacja dokumentów pod kątem tajemnicy zawodowej obok istotności, z kosztowym wyborem, które dokumenty sprawdza człowiek.",
   "description_en": "Classifying documents for privilege alongside responsiveness, with cost-based selection of which documents a human reviews.",
   "plain": "W sporze trzeba przekazać drugiej stronie tysiące dokumentów, ale nie poufne rady własnego prawnika; program pomaga je wyłowić.",
   "plain_en": "In a dispute you must hand thousands of documents to the other side, but not your own lawyer's confidential advice; software helps fish those out.",
   "solves": "Przypadkowe oddanie przeciwnikowi korespondencji z własnym prawnikiem może zaszkodzić sprawie, a ręczne sprawdzanie milionów maili kosztuje fortunę.",
   "solves_en": "Accidentally giving the opponent your correspondence with your own lawyer can hurt the case, and checking millions of emails by hand costs a fortune.",
   "does": "Jak sito z dwoma rodzajami oczek: jedno odsiewa dokumenty związane ze sprawą, drugie te, które trzeba zatrzymać i wpisać na listę wyłączeń.",
   "does_en": "Like a sieve with two meshes: one catches documents relevant to the case, the other those to hold back and list as withheld.",
   "example": "Firma w sporze z dostawcą musi oddać skrzynki pocztowe zespołu; system odkłada na bok maile do kancelarii, a starszy prawnik sprawdza tylko wątpliwe.",
   "example_en": "A company in a dispute must hand over its team's mailboxes; the system sets aside emails to the law firm, and a senior lawyer checks only doubtful ones.",
   "for_you": [
    "twoja firma jest stroną sporu z ujawnianiem dokumentów",
    "pracujesz przy przeglądzie dokumentów w kancelarii"
   ],
   "for_you_en": [
    "work for a company in a dispute with document disclosure",
    "work on document review at a law firm"
   ],
   "how": "Dwa klasyfikatory szacują prawdopodobieństwo istotności i tajemnicy, a każdy dokument trafia do wydania, rejestru wyłączeń lub pominięcia według macierzy kosztów błędów. Ręczna weryfikacja trafia tam, gdzie najbardziej obniża oczekiwany koszt. Współcześnie dostraja się też modele typu BERT na danych z realnych spraw; ważne są cechy nadawców i odbiorców.",
   "how_en": "Two classifiers estimate the probability of responsiveness and privilege, and each document is assigned to produce, privilege log or withhold according to a misclassification cost matrix. Manual review goes where it lowers expected cost most. More recently BERT-style models are fine-tuned on data from real matters; features of senders and recipients matter.",
   "limits": "Brakuje wiarygodnych publicznych danych z oznaczoną tajemnicą, więc badania używają prywatnych spraw lub symulacji. Model przeniesiony ze spraw telekomunikacyjnych do sprawy z ochrony zdrowia działał znacznie gorzej. Tajemnica zależy od ról osób i kontekstu, nie tylko od treści, a pomyłka bywa nieodwracalna.",
   "limits_en": "Reliable public privilege-labelled data is lacking, so studies use private matters or simulations. A model transferred from telecom matters to a healthcare matter performed much worse. Privilege depends on people's roles and context, not only content, and a mistake can be irreversible.",
   "terms": [
    {
     "gloss": "Lista dokumentów zatrzymanych z powołaniem na tajemnicę.",
     "term": "privilege log"
    },
    {
     "gloss": "Czy dokument dotyczy żądania drugiej strony.",
     "term": "istotność (responsiveness)"
    },
    {
     "gloss": "Tabela, ile kosztuje każdy rodzaj pomyłki.",
     "term": "macierz kosztów"
    }
   ],
   "terms_en": [
    {
     "gloss": "A list of documents withheld on grounds of privilege.",
     "term": "privilege log"
    },
    {
     "gloss": "Whether a document falls within the other side's request.",
     "term": "responsiveness"
    },
    {
     "gloss": "A table of how much each kind of mistake costs.",
     "term": "cost matrix"
    }
   ],
   "prereq": [
    "textclassification",
    "activelearning"
   ],
   "keywords": [
    "privilege log",
    "MINECORE",
    "attorney-client privilege",
    "work product",
    "TREC Legal Track",
    "BERT fine-tuning",
    "cost-sensitive classification",
    "clawback"
   ],
   "source_ids": [
    "oard-minecore-2019",
    "zhao-privilege-transfer-2021"
   ],
   "url": "https://aiatlasgraph.com/t/privilegereview",
   "markdown_url": "https://aiatlasgraph.com/t/privilegereview.md",
   "updated": "2026-10-30"
  },
  "prm": {
   "id": "prm",
   "parent_id": "reasoningverifiers",
   "label": "Ocena każdego kroku (PRM)",
   "canonical_name": "Process reward models",
   "description": "Model nagrody ocenia każdy krok rozumowania osobno, a nie tylko końcowy wynik. Pozwala wyłapać błąd w połowie rozwiązania.",
   "description_en": "A reward model scores each reasoning step separately, not just the final answer. Catches a mistake halfway through a solution.",
   "examples": "nadzór procesowy · etykiety na poziomie kroków (PRM800K)",
   "examples_en": "process supervision · step-level labels (PRM800K)",
   "plain": "To model oceniający poszczególne kroki rozumowania, żeby wcześniej wskazać możliwy błąd.",
   "plain_en": "This model evaluates individual reasoning steps to flag possible errors earlier.",
   "solves": "Końcowy wynik nie pokazuje, w którym miejscu długie rozwiązanie zaczęło się psuć.",
   "solves_en": "The final result does not reveal where a long solution started going wrong.",
   "does": "Oceny częściowych kroków mogą kierować dalszym szukaniem lub treningiem; sam oceniający model może się mylić.",
   "does_en": "Partial-step evaluations can guide further search or training; the evaluator model can itself be mistaken.",
   "example": "Podczas układania planu dostaw ocena wskazuje krok naruszający limit czasu, zanim powstanie cała trasa.",
   "example_en": "While constructing a delivery plan, an evaluation flags a step violating the time limit before the entire route is completed.",
   "for_you": [
    "potrzebujesz oceny etapów pośrednich",
    "chcesz wcześniej odrzucać błędne ścieżki"
   ],
   "for_you_en": [
    "need intermediate steps evaluated",
    "want to reject faulty paths earlier"
   ],
   "how": "Model uczy się na ocenach kroków, przypisując wynik jakości kolejnym prefiksom rozwiązania. Oceny można agregować lub wykorzystywać do wyboru następnego kroku, aby ograniczać rozwijanie ścieżek z wykrytym błędem.",
   "how_en": "A model learns from step assessments to assign quality scores to successive solution prefixes. Scores can be aggregated or used for next-step selection, limiting expansion of paths containing detected errors.",
   "limits": "Etykietowanie kroków jest kosztowne, a ich granice i poprawność bywają niejednoznaczne. Dobry lokalny wynik nie gwarantuje dobrego zakończenia; sposób agregacji wpływa na ranking całych ścieżek.",
   "limits_en": "Step labelling is costly, and boundaries or correctness can be ambiguous. Good local scores do not guarantee successful completion; aggregation choices affect whole-path rankings.",
   "terms": [
    {
     "gloss": "Model oceniający jakość kolejnych kroków rozwiązania.",
     "term": "model nagrody procesowej"
    },
    {
     "gloss": "Połączenie wyników poszczególnych kroków w ocenę całej ścieżki.",
     "term": "agregacja ocen"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model scoring successive solution steps.",
     "term": "process reward model"
    },
    {
     "gloss": "Combining individual step scores into a whole-path assessment.",
     "term": "score aggregation"
    }
   ],
   "prereq": [
    "annotation",
    "calibration"
   ],
   "keywords": [
    "PRM800K",
    "step-level labels",
    "process supervision",
    "prefix scoring",
    "reward aggregation"
   ],
   "source_ids": [
    "lightman-verify-step-2023"
   ],
   "url": "https://aiatlasgraph.com/t/prm",
   "markdown_url": "https://aiatlasgraph.com/t/prm.md",
   "updated": "2026-10-30"
  },
  "probabilistic": {
   "id": "probabilistic",
   "parent_id": "foundations",
   "label": "Modele probabilistyczne",
   "canonical_name": "Probabilistic models",
   "description": "Jak modelować zależności i ukryte zmienne.",
   "description_en": "How to model dependencies and hidden variables.",
   "examples": "Sieci bayesowskie · modele graficzne",
   "examples_en": "Bayesian networks · graphical models",
   "plain": "To modele opisujące zależności między niepewnymi zdarzeniami i wnioskujące także o tym, czego nie widać bezpośrednio.",
   "plain_en": "These models describe relationships between uncertain events and infer things that cannot be observed directly.",
   "solves": "Wynik zależy od wielu powiązanych okoliczności, a część z nich jest nieznana lub widoczna tylko przez niedokładne pomiary.",
   "solves_en": "An outcome depends on several connected circumstances, some unknown or visible only through imperfect measurements.",
   "does": "Zapisuje zależności i szanse zdarzeń, a następnie wykorzystuje dostępne obserwacje do szacowania nieznanych wartości lub przyszłych wyników.",
   "does_en": "It records dependencies and event probabilities, then uses available observations to estimate unknown values or future outcomes.",
   "example": "Szacujesz, czy paczka dotrze na czas, łącząc informacje o pogodzie, pracy magazynu i niepełnych danych o trasie.",
   "example_en": "You estimate whether a parcel will arrive on time by combining weather, warehouse activity and incomplete route information.",
   "for_you": [
    "łączysz kilka niepewnych informacji w jedno przewidywanie",
    "próbujesz odtworzyć sytuację z częściowych obserwacji"
   ],
   "for_you_en": [
    "combine several uncertain clues into one prediction",
    "try to infer a situation from partial observations"
   ],
   "how": "Zmienne losowe i ich zależności definiują wspólny rozkład obserwacji oraz stanów ukrytych. Faktoryzacja, estymacja parametrów i wnioskowanie pozwalają wyliczać predykcje albo uzupełniać brakującą informację.",
   "how_en": "Random variables and dependencies define a joint distribution over observations and latent states. Factorisation, parameter estimation and inference compute predictions or fill in missing information.",
   "limits": "Niepoprawne zależności i rozkłady powodują systematyczny błąd. Dokładne marginalizowanie bywa kosztowne, a identyfikowalność parametrów i jakość przybliżeń wymagają sprawdzenia.",
   "limits_en": "Misspecified dependencies and distributions cause systematic error. Exact marginalisation can be expensive, while parameter identifiability and approximation quality require checks.",
   "terms": [
    {
     "gloss": "Wielkość modelowana, której nie obserwujemy bezpośrednio.",
     "term": "zmienna ukryta"
    },
    {
     "gloss": "Sumowanie lub całkowanie po zmiennych niewymaganych w wyniku.",
     "term": "marginalizacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A modelled quantity that is not observed directly.",
     "term": "latent variable"
    },
    {
     "gloss": "Summing or integrating over variables not needed in the output.",
     "term": "marginalisation"
    }
   ],
   "prereq": [
    "distributions"
   ],
   "keywords": [
    "graphical models",
    "Bayesian networks",
    "latent variables",
    "marginalization",
    "MCMC",
    "variational inference",
    "particle filtering",
    "causal graphs"
   ],
   "source_ids": [
    "cs221",
    "cs229"
   ],
   "url": "https://aiatlasgraph.com/t/probabilistic",
   "markdown_url": "https://aiatlasgraph.com/t/probabilistic.md",
   "updated": "2026-10-30"
  },
  "probability": {
   "id": "probability",
   "parent_id": "foundations",
   "label": "Statystyka i niepewność",
   "canonical_name": "Statistics and uncertainty",
   "description": "Jak wnioskować z niepełnych danych.",
   "description_en": "How to reason from incomplete data.",
   "examples": "Prawdopodobieństwo · estymacja · Bayes",
   "examples_en": "Probability · estimation · Bayes",
   "plain": "To sposoby opisywania niepewności i wyciągania wniosków z danych, gdy nie znasz wszystkich faktów.",
   "plain_en": "These methods describe uncertainty and draw conclusions from data when not all facts are known.",
   "solves": "Pojedynczy wynik lub niepełna obserwacja nie wystarcza, żeby pewnie przewidzieć, co wydarzy się następnym razem.",
   "solves_en": "One result or an incomplete observation is not enough to predict confidently what will happen next.",
   "does": "Opisuje możliwe wyniki i ich szanse, uwzględnia nowe obserwacje oraz pomaga oceniać, ile można wywnioskować z dostępnych przykładów.",
   "does_en": "It describes possible outcomes and their chances, incorporates new observations and helps assess what available examples let you conclude.",
   "example": "Porównujesz czasy dostawy wielu paczek, żeby oszacować szansę opóźnienia kolejnej, zamiast uznawać ostatnią dostawę za regułę.",
   "example_en": "You compare delivery times across many parcels to estimate the chance of the next one being late, rather than treating the latest delivery as the rule.",
   "for_you": [
    "podejmujesz decyzje na podstawie niepełnych informacji",
    "chcesz wiedzieć, jak niepewne są wnioski z danych"
   ],
   "for_you_en": [
    "make decisions with incomplete information",
    "want to understand uncertainty in conclusions drawn from data"
   ],
   "how": "Model probabilistyczny opisuje niepewne zdarzenia, a statystyka łączy go z obserwowaną próbką. Estymacja, warunkowanie i projektowanie prób określają, jakie wnioski można przenieść z danych na szerszy problem.",
   "how_en": "A probabilistic model describes uncertain events, and statistics connects it to observed samples. Estimation, conditioning and sample design determine which conclusions can transfer from data to a broader problem.",
   "limits": "Wnioski zależą od sposobu doboru próby i założeń zależności. Niepewność próbkowania nie obejmuje automatycznie błędów pomiaru, modelu ani zmiany warunków.",
   "limits_en": "Conclusions depend on sampling and dependency assumptions. Sampling uncertainty does not automatically cover measurement errors, model errors or changing conditions.",
   "terms": [
    {
     "gloss": "Wielkość przypisująca możliwym wynikom eksperymentu wartości.",
     "term": "zmienna losowa"
    },
    {
     "gloss": "Reguła obliczania przybliżenia nieznanej wielkości z próby.",
     "term": "estymator"
    }
   ],
   "terms_en": [
    {
     "gloss": "A quantity assigning values to possible experimental outcomes.",
     "term": "random variable"
    },
    {
     "gloss": "A rule estimating an unknown quantity from a sample.",
     "term": "estimator"
    }
   ],
   "keywords": [
    "random variables",
    "conditional probability",
    "Bayesian updating",
    "likelihood estimation",
    "confidence intervals",
    "bootstrap resampling",
    "hypothesis testing",
    "estimator bias"
   ],
   "source_ids": [
    "cs221",
    "cs229"
   ],
   "url": "https://aiatlasgraph.com/t/probability",
   "markdown_url": "https://aiatlasgraph.com/t/probability.md",
   "updated": "2026-10-30"
  },
  "probing": {
   "id": "probing",
   "parent_id": "explainability",
   "label": "Sondy klasyfikacyjne (probing)",
   "canonical_name": "Probing classifiers",
   "aliases": [
    "probing",
    "linear probes",
    "probing classifiers",
    "sondy"
   ],
   "description": "Klasyfikator uczony na wewnętrznych reprezentacjach modelu, aby sprawdzić, czy da się z nich odczytać określoną własność. Dobry wynik sondy nie dowodzi sam, że model wykorzystuje tę informację w swoim działaniu.",
   "description_en": "A classifier trained on a model's internal representations to test whether a property can be decoded from them. Strong probe performance alone does not prove that the model uses that information in its behaviour.",
   "examples": "sonda liniowa · własności językowe · wykrywanie szkodliwej intencji · kontrola złożoności sondy",
   "examples_en": "linear probe · linguistic properties · harmful-intent detection · controlling probe complexity",
   "plain": "To sprawdzanie małym wyuczonym testem, czy z wewnętrznych liczb modelu da się odczytać określoną informację.",
   "plain_en": "This uses a small learned test to check whether particular information can be read from a model's internal numbers.",
   "solves": "Nie wiesz, czy wyuczone zapisy modelu zawierają badaną własność, choć sam model potrafi udzielać odpowiedzi.",
   "solves_en": "You do not know whether learned model representations contain a property, even though the model can produce answers.",
   "does": "Uczy dodatkowy klasyfikator na wewnętrznych zapisach i sprawdza go na nowych przykładach; odczytanie informacji nie dowodzi jej używania przez model.",
   "does_en": "It trains an extra classifier on internal representations and tests new examples; reading information does not prove the model uses it.",
   "example": "Mały test próbuje odczytać czas gramatyczny zdania z wewnętrznych liczb modelu, a ty porównujesz wyniki na nowych zdaniach.",
   "example_en": "A small test tries to read sentence tense from a model's internal numbers, and you compare results on new sentences.",
   "for_you": [
    "masz dostęp do wewnętrznych zapisów modelu",
    "chcesz sprawdzić, czy zawierają konkretną informację"
   ],
   "for_you_en": [
    "can access a model's internal representations",
    "want to check whether they contain particular information"
   ],
   "how": "Reprezentacje zamrożonego modelu stają się wejściem pomocniczego klasyfikatora. Ocena na oddzielnych danych i porównanie z kontrolami badają, czy określoną własność można odczytać bez zmiany badanego modelu.",
   "how_en": "A frozen model's representations become inputs to an auxiliary classifier. Held-out evaluation and control comparisons test whether a property can be decoded without changing the examined model.",
   "limits": "Silna sonda może sama nauczyć się zadania zamiast ujawniać strukturę reprezentacji. Odczytywalność informacji nie dowodzi, że model używa jej przy generowaniu odpowiedzi.",
   "limits_en": "A powerful probe may learn the task itself rather than reveal representation structure. Decodability does not prove the model uses that information when producing answers.",
   "terms": [
    {
     "gloss": "Prosty klasyfikator testujący odczytywalność własności z reprezentacji.",
     "term": "sonda liniowa"
    },
    {
     "gloss": "Porównanie sprawdzające, ile wyniku wynika z możliwości samej sondy.",
     "term": "zadanie kontrolne"
    }
   ],
   "terms_en": [
    {
     "gloss": "A simple classifier testing whether properties can be decoded from representations.",
     "term": "linear probe"
    },
    {
     "gloss": "A comparison testing how much performance comes from the probe itself.",
     "term": "control task"
    }
   ],
   "prereq": [
    "representations",
    "supervised"
   ],
   "keywords": [
    "linear probes",
    "control tasks",
    "probe selectivity",
    "minimum description length",
    "frozen representations"
   ],
   "source_ids": [
    "belinkov-probing-2021",
    "gdm-sae-negative-2025"
   ],
   "url": "https://aiatlasgraph.com/t/probing",
   "markdown_url": "https://aiatlasgraph.com/t/probing.md",
   "updated": "2026-10-30"
  },
  "probprogramming": {
   "id": "probprogramming",
   "parent_id": "probabilistic",
   "label": "Programowanie probabilistyczne",
   "canonical_name": "Probabilistic programming",
   "aliases": [
    "probabilistic programming",
    "probabilistic programming language",
    "probabilistic programming languages",
    "język programowania probabilistycznego",
    "języki programowania probabilistycznego",
    "PPL"
   ],
   "description": "Języki i biblioteki, w których model generatywny zapisuje się kodem z instrukcjami losowania i warunkowania, a wnioskowanie wykonuje się automatycznie.",
   "description_en": "Languages and libraries where a generative model is written as code with sampling and conditioning statements, and inference runs automatically.",
   "plain": "Pisanie modelu jak zwykłego programu z losowością, a potem automatyczne wnioskowanie, jakie ukryte wartości najlepiej tłumaczą obserwacje.",
   "plain_en": "Writing a model as an ordinary program with randomness, then automatically inferring which hidden values best explain observations.",
   "solves": "Każdy model statystyczny wymagał dotąd ręcznego wyprowadzania wzorów i własnego algorytmu, co zajmowało tygodnie i łatwo o błąd.",
   "solves_en": "Each statistical model used to need hand-derived formulas and its own algorithm, taking weeks and inviting mistakes.",
   "does": "Oddziela opis problemu od liczenia: opisujesz, jak mogły powstać dane, a uniwersalny silnik odwraca tę historię.",
   "does_en": "It separates describing a problem from computing: you describe how the data could have arisen, and a general engine runs that story backwards.",
   "example": "Analityk modeluje, ile osób naprawdę choruje w regionie, biorąc pod uwagę, że część przypadków nigdy nie trafia do statystyk.",
   "example_en": "An analyst models how many people are really ill in a region, accounting for cases that never reach the statistics.",
   "for_you": [
    "budujesz modele statystyczne z niepewnością",
    "chcesz łączyć wiedzę ekspercką z danymi"
   ],
   "for_you_en": [
    "build statistical models with uncertainty",
    "want to combine expert knowledge with data"
   ],
   "how": "Program definiuje rozkład łączny przez instrukcje losowania zmiennych i warunkowania na obserwacjach. Silnik wnioskowania przybliża rozkład a posteriori metodami ogólnymi: Monte Carlo łańcuchów Markowa (np. Hamiltonowskie), wnioskowaniem wariacyjnym lub próbkowaniem ważonym. Nowoczesne systemy korzystają z automatycznego różniczkowania i sieci neuronowych do wnioskowania amortyzowanego.",
   "how_en": "The program defines a joint distribution through sampling statements and conditioning on observations. An inference engine approximates the posterior with general methods: Markov chain Monte Carlo (e.g. Hamiltonian), variational inference or importance sampling. Modern systems use automatic differentiation and neural networks for amortised inference.",
   "limits": "Ogólne silniki bywają wolne lub źle zbieżne dla modeli z wieloma zmiennymi dyskretnymi albo trudną geometrią rozkładu. Diagnozowanie zbieżności wymaga wiedzy statystycznej, a źle dobrane rozkłady a priori zniekształcają wyniki.",
   "limits_en": "General engines can be slow or converge poorly for models with many discrete variables or difficult posterior geometry. Diagnosing convergence requires statistical expertise, and poor priors distort results.",
   "terms": [
    {
     "gloss": "Uwzględnienie obserwacji, by zawęzić możliwe wartości ukrytych zmiennych.",
     "term": "warunkowanie"
    },
    {
     "gloss": "Przekonania o nieznanych wartościach po uwzględnieniu danych.",
     "term": "rozkład a posteriori"
    },
    {
     "gloss": "Sieć uczy się szybko podawać przybliżony wynik wnioskowania.",
     "term": "wnioskowanie amortyzowane"
    }
   ],
   "terms_en": [
    {
     "gloss": "Using observations to narrow down hidden variables' possible values.",
     "term": "conditioning"
    },
    {
     "gloss": "Beliefs about unknown values after seeing the data.",
     "term": "posterior"
    },
    {
     "gloss": "A network learns to give approximate inference results quickly.",
     "term": "amortised inference"
    }
   ],
   "prereq": [
    "bayesinference",
    "approxinference"
   ],
   "keywords": [
    "Stan",
    "PyMC",
    "Pyro",
    "NumPyro",
    "Turing.jl",
    "Hamiltonian Monte Carlo",
    "NUTS",
    "variational inference",
    "amortized inference"
   ],
   "source_ids": [
    "vandemeent-ppl-2018"
   ],
   "url": "https://aiatlasgraph.com/t/probprogramming",
   "markdown_url": "https://aiatlasgraph.com/t/probprogramming.md",
   "updated": "2026-10-30"
  },
  "procedural": {
   "id": "procedural",
   "parent_id": "memory",
   "label": "Pamięć proceduralna",
   "canonical_name": "Procedural memory",
   "description": "Zapisane przepisy na rozwiązane problemy, gotowe do ponownego użycia.",
   "description_en": "Saved recipes for solved problems, ready for reuse.",
   "examples": "playbooki · kompresja notatek",
   "examples_en": "playbooks · note compression",
   "plain": "To zapisane instrukcje, z których asystent może skorzystać, gdy podobne zadanie wróci.",
   "plain_en": "These are saved instructions an assistant can reuse when a similar task comes up.",
   "solves": "Asystent za każdym razem od nowa szuka sposobu na zadanie, które wcześniej już rozwiązał.",
   "solves_en": "The assistant works out how to do a task from scratch even though it has solved it before.",
   "does": "Zapisuje sprawdzone kroki i warunki ich użycia, podobnie jak kucharz zapisujący przepis po udanym gotowaniu.",
   "does_en": "It saves tested steps and when to use them, like a cook recording a recipe after a successful meal.",
   "example": "Asystent zapisuje kroki przygotowania miesięcznego zestawienia i przy następnym zestawieniu sprawdza, czy ten sam przepis nadal pasuje.",
   "example_en": "An assistant saves the steps for your monthly summary and checks whether the same recipe still fits next month's task.",
   "for_you": [
    "regularnie przygotowujesz podobne dokumenty lub zestawienia",
    "chcesz zachować sprawdzony sposób wykonania zadania"
   ],
   "for_you_en": [
    "regularly prepare similar documents or summaries",
    "want to keep a working recipe for a task"
   ],
   "how": "System zapisuje rozwiązane zadanie jako procedurę z warunkami użycia, krokami i sposobem sprawdzenia wyniku. Przy podobnym zadaniu dobiera procedurę i dołącza ją do instrukcji wykonania, bez konieczności zmiany wag modelu.",
   "how_en": "The system records a solved task as a procedure with usage conditions, steps and result checks. For a similar task, it selects that procedure and adds it to execution instructions without requiring changes to model weights.",
   "limits": "Procedura może zależeć od nieaktualnych narzędzi lub ukrytych założeń. Jej ponowne użycie wymaga sprawdzenia warunków, wersjonowania i kontroli, czy sprawdzony wcześniej przypadek odpowiada nowemu.",
   "limits_en": "A procedure can depend on outdated tools or hidden assumptions. Reuse requires checking conditions, versioning and whether the previously verified case matches the new one.",
   "terms": [
    {
     "gloss": "Zapisana procedura postępowania dla określonej klasy zadań.",
     "term": "playbook"
    },
    {
     "gloss": "Założenie, które musi być spełnione przed zastosowaniem procedury.",
     "term": "warunek użycia"
    },
    {
     "gloss": "Zachowanie kolejnych wersji wraz z informacją o zmianach.",
     "term": "wersjonowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A stored procedure for a particular class of tasks.",
     "term": "playbook"
    },
    {
     "gloss": "An assumption that must hold before applying a procedure.",
     "term": "precondition"
    },
    {
     "gloss": "Retaining successive versions with information about their changes.",
     "term": "versioning"
    }
   ],
   "prereq": [
    "evalsets",
    "prompting"
   ],
   "keywords": [
    "playbooks",
    "standard operating procedures",
    "Agent Skills",
    "skill retrieval",
    "preconditions"
   ],
   "source_ids": [
    "machina-x-agents"
   ],
   "url": "https://aiatlasgraph.com/t/procedural",
   "markdown_url": "https://aiatlasgraph.com/t/procedural.md",
   "updated": "2026-10-30"
  },
  "processbo": {
   "id": "processbo",
   "parent_id": "processcontrol",
   "label": "Optymalizacja bayesowska parametrów procesu i receptur",
   "canonical_name": "Bayesian optimization of process parameters and recipes",
   "aliases": [
    "Bayesian optimization",
    "BO",
    "Bayesian reaction optimization",
    "sequential experimental design",
    "optymalizacja bayesowska",
    "sekwencyjne planowanie eksperymentów"
   ],
   "description": "Sekwencyjna optymalizacja kosztownej funkcji celu (np. wydajności procesu) z probabilistycznym modelem zastępczym i funkcją akwizycji.",
   "description_en": "Sequential optimisation of an expensive objective (e.g. process yield) using a probabilistic surrogate model and an acquisition function.",
   "plain": "Sposób szukania najlepszych ustawień procesu, na przykład temperatury czy składu, w jak najmniejszej liczbie prób, gdy każda próba jest droga.",
   "plain_en": "A way to find the best process settings, such as temperature or composition, in as few trials as possible when each trial is expensive.",
   "solves": "Każdy eksperyment kosztuje surowiec, czas maszyny i dzień pracy, a możliwych kombinacji ustawień są tysiące.",
   "solves_en": "Every experiment costs material, machine time and a day of work, while possible combinations of settings run into thousands.",
   "does": "Jak kucharz dopracowujący przepis: z każdej próby wnioskuje, gdzie warto szukać dalej, a gdzie nie ma już sensu.",
   "does_en": "Like a cook perfecting a recipe: each attempt tells them where it is worth looking next and where it is not.",
   "example": "Laboratorium szuka warunków reakcji dających najwięcej produktu i zamiast sprawdzać wszystkie kombinacje, w każdej rundzie testuje kilka wskazanych przez model.",
   "example_en": "A lab hunts for reaction conditions giving the most product and, instead of trying every combination, tests a few the model suggests each round.",
   "for_you": [
    "dobierasz ustawienia maszyny lub receptury metodą prób",
    "każdy test procesu jest drogi albo długi",
    "chcesz zrobić mniej eksperymentów przy tym samym wyniku"
   ],
   "for_you_en": [
    "tune machine settings or recipes by trial and error",
    "find each process test expensive or slow",
    "want fewer experiments for the same result"
   ],
   "how": "Model zastępczy, zwykle proces gaussowski, przybliża wynik procesu jako funkcję parametrów i podaje swoją niepewność. Funkcja akwizycji (oczekiwana poprawa, UCB, warianty wsadowe) wybiera kolejne eksperymenty, ważąc eksplorację i eksploatację. Po każdej rundzie wyników model jest aktualizowany.",
   "how_en": "A surrogate, usually a Gaussian process, approximates the process outcome as a function of parameters and reports its uncertainty. An acquisition function (expected improvement, UCB, batch variants) picks the next experiments, balancing exploration and exploitation. The model is updated after each round of results.",
   "limits": "Skuteczność zależy od zakodowania parametrów, zwłaszcza kategorycznych, i od założeń modelu zastępczego. Klasyczne podejście z procesem gaussowskim słabo skaluje się do wielu wymiarów. Wiele celów naraz i ograniczenia wymagają rozszerzeń metody.",
   "limits_en": "Performance depends on how parameters, especially categorical ones, are encoded and on the surrogate's assumptions. Classic Gaussian-process BO scales poorly to many dimensions. Multiple objectives and constraints need extensions of the method.",
   "terms": [
    {
     "gloss": "Tani model przybliżający drogi eksperyment.",
     "term": "model zastępczy"
    },
    {
     "gloss": "Reguła wybierająca, który eksperyment wykonać jako następny.",
     "term": "funkcja akwizycji"
    },
    {
     "gloss": "Model, który oprócz prognozy podaje, jak bardzo jest jej pewien.",
     "term": "proces gaussowski"
    }
   ],
   "terms_en": [
    {
     "gloss": "A cheap model approximating an expensive experiment.",
     "term": "surrogate model"
    },
    {
     "gloss": "The rule that picks which experiment to run next.",
     "term": "acquisition function"
    },
    {
     "gloss": "A model that gives a prediction plus how sure it is.",
     "term": "Gaussian process"
    }
   ],
   "prereq": [
    "bayesinference"
   ],
   "keywords": [
    "Gaussian process",
    "expected improvement",
    "BoTorch",
    "Ax",
    "EDBO",
    "batch Bayesian optimization",
    "multi-objective Bayesian optimization",
    "self-driving laboratory",
    "design of experiments"
   ],
   "source_ids": [
    "shields-bayesian-reaction-optimization-2021"
   ],
   "url": "https://aiatlasgraph.com/t/processbo",
   "markdown_url": "https://aiatlasgraph.com/t/processbo.md",
   "updated": "2026-10-30"
  },
  "processcontrol": {
   "id": "processcontrol",
   "parent_id": "industrialai",
   "label": "Optymalizacja i sterowanie procesów",
   "canonical_name": "Process optimization and control with machine learning",
   "aliases": [
    "process optimization",
    "advanced process control",
    "APC",
    "ML for process control",
    "optymalizacja procesów",
    "sterowanie procesem",
    "industrial process control"
   ],
   "description": "Uczenie maszynowe w przemyśle procesowym do modelowania, optymalizacji i sterowania: modele hybrydowe z programowaniem matematycznym oraz uczenie ze wzmocnieniem.",
   "description_en": "Machine learning in process industries for modelling, optimisation and control: hybrid models with mathematical programming, and reinforcement learning.",
   "plain": "Dobieranie temperatur, ciśnień i prędkości w zakładzie z pomocą modeli uczonych na danych, żeby produkować taniej, równiej i bezpieczniej.",
   "plain_en": "Choosing temperatures, pressures and speeds in a plant with models learned from data, to produce more cheaply, evenly and safely.",
   "solves": "Operatorzy ustawiają proces z przyzwyczajenia i ostrożnie, więc zakład zużywa za dużo energii i surowca, a jakość skacze między zmianami.",
   "solves_en": "Operators set the process by habit and cautiously, so the plant uses too much energy and raw material and quality varies between shifts.",
   "does": "Jak kucharz pilnujący wielu garnków naraz: stale koryguje ogień, żeby każda porcja wyszła tak samo przy jak najmniejszym zużyciu gazu.",
   "does_en": "Like a cook minding many pots at once: constantly adjusting the flame so each portion comes out the same using as little gas as possible.",
   "example": "W cementowni model co kilka minut podpowiada operatorowi, jak zmienić podawanie paliwa do pieca, żeby utrzymać jakość przy mniejszym zużyciu energii.",
   "example_en": "At a cement plant a model suggests every few minutes how the operator should adjust fuel feed to the kiln to keep quality with less energy.",
   "for_you": [
    "pracujesz w chemii, energetyce, hutnictwie lub przetwórstwie",
    "płacisz duże rachunki za energię w zakładzie"
   ],
   "for_you_en": [
    "work in chemicals, energy, metals or food processing",
    "pay large energy bills at a plant"
   ],
   "how": "Model procesu buduje się z danych historycznych, często hybrydowo z bilansami i równaniami fizyki. Służy do optymalizacji punktów pracy albo do sterowania predykcyjnego, które co krok rozwiązuje zadanie optymalizacji z ograniczeniami. Alternatywą jest uczenie ze wzmocnieniem, często startujące z danych offline.",
   "how_en": "A process model is built from historical data, often hybridised with balances and physics equations. It is used to optimise operating points or for model predictive control, which solves a constrained optimisation at every step. Reinforcement learning, often starting from offline data, is the alternative.",
   "limits": "Czysto danowe modele bywają trudne do interpretacji i kosztowne obliczeniowo, a dane historyczne pokrywają wąski zakres pracy. Ograniczenia bezpieczeństwa muszą być twarde. Operatorzy i inżynierowie procesu muszą ufać rekomendacjom, inaczej je wyłączą.",
   "limits_en": "Purely data-driven models can be hard to interpret and computationally costly, and historical data cover a narrow operating range. Safety constraints must be hard. Operators and process engineers must trust the recommendations or they will switch them off.",
   "terms": [
    {
     "gloss": "Sterowanie planujące kilka kroków naprzód z modelem procesu.",
     "term": "MPC"
    },
    {
     "gloss": "Zestaw ustawień, przy którym proces aktualnie działa.",
     "term": "punkt pracy"
    },
    {
     "gloss": "Zaawansowane sterowanie procesem ponad podstawowymi regulatorami.",
     "term": "APC"
    }
   ],
   "terms_en": [
    {
     "gloss": "Control that plans several steps ahead using a process model.",
     "term": "MPC"
    },
    {
     "gloss": "The set of settings at which the process currently runs.",
     "term": "operating point"
    },
    {
     "gloss": "Advanced process control layered above basic controllers.",
     "term": "APC"
    }
   ],
   "prereq": [
    "feedbackcontrol",
    "mathoptimization"
   ],
   "keywords": [
    "model predictive control",
    "advanced process control",
    "hybrid modeling",
    "grey-box models",
    "real-time optimization",
    "Bayesian optimization",
    "reinforcement learning control",
    "safe RL",
    "DCS"
   ],
   "source_ids": [
    "lawrence-ml-industrial-sensing-control-2024"
   ],
   "url": "https://aiatlasgraph.com/t/processcontrol",
   "markdown_url": "https://aiatlasgraph.com/t/processcontrol.md",
   "updated": "2026-10-30"
  },
  "prodscheduling": {
   "id": "prodscheduling",
   "parent_id": "industrialai",
   "label": "Harmonogramowanie produkcji",
   "canonical_name": "Production scheduling with learning-based methods",
   "aliases": [
    "job shop scheduling",
    "production scheduling",
    "JSSP",
    "learning to dispatch",
    "neural combinatorial optimization for scheduling",
    "planowanie produkcji",
    "harmonogramowanie zadań"
   ],
   "description": "Przydział i kolejność operacji na maszynach (np. job shop) z użyciem uczenia, w tym polityki dyspozytorskie uczone RL na grafowej reprezentacji problemu.",
   "description_en": "Assigning and sequencing operations on machines (e.g. job shop) with learning, including dispatching policies trained with RL on a graph representation.",
   "plain": "Układanie, które zlecenie ma trafić na którą maszynę i w jakiej kolejności, żeby wszystko skończyć na czas.",
   "plain_en": "Deciding which order goes to which machine and in what sequence, so everything is finished on time.",
   "solves": "Zamówienia ciągle się zmieniają, maszyny się psują, a ręcznie ułożony plan zmiany rozsypuje się przed obiadem.",
   "solves_en": "Orders keep changing, machines break down, and a hand-made shift plan falls apart before lunch.",
   "does": "Jak dyspozytor na zajezdni, który od razu wie, który autobus wysłać jako następny, tylko że nauczył się tego na milionach symulowanych dni.",
   "does_en": "Like a depot dispatcher who knows at once which bus to send next, except it learned this over millions of simulated days.",
   "example": "W zakładzie obróbki metalu pilne zamówienie wpada w połowie zmiany, a program w kilka sekund przestawia kolejkę zadań na tokarkach i frezarkach.",
   "example_en": "At a metalworking shop an urgent order arrives mid-shift and the software reshuffles the queue on lathes and mills within seconds.",
   "for_you": [
    "planujesz pracę maszyn lub ludzi na zmianie",
    "ciągle gonisz terminy zamówień"
   ],
   "for_you_en": [
    "plan the work of machines or people on a shift",
    "are always chasing order deadlines"
   ],
   "how": "Problem zapisuje się jako graf rozłączny operacji i maszyn, który sieć grafowa koduje w stan. Agent uczenia ze wzmocnieniem wybiera kolejną operację do wykonania, czyli uczy się reguły priorytetowej. Ponieważ sieć nie zależy od rozmiaru problemu, polityka działa też na większych instancjach niż treningowe.",
   "how_en": "The problem is written as a disjunctive graph of operations and machines, which a graph neural network encodes as a state. A reinforcement learning agent picks the next operation, effectively learning a priority dispatching rule. Because the network is size-agnostic, the policy also handles larger instances than in training.",
   "limits": "Wyuczone reguły zwykle nie dorównują dokładnym solverom, gdy jest czas na pełną optymalizację; ich atutem jest szybkość. Prawdziwe zakłady mają ograniczenia, których brak w benchmarkach: przezbrojenia, ludzi, narzędzia. Plan musi być zrozumiały dla mistrza zmiany.",
   "limits_en": "Learned rules usually fall short of exact solvers when there is time for full optimisation; their strength is speed. Real plants have constraints missing from benchmarks: changeovers, staff, tooling. The plan must make sense to the shift supervisor.",
   "terms": [
    {
     "gloss": "Zakład, w którym każde zlecenie ma własną kolejność maszyn.",
     "term": "job shop"
    },
    {
     "gloss": "Prosta zasada wyboru następnego zadania, np. najkrótsze najpierw.",
     "term": "reguła priorytetowa"
    },
    {
     "gloss": "Czas od startu do ukończenia ostatniego zlecenia.",
     "term": "makespan"
    }
   ],
   "terms_en": [
    {
     "gloss": "A plant where each order follows its own machine sequence.",
     "term": "job shop"
    },
    {
     "gloss": "A simple rule for picking the next job, e.g. shortest first.",
     "term": "priority dispatching rule"
    },
    {
     "gloss": "Time from start until the last order is finished.",
     "term": "makespan"
    }
   ],
   "prereq": [
    "classicalplanning",
    "gnn"
   ],
   "keywords": [
    "job shop scheduling",
    "learning to dispatch",
    "priority dispatching rules",
    "disjunctive graph",
    "graph neural networks",
    "flexible job shop",
    "constraint programming",
    "OR-Tools",
    "Taillard benchmark"
   ],
   "source_ids": [
    "zhang-l2d-jssp-2020"
   ],
   "url": "https://aiatlasgraph.com/t/prodscheduling",
   "markdown_url": "https://aiatlasgraph.com/t/prodscheduling.md",
   "updated": "2026-10-30"
  },
  "product": {
   "id": "product",
   "parent_id": null,
   "label": "Produkt i wdrażanie AI",
   "canonical_name": "AI product and adoption",
   "description": "Jak przełożyć możliwości modelu na użyteczne rozwiązanie i pracę ludzi.",
   "description_en": "Turning model capability into something useful and into people's work.",
   "examples": "dobór zastosowań · UX AI · testy A/B · koszt na zadanie · kompetencje AI w zespole",
   "examples_en": "use-case selection · AI UX · A/B tests · cost per task · team AI literacy",
   "plain": "To zamienianie możliwości modeli w rozwiązania, które pomagają ludziom w rzeczywistych zadaniach.",
   "plain_en": "This turns model capabilities into products that help people with real tasks.",
   "solves": "Sprawny model nie wystarcza, jeśli funkcja nie pasuje do pracy ludzi, kosztuje za dużo lub trudno z niej korzystać.",
   "solves_en": "A capable model is not enough if the feature does not fit people's work, costs too much or is hard to use.",
   "does": "Wybiera zadania, projektuje współpracę człowieka z modelem, sprawdza efekty i koszty oraz pomaga zespołom wprowadzić rozwiązanie do pracy.",
   "does_en": "It selects tasks, designs cooperation between people and models, checks outcomes and costs, and helps teams adopt the solution.",
   "example": "Zespół testuje asystenta do odpowiedzi klientom, ustala sposób akceptacji szkiców i sprawdza czas pracy, jakość odpowiedzi oraz koszty.",
   "example_en": "A team tests a customer reply assistant, defines how drafts are approved and measures work time, answer quality and costs.",
   "for_you": [
    "chcesz przełożyć możliwości modelu na użyteczną funkcję",
    "wprowadzasz nowe narzędzie do codziennej pracy ludzi"
   ],
   "for_you_en": [
    "want to turn model capabilities into a useful feature",
    "introduce a new tool into people's daily work"
   ],
   "how": "Potrzebę użytkownika przekłada się na mierzalny wynik zadania, dane wejściowe i granice działania modelu. Prototyp, ewaluacja oraz eksperyment na rzeczywistym procesie prowadzą do wyboru interfejsu, poziomu automatyzacji i sposobu utrzymania rozwiązania.",
   "how_en": "A user need is translated into measurable task outcomes, inputs and model-action boundaries. Prototyping, evaluation and real-workflow experiments guide interface choice, automation level and ongoing system operation.",
   "limits": "Wynik benchmarku nie przesądza o użyteczności w procesie. Koszty kontroli i integracji mogą przewyższyć oszczędności; zmiany zachowania użytkowników wymagają pomiaru po wdrożeniu.",
   "limits_en": "Benchmark scores do not establish workflow usefulness. Review and integration costs can outweigh savings; user-behaviour changes require measurement after deployment.",
   "terms": [
    {
     "gloss": "Sprawdzalny efekt, dla którego użytkownik korzysta z funkcji.",
     "term": "wynik zadania"
    },
    {
     "gloss": "Cykl hipotezy, wdrożenia, pomiaru i poprawy rozwiązania.",
     "term": "pętla produktu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A verifiable effect motivating use of a feature.",
     "term": "task outcome"
    },
    {
     "gloss": "A cycle of hypotheses, implementation, measurement and system improvement.",
     "term": "product loop"
    }
   ],
   "prereq": [
    "evalsets",
    "workflows"
   ],
   "keywords": [
    "human-centered AI",
    "HAX Toolkit",
    "People + AI Guidebook",
    "A/B testing",
    "task completion rate",
    "cost per successful task",
    "AI literacy",
    "feature flags",
    "human-in-the-loop",
    "workflow redesign",
    "Pareto frontier",
    "overall evaluation criterion"
   ],
   "source_ids": [
    "fsdl",
    "bootcamp",
    "applied-llms-2024"
   ],
   "url": "https://aiatlasgraph.com/t/product",
   "markdown_url": "https://aiatlasgraph.com/t/product.md",
   "updated": "2026-10-30"
  },
  "productivitymeasurement": {
   "id": "productivitymeasurement",
   "parent_id": "adoption",
   "label": "Pomiar wpływu AI na produktywność",
   "canonical_name": "Measuring AI productivity impact",
   "description": "Sprawdzanie, czy AI naprawdę przyspiesza pracę, eksperymentem albo danymi z pracy zamiast deklaracji — bo odczucia użytkowników potrafią mocno rozmijać się z pomiarem.",
   "description_en": "Checking whether AI actually speeds up work with experiments or work data rather than self-reports — because users' impressions can diverge sharply from measurement.",
   "examples": "badanie z losowym przydziałem · zadania na godzinę · różnice między nowicjuszami a ekspertami · odczucia vs pomiar",
   "examples_en": "randomised controlled trial · tasks per hour · novice vs expert differences · perception vs measurement",
   "plain": "To mierzenie, czy używanie modelu rzeczywiście pomaga szybciej i lepiej wykonywać pracę.",
   "plain_en": "This measures whether using a model actually helps people work faster and better.",
   "solves": "Poczucie oszczędności czasu może pomijać sprawdzanie, poprawki i zadania, które narzędzie utrudniło.",
   "solves_en": "A feeling of saved time can overlook checking, corrections and tasks the tool made harder.",
   "does": "Porównuje podobne zadania z narzędziem i bez niego, uwzględniając czas, ukończone wyniki, jakość oraz różnice między osobami.",
   "does_en": "It compares similar tasks with and without the tool, accounting for time, completed outcomes, quality and differences between people.",
   "example": "Przy odpowiedziach klientom mierzysz cały czas pracy, także poprawki szkiców, zamiast pytać tylko, czy pisanie wydawało się szybsze.",
   "example_en": "For customer replies, you measure the full work time, including draft corrections, rather than only asking whether writing felt faster.",
   "for_you": [
    "chcesz sprawdzić deklarowaną oszczędność czasu",
    "musisz uwzględnić jakość i poprawki w ocenie pracy"
   ],
   "for_you_en": [
    "want to check claims of time savings",
    "need quality and corrections included in work assessment"
   ],
   "how": "Czas, jakość i wynik całego zadania porównuje się z wariantem odniesienia, uwzględniając kontrolę oraz naprawy. Randomizacja lub odpowiedni projekt obserwacyjny rozdziela wpływ narzędzia od doświadczenia, doboru zadań i zmian procesu.",
   "how_en": "Whole-task time, quality and outcomes are compared with a baseline, including review and repairs. Randomisation or suitable observational design separates tool effects from experience, task selection and workflow changes.",
   "limits": "Samoocena i liczba wytworzonych treści nie mierzą pełnej korzyści. Dobór chętnych osób oraz pomijanie trudnych zadań zniekształcają wyniki; efekt może zmieniać się wraz z uczeniem.",
   "limits_en": "Self-reports and output counts do not measure full benefits. Volunteer selection and omitted difficult tasks distort results; effects can change as users learn.",
   "terms": [
    {
     "gloss": "Czas obejmujący przygotowanie, wykonanie, sprawdzenie i poprawki.",
     "term": "czas całkowity zadania"
    },
    {
     "gloss": "Zniekształcenie porównania wynikające z nieprzypadkowego doboru osób lub zadań.",
     "term": "błąd selekcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Time covering preparation, execution, review and corrections.",
     "term": "total task time"
    },
    {
     "gloss": "Comparison distortion caused by nonrandom selection of people or tasks.",
     "term": "selection bias"
    }
   ],
   "prereq": [
    "hypothesistesting",
    "evalstats"
   ],
   "keywords": [
    "randomized assignment",
    "tasks per hour",
    "total task time",
    "selection bias",
    "self-reported productivity",
    "quality-adjusted productivity"
   ],
   "source_ids": [
    "metr-2025-productivity",
    "metr-2026-uplift-update",
    "brynjolfsson-genai-at-work"
   ],
   "url": "https://aiatlasgraph.com/t/productivitymeasurement",
   "markdown_url": "https://aiatlasgraph.com/t/productivitymeasurement.md",
   "updated": "2026-10-30"
  },
  "productmetrics": {
   "id": "productmetrics",
   "parent_id": "experiments",
   "label": "Metryki sukcesu produktu AI",
   "canonical_name": "AI product success metrics",
   "description": "Wybór miar, które mówią, czy funkcja AI naprawdę pomaga: główna miara sukcesu zadania plus metryki ochronne pilnujące, by nie popsuć czegoś innego.",
   "description_en": "Choosing measures that show whether an AI feature actually helps: one primary task-success criterion plus guardrail metrics that make sure nothing else breaks.",
   "examples": "odsetek zadań dokończonych · akceptacja sugestii · retencja · metryki ochronne (koszt, skargi) · OEC",
   "examples_en": "task completion rate · suggestion acceptance · retention · guardrail metrics (cost, complaints) · OEC",
   "plain": "To wybieranie miar pokazujących, czy funkcja pomaga wykonać zadanie bez pogarszania innych ważnych wyników.",
   "plain_en": "This chooses measures showing whether a feature helps complete a task without worsening other important outcomes.",
   "solves": "Więcej użyć lub zaakceptowanych sugestii nie musi oznaczać lepszej pracy, mniejszych kosztów ani mniej pomyłek.",
   "solves_en": "More use or accepted suggestions does not necessarily mean better work, lower costs or fewer mistakes.",
   "does": "Ustala główną miarę powodzenia zadania i dodatkowo śledzi możliwe skutki uboczne, takie jak błędy, koszt lub skargi.",
   "does_en": "It defines a primary task success measure and also tracks possible side effects such as errors, costs or complaints.",
   "example": "Dla asystenta obsługi liczysz zakończone sprawy, a równocześnie sprawdzasz liczbę reklamacji, pomyłki oraz koszt każdej sprawy.",
   "example_en": "For a support assistant, you count resolved cases while also checking complaints, mistakes and the cost per case.",
   "for_you": [
    "musisz ustalić, co oznacza sukces nowej funkcji",
    "chcesz zauważać pogorszenie kosztu, jakości lub doświadczenia użytkownika"
   ],
   "for_you_en": [
    "need to define success for a new feature",
    "want to detect worsening costs, quality or user experience"
   ],
   "how": "Cel użytkowy zamienia się na mierzalny wynik z jednoznacznym mianownikiem i oknem obserwacji. Miara główna opisuje sukces zadania, a wskaźniki ochronne śledzą błędy, koszt, opóźnienie i skutki uboczne w odpowiednich grupach.",
   "how_en": "A user goal becomes a measurable outcome with an explicit denominator and observation window. The primary metric captures task success, while guardrails track errors, cost, latency and side effects across relevant groups.",
   "limits": "Łatwo mierzona aktywność może nie oznaczać korzyści. Agregacja ukrywa różnice grup, a optymalizacja wskaźnika sprzyja jego obchodzeniu; definicje muszą uwzględniać nieudane i porzucone próby.",
   "limits_en": "Easily measured activity may not represent benefits. Aggregation hides group differences, and metric optimisation encourages gaming; definitions must include failed and abandoned attempts.",
   "terms": [
    {
     "gloss": "Wskaźnik bezpośrednio powiązany z celem ocenianej funkcji.",
     "term": "miara główna"
    },
    {
     "gloss": "Zbiór zdarzeń lub zadań, względem którego liczony jest wynik.",
     "term": "mianownik metryki"
    }
   ],
   "terms_en": [
    {
     "gloss": "A measure directly linked to the evaluated feature's goal.",
     "term": "primary metric"
    },
    {
     "gloss": "The event or task population relative to which a score is calculated.",
     "term": "metric denominator"
    }
   ],
   "prereq": [
    "metrics",
    "hypothesistesting"
   ],
   "keywords": [
    "task completion rate",
    "suggestion acceptance rate",
    "user retention",
    "overall evaluation criterion",
    "guardrail metrics",
    "cost per successful task"
   ],
   "source_ids": [
    "kohavi-experiments-2020"
   ],
   "url": "https://aiatlasgraph.com/t/productmetrics",
   "markdown_url": "https://aiatlasgraph.com/t/productmetrics.md",
   "updated": "2026-10-30"
  },
  "profiling": {
   "id": "profiling",
   "parent_id": "compute",
   "label": "Profilowanie i optymalizacja kerneli",
   "canonical_name": "Kernel profiling and optimisation",
   "description": "Pomiar, gdzie ucieka czas, i sposoby, żeby go odzyskać.",
   "description_en": "Measuring where time goes, and ways to win it back.",
   "examples": "roofline · occupancy · fuzja kerneli · CUDA Graphs",
   "examples_en": "roofline · occupancy · kernel fusion · CUDA Graphs",
   "plain": "To mierzenie, które części obliczeń modelu zabierają czas i zasoby, żeby poprawiać konkretne wąskie gardła.",
   "plain_en": "This measures which model computations consume time and resources so specific bottlenecks can be improved.",
   "solves": "Model jest wolny, ale bez pomiarów nie wiesz, która zmiana rzeczywiście pomoże.",
   "solves_en": "A model is slow, but without measurements you do not know which change will help.",
   "does": "Ślady wykonania pokazują obliczenia, przesyłanie danych i oczekiwanie; porównanie przed i po zmianie sprawdza jej efekt.",
   "does_en": "Execution traces reveal computation, transfers and waiting; comparing before and after a change checks its effect.",
   "example": "Pomiar pokazuje, że model czeka na kopiowanie danych, więc zmieniasz ten etap i ponownie mierzysz czas.",
   "example_en": "Measurement shows a model waits for data copying, so you change that stage and measure runtime again.",
   "for_you": [
    "chcesz znaleźć przyczynę powolnej pracy",
    "sprawdzasz rzeczywisty efekt optymalizacji"
   ],
   "for_you_en": [
    "want to find the cause of slow execution",
    "check the actual effect of an optimisation"
   ],
   "how": "Ślady i liczniki pokazują czas kerneli, transferów, kolejek oraz wykorzystanie zasobów dla zadanego obciążenia. Hipotezę wąskiego gardła sprawdza się kontrolowaną zmianą, mierząc pełny przebieg i zgodność numeryczną po optymalizacji.",
   "how_en": "Traces and counters show kernel, transfer and queue times plus resource utilisation for a workload. A bottleneck hypothesis is tested through controlled changes, measuring whole-run performance and numerical agreement after optimisation.",
   "limits": "Instrumentacja może zmieniać czas, a brak synchronizacji fałszować pomiar asynchroniczny. Wyniki z jednego kształtu nie przenoszą się na wszystkie; szybszy fragment może nie skracać ścieżki krytycznej.",
   "limits_en": "Instrumentation can alter timing, while missing synchronisation distorts asynchronous measurements. Results from one shape do not generalise universally; faster fragments may not shorten critical paths.",
   "terms": [
    {
     "gloss": "Łańcuch zależności wyznaczający najwcześniejszy możliwy koniec wykonania.",
     "term": "ścieżka krytyczna"
    },
    {
     "gloss": "Udział dostępnych miejsc wykonania zajętych przez aktywne grupy wątków.",
     "term": "occupancy"
    }
   ],
   "terms_en": [
    {
     "gloss": "The dependency chain determining the earliest possible completion time.",
     "term": "critical path"
    },
    {
     "gloss": "The share of available execution slots occupied by active thread groups.",
     "term": "occupancy"
    }
   ],
   "prereq": [
    "gpuprog",
    "roofline"
   ],
   "keywords": [
    "Nsight Compute",
    "Nsight Systems",
    "roofline analysis",
    "occupancy",
    "CUDA Graphs",
    "kernel fusion",
    "critical path"
   ],
   "source_ids": [
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/profiling",
   "markdown_url": "https://aiatlasgraph.com/t/profiling.md",
   "updated": "2026-10-30"
  },
  "progautograding": {
   "id": "progautograding",
   "parent_id": "autoassessment",
   "label": "Automatyczne sprawdzanie zadań programistycznych",
   "canonical_name": "Automated grading and feedback for programming assignments",
   "aliases": [
    "autograder",
    "automated program assessment",
    "programming autograding",
    "automatyczna ocena kodu",
    "sprawdzarka zadań"
   ],
   "description": "Narzędzia oceniające poprawność i wybrane cechy jakości kodu studentów analizą dynamiczną (np. testami jednostkowymi), statyczną lub porównaniem z rozwiązaniami wzorcowymi.",
   "description_en": "Tools that assess the correctness and selected quality characteristics of student code through dynamic analysis (such as unit tests), static analysis, or comparison with reference solutions.",
   "plain": "Program uruchamia kod oddany przez studenta na przygotowanych testach i od razu odpisuje, co działa, a co nie.",
   "plain_en": "A program runs the code a student hands in against prepared tests and immediately reports what works and what does not.",
   "solves": "Na dużych kursach programowania prowadzący nie nadążają ze sprawdzaniem setek rozwiązań, a studenci czekają na ocenę dniami.",
   "solves_en": "On large programming courses teachers cannot keep up with hundreds of submissions, and students wait days for a grade.",
   "does": "Jak automatyczny egzaminator na stanowisku: oddajesz rozwiązanie, po kilku sekundach widzisz wynik i możesz poprawić i oddać jeszcze raz.",
   "does_en": "Like an automatic examiner at your desk: you hand in a solution, see the result within seconds and can fix it and resubmit.",
   "example": "Student wysyła zadanie na zaliczenie i po chwili widzi, które przypadki testowe nie przeszły i czym jego wynik różni się od oczekiwanego.",
   "example_en": "A student submits a coursework task and moments later sees which test cases failed and how their output differs from the expected one.",
   "for_you": [
    "uczysz się programowania na kursie z automatycznym sprawdzaniem",
    "prowadzisz zajęcia z programowania dla dużej grupy",
    "chcesz szybciej odpowiadać uczniom na ich kod"
   ],
   "for_you_en": [
    "learn programming on a course with automatic checking",
    "teach programming to a large group",
    "want to give faster responses on learners' code"
   ],
   "how": "Rozwiązanie uruchamia się w izolowanym środowisku na zestawie testów i porównuje wynik z oczekiwanym. Analiza statyczna sprawdza styl, metryki jakości lub strukturę kodu, a metody porównawcze zestawiają pracę z rozwiązaniem wzorcowym albo poprawnymi rozwiązaniami innych studentów.",
   "how_en": "The solution runs in an isolated environment against a test suite and its output is compared with the expected result. Static analysis checks style, quality metrics, or code structure, while comparison methods match the submission against a reference solution or correct solutions from other students.",
   "limits": "Informacja zwrotna często sprowadza się do wyniku testów lub różnicy wyjść. Niewiele narzędzi ocenia czytelność, projekt i dokumentację, a zbiory do ewaluacji rzadko są publiczne. Ukryte testy ograniczają, lecz nie usuwają możliwości dopasowania kodu do znanych przypadków.",
   "limits_en": "Feedback often amounts to test results or output differences. Few tools assess readability, design, and documentation, and evaluation datasets are rarely public. Hidden tests reduce but do not eliminate the possibility of tailoring code to known cases.",
   "terms": [
    {
     "gloss": "Mały automatyczny sprawdzian jednej funkcji dla danego wejścia.",
     "term": "unit test"
    },
    {
     "gloss": "Badanie kodu bez uruchamiania go, np. stylu lub złożoności.",
     "term": "static analysis"
    },
    {
     "gloss": "Odizolowane środowisko, w którym bezpiecznie uruchamia się obcy kod.",
     "term": "sandbox"
    }
   ],
   "terms_en": [
    {
     "gloss": "A small automatic check of one function for a given input.",
     "term": "unit test"
    },
    {
     "gloss": "Examining code without running it, e.g. style or complexity.",
     "term": "static analysis"
    },
    {
     "gloss": "An isolated environment for running untrusted code safely.",
     "term": "sandbox"
    }
   ],
   "prereq": [
    "aicoding"
   ],
   "keywords": [
    "automatic grading",
    "unit tests",
    "static analysis",
    "programming education"
   ],
   "source_ids": [
    "messer-autograding-review-2023"
   ],
   "url": "https://aiatlasgraph.com/t/progautograding",
   "markdown_url": "https://aiatlasgraph.com/t/progautograding.md",
   "updated": "2026-10-30"
  },
  "progdistill": {
   "id": "progdistill",
   "parent_id": "fewstepdiffusion",
   "label": "Stopniowa destylacja kroków",
   "canonical_name": "Progressive distillation of diffusion samplers",
   "aliases": [
    "progressive distillation",
    "step distillation",
    "destylacja kroków",
    "v-prediction"
   ],
   "description": "Iteracyjna destylacja, w której uczeń uczy się jednym krokiem odtwarzać dwa kroki deterministycznego samplera nauczyciela, połowiąc liczbę kroków w każdej rundzie.",
   "description_en": "Iterative distillation where a student learns to reproduce two steps of the teacher's deterministic sampler in one, halving the step count each round.",
   "plain": "Uczenie modelu, by jednym krokiem robił to, na co poprzednia wersja potrzebowała dwóch, i powtarzanie tego wiele razy.",
   "plain_en": "Teaching a model to do in one step what its previous version needed two for, and repeating that many times.",
   "solves": "Każdy obraz z modelu dyfuzyjnego wymaga wielu przejść sieci, a te przejścia kosztują czas i prąd na serwerach.",
   "solves_en": "Every image from a diffusion model takes many network passes, and those passes cost time and server power.",
   "does": "Jak uczeń, który patrzy, jak mistrz robi dwa ruchy, i uczy się je łączyć w jeden; potem sam staje się mistrzem.",
   "does_en": "Like an apprentice who watches the master make two moves and learns to merge them into one, then becomes the master.",
   "example": "Usługa generująca ilustracje obsługuje więcej klientów na tych samych serwerach, bo jej model robi cztery kroki zamiast kilkuset.",
   "example_en": "An illustration service serves more customers on the same servers because its model takes four steps instead of hundreds.",
   "for_you": [
    "utrzymujesz własny generator obrazów i liczysz koszty",
    "chcesz zrozumieć, jak powstają szybkie wersje modeli"
   ],
   "for_you_en": [
    "run your own image generator and watch costs",
    "want to understand how fast model versions are made"
   ],
   "how": "Nauczyciel wykonuje dwa kroki samplera typu DDIM z danego zaszumionego punktu; uczeń, zainicjowany wagami nauczyciela, uczy się dotrzeć do tego samego wyniku jednym krokiem. Po rundzie uczeń staje się nauczycielem. Z tysięcy kroków można zejść do czterech przy niewielkiej stracie jakości; pomaga parametryzacja przewidująca prędkość v zamiast szumu.",
   "how_en": "The teacher takes two DDIM-style sampler steps from a noisy point; the student, initialised from the teacher, learns to reach the same output in one step. After a round the student becomes the teacher. Thousands of steps can be reduced to four with little quality loss; predicting velocity v instead of noise helps.",
   "limits": "Każda runda tworzy i trenuje kolejnego ucznia, więc całe przyspieszenie wymaga dodatkowego procesu treningowego. Publikacja pokazuje wysoką jakość przy czterech krokach; nie ustanawia takiego samego wyniku dla dowolnie mniejszej liczby kroków.",
   "limits_en": "Each round creates and trains another student, so the speedup requires an additional training pipeline. The paper demonstrates high quality at four steps; it does not establish the same result for arbitrarily fewer steps.",
   "terms": [
    {
     "gloss": "Szybki model trenowany na wynikach wolniejszego, ale dokładniejszego.",
     "term": "uczeń i nauczyciel"
    },
    {
     "gloss": "Sieć przewiduje mieszankę szumu i danych, co stabilizuje małą liczbę kroków.",
     "term": "v-prediction"
    }
   ],
   "terms_en": [
    {
     "gloss": "A fast model trained on outputs of a slower, more accurate one.",
     "term": "student and teacher"
    },
    {
     "gloss": "The network predicts a noise–data mix, stabilising few-step sampling.",
     "term": "v-prediction"
    }
   ],
   "prereq": [
    "logitdistill"
   ],
   "keywords": [
    "progressive distillation",
    "v-prediction",
    "guided distillation",
    "step distillation",
    "DDIM teacher"
   ],
   "source_ids": [
    "salimans-progdistill-2022"
   ],
   "url": "https://aiatlasgraph.com/t/progdistill",
   "markdown_url": "https://aiatlasgraph.com/t/progdistill.md",
   "updated": "2026-10-30"
  },
  "programmablerails": {
   "id": "programmablerails",
   "parent_id": "guardrails",
   "label": "Programowalne reguły przepływu rozmowy (rails)",
   "canonical_name": "Programmable dialogue rails",
   "description": "Reguły wpięte w różne etapy działania aplikacji LLM — na wejściu, w dialogu, przy wyszukiwaniu, przy wywołaniach narzędzi i na wyjściu — które trzymają rozmowę w temacie i w ustalonym scenariuszu.",
   "description_en": "Rules plugged into different stages of an LLM application — input, dialogue, retrieval, tool execution and output — that keep the conversation on topic and on script.",
   "examples": "rails wejściowe, dialogowe, wyszukiwania, wykonania i wyjściowe · ograniczanie tematu",
   "examples_en": "input, dialogue, retrieval, execution and output rails · topic restriction",
   "plain": "To zapisane reguły sterujące dopuszczalnym przebiegiem rozmowy i używaniem narzędzi przez aplikację.",
   "plain_en": "These written rules control an application's permitted conversation flow and tool use.",
   "solves": "Asystent odchodzi od scenariusza albo próbuje wykonać działanie przed zebraniem wymaganych danych.",
   "solves_en": "An assistant strays from the workflow or tries to act before gathering required details.",
   "does": "Reguły w wybranych etapach sprawdzają warunki i określają kolejne przejścia, odpowiedzi lub dostępne narzędzia.",
   "does_en": "Rules at selected stages check conditions and specify the next transitions, responses or available tools.",
   "example": "Asystent nie przechodzi do anulowania zamówienia, dopóki rozmówca nie poda numeru i nie potwierdzi zamiaru.",
   "example_en": "An assistant does not proceed to order cancellation until the caller provides its number and confirms the intention.",
   "for_you": [
    "rozmowa musi przechodzić przez ustalone etapy",
    "chcesz kontrolować warunki uruchomienia narzędzi"
   ],
   "for_you_en": [
    "need conversations to follow defined stages",
    "want to control when tools can run"
   ],
   "how": "Przepływ deklaruje dozwolone stany, zdarzenia i akcje, które orkiestrator sprawdza w czasie wykonania. Reguły wejścia, dialogu, retrieval, narzędzi oraz wyjścia łączą kontrolę treści z ograniczeniem dopuszczalnych przejść procesu.",
   "how_en": "A flow declares allowed states, events and actions checked by an orchestrator at runtime. Input, dialogue, retrieval, tool and output rules combine content checks with constraints on permitted process transitions.",
   "limits": "Kompletność zależy od objęcia wszystkich ścieżek wykonania. Reguły mogą blokować poprawne przypadki lub kolidować; klasyfikacja intencji przez model nie daje gwarancji deterministycznej polityki.",
   "limits_en": "Completeness depends on covering all execution paths. Rules can block valid cases or conflict; model-based intent classification does not guarantee deterministic policy enforcement.",
   "terms": [
    {
     "gloss": "Reguła sterująca dozwolonym przebiegiem wymiany z użytkownikiem.",
     "term": "rail dialogowy"
    },
    {
     "gloss": "Warunki określające, które akcje można uruchomić w danym stanie.",
     "term": "polityka wykonania"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule controlling permitted user-interaction flow.",
     "term": "dialogue rail"
    },
    {
     "gloss": "Conditions defining which actions may run in a given state.",
     "term": "execution policy"
    }
   ],
   "prereq": [
    "workflows",
    "eventdriven"
   ],
   "keywords": [
    "NeMo Guardrails",
    "Colang",
    "input rails",
    "dialogue rails",
    "retrieval rails",
    "execution rails",
    "output rails"
   ],
   "source_ids": [
    "nemo-guardrails-2023"
   ],
   "url": "https://aiatlasgraph.com/t/programmablerails",
   "markdown_url": "https://aiatlasgraph.com/t/programmablerails.md",
   "updated": "2026-10-30"
  },
  "progressivemisalignment": {
   "id": "progressivemisalignment",
   "parent_id": "alignment",
   "label": "Postępujące rozminięcie z celami",
   "canonical_name": "Progressive misalignment",
   "aliases": [
    "progresywne rozminięcie",
    "progresywna utrata zgodności"
   ],
   "description": "Zaobserwowane w badaniu zjawisko, w którym model po kolejnych rundach rekurencyjnej samodestylacji coraz częściej odpowiada na szkodliwe zapytania mimo niegroźnej dodatkowej informacji dla nauczyciela.",
   "description_en": "An observed phenomenon in which a model increasingly answers harmful queries across rounds of recursive self-distillation despite benign extra information for the teacher.",
   "plain": "W niektórych eksperymentach model po kolejnych rundach uczenia na własnych odpowiedziach coraz częściej odpowiadał na szkodliwe pytania.",
   "plain_en": "In some experiments, a model increasingly answered harmful questions after successive rounds of training on its own responses.",
   "solves": "Rekurencyjne uczenie na pozornie bezpiecznych odpowiedziach może stopniowo osłabiać odmowy, więc bezpieczeństwo trzeba mierzyć po każdej rundzie.",
   "solves_en": "Recursive training on seemingly safe responses can gradually weaken refusals, so safety must be measured after every round.",
   "does": "Autorzy zaobserwowali, że drobne zmiany zachowania narastają między rundami; podejrzewają, że szczególnie ważne są przesunięcia rozkładu pierwszych tokenów.",
   "does_en": "The authors observed small behavioural changes accumulating across rounds; they hypothesise that shifts in the first-token distribution are especially important.",
   "example": "Model odmawia instrukcji budowy broni, dostaje pochwałę „Excellent”, a po kilku destylacjach zaczyna podawać szczegółowe rady.",
   "example_en": "A model refuses instructions for building a weapon, receives the praise “Excellent”, and after a few distillations starts giving detailed advice.",
   "for_you": [
    "trenujesz model rekurencyjnie na własnych odpowiedziach",
    "dodajesz pochwały lub feedback użytkownika",
    "sprawdzasz, czy bezpieczeństwo utrzymuje się po wielu rundach"
   ],
   "for_you_en": [
    "train a model recursively on its own answers",
    "add praise or user feedback",
    "check whether safety holds after many rounds"
   ],
   "how": "W badaniu nauczyciel otrzymuje niegroźną wskazówkę lub informację zwrotną, a uczeń dopasowuje swoje rozkłady tokenów bez tej informacji. Po aktualizacji uczeń staje się nauczycielem kolejnej rundy. Autorzy wiążą narastanie niebezpiecznej zgodności z amplifikacją małych przesunięć rozkładu, ale nie wykazują jeszcze pełnego mechanizmu przyczynowego.",
   "how_en": "In the study, the teacher receives a benign cue or feedback while the student matches token distributions without it. After updating, the student becomes the teacher for the next round. The authors associate rising unsafe compliance with amplified distribution shifts, but do not yet establish a complete causal mechanism.",
   "limits": "Wynik pochodzi z jednego preprintu bez niezależnej replikacji. Obejmuje dwie rodziny modeli, głównie warianty 14B, wąski zbiór 20 szkodliwych promptów oraz specjalnie wybrane prompty niegroźne. Silniejszy efekt wraz ze skalą pokazano tylko w jednej rodzinie od 0,6B do 32B; losowo dobrane niegroźne prompty nie wywoływały go w badaniu.",
   "limits_en": "The result comes from one preprint without independent replication. It covers two model families, mainly 14B variants, a narrow set of 20 harmful prompts, and specially selected benign prompts. A stronger effect with scale was shown only within one family from 0.6B to 32B; randomly chosen benign prompts did not induce it in the study.",
   "terms": [
    {
     "gloss": "Odsetek zapytań, na które model udziela odpowiedzi zamiast odmawiać.",
     "term": "compliance"
    },
    {
     "gloss": "Narastanie drobnych zmian zachowania w kolejnych rundach treningu.",
     "term": "amplifikacja"
    },
    {
     "gloss": "Niegroźna dodatkowa informacja, np. pochwała, używana podczas generowania.",
     "term": "benign cue"
    }
   ],
   "terms_en": [
    {
     "gloss": "The share of queries the model answers instead of refusing.",
     "term": "compliance"
    },
    {
     "gloss": "The growth of small behavioural changes across successive training rounds.",
     "term": "amplification"
    },
    {
     "gloss": "Non-harmful extra information, such as praise, used during generation.",
     "term": "benign cue"
    }
   ],
   "prereq": [
    "recursiveselfdistill"
   ],
   "keywords": [
    "progressive misalignment",
    "recursive self-distillation safety",
    "RSD failure mode",
    "SORRY-Bench",
    "StrongREJECT",
    "benign cue misalignment",
    "first-token shift"
   ],
   "source_ids": [
    "sadek-progressive-misalignment-2026",
    "progressive-misalignment-project-2026"
   ],
   "url": "https://aiatlasgraph.com/t/progressivemisalignment",
   "markdown_url": "https://aiatlasgraph.com/t/progressivemisalignment.md",
   "updated": "2026-10-30"
  },
  "progressiverollout": {
   "id": "progressiverollout",
   "parent_id": "experiments",
   "label": "Wdrożenie w cieniu i stopniowe (canary)",
   "canonical_name": "Shadow and canary rollouts",
   "description": "Bezpieczne wypuszczanie zmian w modelu lub prompcie: najpierw równolegle w cieniu bez pokazywania wyników, potem małej części użytkowników, z szybkim wycofaniem przy problemach.",
   "description_en": "Releasing model or prompt changes safely: first in shadow mode without showing outputs, then to a small share of users, with fast rollback if problems appear.",
   "examples": "tryb cienia (shadow) · canary na 1–5% ruchu · flagi funkcji · automatyczne wycofanie",
   "examples_en": "shadow mode · canary on 1–5% of traffic · feature flags · automatic rollback",
   "plain": "To sprawdzanie nowej wersji bez wpływu na użytkowników, a potem udostępnianie jej stopniowo.",
   "plain_en": "This checks a new version without affecting users, then makes it available gradually.",
   "solves": "Zmiana sprawdzona na przykładach może ujawnić nowe błędy w rzeczywistym ruchu i od razu dotknąć wielu osób.",
   "solves_en": "A change tested on examples may reveal new errors in real traffic and immediately affect many people.",
   "does": "Najpierw porównuje ukryte wyniki nowej wersji, potem pokazuje ją ograniczonej grupie i obserwuje problemy, zachowując możliwość wycofania.",
   "does_en": "It first compares hidden outputs, then exposes the version to a limited group and watches for problems while keeping rollback available.",
   "example": "Nowy asystent tworzy niewysyłane szkice obok obecnego; po sprawdzeniu wyników udostępniasz go części zespołu i obserwujesz pomyłki.",
   "example_en": "A new assistant creates unsent drafts alongside the current one; after checking results, you give part of the team access and monitor mistakes.",
   "for_you": [
    "wprowadzasz zmianę, która może wpłynąć na wiele osób",
    "potrzebujesz stopniowego sprawdzania i szybkiego wycofania"
   ],
   "for_you_en": [
    "introduce a change that may affect many people",
    "need gradual checks and a quick rollback option"
   ],
   "how": "Tryb cienia wykonuje nowy wariant na kopiowanym ruchu, lecz nie przekazuje jego odpowiedzi użytkownikom. Canary kieruje do niego część ruchu i porównuje metryki z kontrolą; progi oraz możliwość wycofania sterują dalszym rozszerzaniem.",
   "how_en": "Shadow mode runs a new variant on copied traffic without returning its responses to users. A canary routes some traffic to it and compares metrics against control; thresholds and rollback capability govern expansion.",
   "limits": "Cień nie mierzy reakcji użytkownika i musi izolować skutki narzędzi. Mały ruch może nie ujawnić rzadkich błędów; wycofanie wersji nie cofa automatycznie zmian danych ani działań zewnętrznych.",
   "limits_en": "Shadowing cannot measure user reactions and must isolate tool effects. Small traffic volumes can miss rare errors; version rollback does not automatically undo data or external actions.",
   "terms": [
    {
     "gloss": "Równoległe wykonanie wariantu bez udostępniania jego wyników użytkownikom.",
     "term": "tryb cienia"
    },
    {
     "gloss": "Ograniczone wdrożenie oceniane przed zwiększeniem udziału ruchu.",
     "term": "canary"
    }
   ],
   "terms_en": [
    {
     "gloss": "Running a variant alongside production without exposing its results to users.",
     "term": "shadow mode"
    },
    {
     "gloss": "A limited deployment assessed before increasing its traffic share.",
     "term": "canary"
    }
   ],
   "prereq": [
    "monitoring",
    "evalharness"
   ],
   "keywords": [
    "shadow deployment",
    "canary releases",
    "feature flags",
    "traffic splitting",
    "automatic rollback"
   ],
   "source_ids": [
    "sre-canarying"
   ],
   "url": "https://aiatlasgraph.com/t/progressiverollout",
   "markdown_url": "https://aiatlasgraph.com/t/progressiverollout.md",
   "updated": "2026-10-30"
  },
  "promptattacks": {
   "id": "promptattacks",
   "parent_id": "security",
   "label": "Ataki przez prompt",
   "canonical_name": "Prompt attacks",
   "description": "Przejęcie zachowania modelu treścią wejścia: wstrzyknięte polecenia, wyciąganie promptu lub danych, obchodzenie zabezpieczeń.",
   "description_en": "Hijacking model behaviour through input content: injected instructions, leaking the prompt or data, bypassing safeguards.",
   "examples": "prompt injection · prompt leaking · jailbreak",
   "examples_en": "prompt injection · prompt leaking · jailbreak",
   "plain": "To próby zmiany zachowania modelu przez treść, która nakłania go do złamania zasad lub ujawnienia danych.",
   "plain_en": "These attempts use content to make a model break rules or reveal data.",
   "solves": "Aplikacja może potraktować złośliwe słowa jako ważniejsze polecenie niż ustalone zasady i intencja użytkownika.",
   "solves_en": "An application may treat malicious text as an instruction overriding its rules and the user's intent.",
   "does": "Atak wykorzystuje trudność oddzielania instrukcji od danych lub słabość zabezpieczeń modelu, wpływając na odpowiedzi i wybór działań.",
   "does_en": "An attack exploits difficulty separating instructions from data or weaknesses in model safeguards, influencing responses and action choices.",
   "example": "W teście złośliwa wiadomość próbuje nakłonić asystenta do ujawnienia prywatnego fragmentu rozmowy.",
   "example_en": "In a test, a malicious message tries to make an assistant reveal a private conversation fragment.",
   "for_you": [
    "model przyjmuje treści spoza zaufanego źródła",
    "chcesz sprawdzić odporność na manipulowanie poleceniami"
   ],
   "for_you_en": [
    "accept model inputs from untrusted sources",
    "want to test resistance to instruction manipulation"
   ],
   "how": "Treść wejścia próbuje zmienić interpretację instrukcji, ujawnić kontekst lub skierować model ku niedozwolonemu zachowaniu. Mieszanie poleceń i danych w tej samej reprezentacji tekstowej pozwala atakowi wpływać na wybór odpowiedzi lub narzędzia.",
   "how_en": "Input content attempts to reinterpret instructions, reveal context or steer models towards prohibited behaviour. Mixing instructions and data within the same textual representation lets attacks influence answers or tool selection.",
   "limits": "Powodzenie zależy od modelu, kontekstu i dostępnych uprawnień. Wykrywanie podejrzanych słów nie obejmuje wszystkich form; obrona wymaga egzekwowania granic poza samym promptem.",
   "limits_en": "Success depends on models, context and available permissions. Suspicious-word detection cannot cover every form; defence requires enforcing boundaries beyond prompts themselves.",
   "terms": [
    {
     "gloss": "Próba potraktowania niezaufanej treści jako instrukcji sterującej systemem.",
     "term": "prompt injection"
    },
    {
     "gloss": "Ujawnienie informacji wejściowych osobie, która nie powinna ich otrzymać.",
     "term": "wyciek kontekstu"
    }
   ],
   "terms_en": [
    {
     "gloss": "An attempt to treat untrusted content as system-controlling instructions.",
     "term": "prompt injection"
    },
    {
     "gloss": "Revealing input information to someone who should not receive it.",
     "term": "context leakage"
    }
   ],
   "prereq": [
    "prompting",
    "structured"
   ],
   "keywords": [
    "prompt injection",
    "prompt leakage",
    "instruction hierarchy",
    "adversarial suffixes",
    "tool output injection",
    "context exfiltration",
    "untrusted context"
   ],
   "source_ids": [
    "mlabonne-llm-course",
    "owasp-llm-top10-2025"
   ],
   "url": "https://aiatlasgraph.com/t/promptattacks",
   "markdown_url": "https://aiatlasgraph.com/t/promptattacks.md",
   "updated": "2026-10-30"
  },
  "promptcaching": {
   "id": "promptcaching",
   "parent_id": "llmcaching",
   "label": "Cache promptu (wspólny początek zapytań)",
   "canonical_name": "Prompt (prefix) caching",
   "description": "Ponowne użycie już przetworzonego stałego początku promptu — instrukcji systemowych, definicji narzędzi, długich dokumentów — za ułamek ceny i z krótszym czasem do pierwszego tokenu.",
   "description_en": "Reusing an already processed fixed prompt prefix — system instructions, tool definitions, long documents — at a fraction of the price and with a shorter time to first token.",
   "examples": "stałe elementy na początku promptu · czas życia cache (TTL) · odczyt z cache taniej niż zwykłe tokeny",
   "examples_en": "stable content at the start of the prompt · cache time-to-live · cache reads cheaper than regular tokens",
   "plain": "To ponowne używanie obliczeń dla identycznego początku kolejnych zapytań do modelu.",
   "plain_en": "This reuses calculations for the identical beginning of successive model requests.",
   "solves": "Długie instrukcje i dokumenty są przetwarzane wielokrotnie, choć zmienia się dopiero pytanie na końcu.",
   "solves_en": "Long instructions and documents are processed repeatedly even when only the final question changes.",
   "does": "Zachowuje obliczenia wspólnego początku, a przy kolejnym zapytaniu wykorzystuje je i przetwarza nową część oraz generuje nową odpowiedź.",
   "does_en": "It stores calculations for the shared beginning, then reuses them while processing the new part and generating a new answer.",
   "example": "Zadajesz różne pytania o ten sam długi regulamin; model może wykorzystać zapisane obliczenia jego treści przy każdym kolejnym pytaniu.",
   "example_en": "You ask different questions about the same long policy; the model can reuse stored calculations of that text for each subsequent question.",
   "for_you": [
    "twoje zapytania mają długi identyczny początek",
    "często pracujesz z tym samym dokumentem lub instrukcjami"
   ],
   "for_you_en": [
    "have requests sharing a long identical beginning",
    "often work with the same document or instructions"
   ],
   "how": "Silnik zachowuje wynik przetwarzania wspólnego prefiksu, zwykle stan kluczy i wartości uwagi. Kolejne zapytanie ponownie wykorzystuje zgodny fragment i oblicza dalszą część kontekstu, zamiast przeliczać cały początek.",
   "how_en": "An engine retains processing results for a shared prefix, typically attention key–value state. Subsequent requests reuse the matching portion and compute the remaining context instead of reprocessing the entire opening.",
   "limits": "Zgodność zależy od tokenów, pozycji i wersji modelu. Zmiana początku ogranicza trafienia; progi, okres ważności i rozliczenie zależą od silnika lub dostawcy, a odpowiedź nadal jest generowana.",
   "limits_en": "Matching depends on tokens, positions and model versions. Prefix changes reduce hits; thresholds, expiration and billing depend on engines or providers, while answers still require generation.",
   "terms": [
    {
     "gloss": "Początkowy fragment kontekstu współdzielony przez kolejne zapytania.",
     "term": "prefiks promptu"
    },
    {
     "gloss": "Przetwarzanie wejściowych tokenów przed rozpoczęciem generowania odpowiedzi.",
     "term": "prefill"
    }
   ],
   "terms_en": [
    {
     "gloss": "An initial context segment shared across successive requests.",
     "term": "prompt prefix"
    },
    {
     "gloss": "Processing input tokens before response generation starts.",
     "term": "prefill"
    }
   ],
   "prereq": [
    "tokenization",
    "selfattention"
   ],
   "keywords": [
    "cached input tokens",
    "shared prompt prefix",
    "cache write tokens",
    "cache read tokens",
    "cache TTL",
    "prefill reuse"
   ],
   "source_ids": [
    "anthropic-prompt-caching"
   ],
   "url": "https://aiatlasgraph.com/t/promptcaching",
   "markdown_url": "https://aiatlasgraph.com/t/promptcaching.md",
   "updated": "2026-10-30"
  },
  "promptchaining": {
   "id": "promptchaining",
   "parent_id": "workflows",
   "label": "Łańcuchy promptów",
   "canonical_name": "Prompt chaining",
   "aliases": [
    "prompt chaining",
    "LLM chains",
    "AI chains",
    "sequential prompting",
    "łańcuchowanie promptów",
    "task decomposition"
   ],
   "description": "Złożone zadanie dzieli się na stałą sekwencję prostszych wywołań modelu, w której wynik jednego kroku jest wejściem następnego.",
   "description_en": "A complex task is split into a fixed sequence of simpler model calls in which one step's output is the next step's input.",
   "plain": "Zamiast prosić model o wszystko naraz, dzielisz zadanie na kilka kolejnych kroków i każdy wynik przekazujesz do następnego.",
   "plain_en": "Instead of asking the model for everything at once, you split the task into steps and pass each result on to the next.",
   "solves": "Jedna długa prośba o wiele rzeczy naraz daje chaotyczny wynik, a trudno ustalić, w którym miejscu model się pomylił.",
   "solves_en": "One long request for many things at once gives a messy result, and it is hard to tell where the model went wrong.",
   "does": "Jak taśma montażowa: każde stanowisko robi jedną prostą rzecz, a między stanowiskami kontrola może zatrzymać wadliwy element.",
   "does_en": "Like an assembly line: each station does one simple thing, and checks between stations can stop a faulty part.",
   "example": "Asystent najpierw pisze konspekt artykułu, potem sprawdza, czy konspekt obejmuje wszystkie punkty, a dopiero potem pisze pełny tekst i go tłumaczy.",
   "example_en": "An assistant first drafts an article outline, then checks it covers every point, and only then writes the full text and translates it.",
   "for_you": [
    "dostajesz od modelu chaotyczne wyniki złożonych próśb",
    "automatyzujesz powtarzalny proces złożony z kilku etapów"
   ],
   "for_you_en": [
    "get messy results from complex requests",
    "automate a repeatable process with several stages"
   ],
   "how": "Kod aplikacji wywołuje model kolejno z osobnymi promptami, przekazując wyniki jako zmienne, często w ustrukturyzowanym formacie. Między krokami działają bramki programowe lub walidacja, które zatrzymują przepływ albo kierują do poprawki; każdy krok można testować i debugować osobno.",
   "how_en": "Application code calls the model in sequence with separate prompts, passing results as variables, often in a structured format. Programmatic gates or validation between steps halt the flow or route to a fix; each step can be tested and debugged in isolation.",
   "limits": "Więcej wywołań to większe opóźnienie i koszt, a błąd wczesnego kroku przenosi się dalej. Stała sekwencja nie pasuje do zadań, których kroków nie da się przewidzieć; tam lepiej sprawdzają się agenci.",
   "limits_en": "More calls mean more latency and cost, and an early step's error propagates. A fixed sequence does not fit tasks whose steps cannot be predicted; agents work better there.",
   "terms": [
    {
     "gloss": "Programowa kontrola wyniku pośredniego przed następnym krokiem.",
     "term": "bramka"
    },
    {
     "gloss": "Podział dużego zadania na mniejsze, prostsze kroki.",
     "term": "dekompozycja zadania"
    },
    {
     "gloss": "Odpowiedź jednego kroku przekazywana jako wejście kolejnego.",
     "term": "wynik pośredni"
    }
   ],
   "terms_en": [
    {
     "gloss": "A programmatic check of an intermediate result before the next step.",
     "term": "gate"
    },
    {
     "gloss": "Splitting a big task into smaller, simpler steps.",
     "term": "task decomposition"
    },
    {
     "gloss": "One step's answer passed as input to the next.",
     "term": "intermediate output"
    }
   ],
   "prereq": [
    "structured"
   ],
   "keywords": [
    "prompt chaining",
    "sequential LLM calls",
    "intermediate outputs",
    "workflow composition",
    "gating",
    "task decomposition",
    "chain debugging",
    "unit-testing chains"
   ],
   "source_ids": [
    "anthropic-building-effective-agents-2024",
    "ai-chains-2022"
   ],
   "url": "https://aiatlasgraph.com/t/promptchaining",
   "markdown_url": "https://aiatlasgraph.com/t/promptchaining.md",
   "updated": "2026-10-30"
  },
  "prompting": {
   "id": "prompting",
   "parent_id": "applications",
   "label": "Prompty i kontekst",
   "canonical_name": "Prompting and context engineering",
   "description": "Dobór instrukcji i informacji dostępnych przy wywołaniu.",
   "description_en": "Choosing the instructions and information available at call time.",
   "examples": "Prompt templates · context budget · few-shot · chain of thought · ReAct",
   "examples_en": "Prompt templates · context budget · few-shot · chain of thought · ReAct",
   "plain": "To przygotowanie polecenia oraz informacji, które model dostaje przed odpowiedzią.",
   "plain_en": "This prepares the instructions and information a model receives before it answers.",
   "solves": "Model odpowiada nie na temat, gdy prośba jest niejasna lub brakuje mu potrzebnych informacji.",
   "solves_en": "The model misses what you need when your request is unclear or important information is missing.",
   "does": "Podaje mu cel, potrzebne materiały, ograniczenia i wzór oczekiwanego wyniku, jak dobre zlecenie dla osoby pomagającej w pracy.",
   "does_en": "It supplies a goal, relevant material, limits and an example of the desired result, like a clear brief for someone helping you.",
   "example": "Prosisz o odpowiedź na reklamację, dołączając treść wiadomości, zasady zwrotów i przykład tonu, którego oczekujesz.",
   "example_en": "You ask for a complaint reply and include the customer's message, the returns policy and an example of the tone you want.",
   "for_you": [
    "otrzymujesz odpowiedzi, które mijają się z twoją prośbą",
    "chcesz przekazać modelowi dokumenty i zasady przed odpowiedzią"
   ],
   "for_you_en": [
    "receive answers that miss what you asked for",
    "want to give the model documents and rules before it answers"
   ],
   "how": "System układa instrukcje, przykłady, historię i wyniki narzędzi w kontekst pojedynczego wywołania modelu. Dobór treści, ich kolejność i szablon wiadomości wpływają na generowanie, bez konieczności trenowania nowych wag.",
   "how_en": "The system arranges instructions, examples, history and tool results into context for a single model call. Content selection, ordering and the message template influence generation without requiring new weight training.",
   "limits": "Zmiana sformułowania lub modelu może zmienić wynik. Kontekst ma ograniczony budżet tokenów, a dane zewnętrzne mogą zawierać instrukcje ataku; skuteczność trzeba mierzyć na reprezentatywnych przypadkach.",
   "limits_en": "Changes in wording or model can change outputs. Context has a limited token budget, and external data can contain attack instructions; effectiveness must be measured on representative cases.",
   "terms": [
    {
     "gloss": "Instrukcje i dane przekazane modelowi w konkretnym wywołaniu.",
     "term": "prompt"
    },
    {
     "gloss": "Przykłady oczekiwanych odpowiedzi umieszczone w kontekście.",
     "term": "few-shot"
    },
    {
     "gloss": "Liczba tokenów dostępna na wejście i generowaną odpowiedź.",
     "term": "budżet kontekstu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Instructions and data supplied to a model in a particular call.",
     "term": "prompt"
    },
    {
     "gloss": "Examples of expected responses included in context.",
     "term": "few-shot"
    },
    {
     "gloss": "Tokens available for input and the generated response.",
     "term": "context budget"
    }
   ],
   "prereq": [
    "tokenization",
    "decoding"
   ],
   "keywords": [
    "few-shot prompting",
    "chain-of-thought prompting",
    "ReAct",
    "prompt templates",
    "system prompts",
    "instruction hierarchy",
    "context window",
    "token budgeting",
    "context compaction",
    "prompt chaining"
   ],
   "courses": [
    {
     "title": "AI Prompting for Everyone",
     "url": "https://www.deeplearning.ai/courses/ai-prompting-for-everyone"
    }
   ],
   "source_ids": [
    "agents",
    "bootcamp",
    "dlai",
    "anthropic-prompt-evals",
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/prompting",
   "markdown_url": "https://aiatlasgraph.com/t/prompting.md",
   "updated": "2026-10-30"
  },
  "promptopt": {
   "id": "promptopt",
   "parent_id": "prompting",
   "label": "Programowa optymalizacja promptów",
   "canonical_name": "Programmatic prompt optimisation",
   "aliases": [
    "prompt optimization",
    "automatic prompt optimization",
    "APO",
    "optymalizacja promptów",
    "automatyczna optymalizacja promptów"
   ],
   "description": "Automatyczne dobieranie promptów, a czasem wag, pod wynik ewaluacji.",
   "description_en": "Automatically tuning prompts, and sometimes weights, against an evaluation score.",
   "examples": "DSPy · optymalizacja pod metrykę ewaluacji",
   "examples_en": "DSPy · optimising against an eval metric",
   "plain": "To automatyczne szukanie poleceń i przykładów, które pomagają modelowi lepiej wykonywać wybrane zadanie.",
   "plain_en": "This automatically searches for instructions and examples that help a model perform a chosen task better.",
   "solves": "Ręczne poprawianie poleceń zajmuje czas, a trudno ocenić, które zmiany rzeczywiście pomagają.",
   "solves_en": "Editing instructions by hand takes time, and it is hard to tell which changes actually help.",
   "does": "Program próbuje różne wersje instrukcji na zadaniach testowych i wybiera te, które najlepiej spełniają przyjęte kryterium.",
   "does_en": "A program tests instruction variants on sample tasks and keeps those that perform best under a chosen scoring rule.",
   "example": "Asystent źle sortuje wiadomości; program porównuje wersje jego polecenia na wcześniej oznaczonych przykładach i wybiera skuteczniejszą.",
   "example_en": "An assistant misfiles messages, so a program compares instruction variants on previously labelled examples and picks one that scores better.",
   "for_you": [
    "wiele razy poprawiasz polecenie do powtarzalnego zadania",
    "masz przykłady, na których możesz sprawdzać odpowiedzi"
   ],
   "for_you_en": [
    "repeatedly edit instructions for the same task",
    "have examples you can use to check answers"
   ],
   "how": "Optymalizator uruchamia program z różnymi instrukcjami lub przykładami i porównuje wyniki według zadanej metryki. Wybiera konfigurację na zbiorze rozwojowym, a niektóre metody dodatkowo dostrajają modele używane w poszczególnych modułach.",
   "how_en": "An optimizer runs a program with different instructions or demonstrations and compares results using a defined metric. It selects a configuration on development data, and some methods additionally fine-tune models used in individual modules.",
   "limits": "Optymalizacja może przeuczyć konfigurację na zbiorze rozwojowym lub wykorzystać lukę w metryce. Wymaga niezależnego testu, budżetu wywołań i ponownej oceny po zmianie modelu lub danych.",
   "limits_en": "Optimization can overfit a configuration to development data or exploit a metric's weakness. It requires an independent test, a call budget and reevaluation after model or data changes.",
   "terms": [
    {
     "gloss": "Wartość używana do porównywania kandydatów podczas optymalizacji.",
     "term": "metryka celu"
    },
    {
     "gloss": "Przykład poprawnego wykonania dołączany do kontekstu modelu.",
     "term": "demonstracja"
    },
    {
     "gloss": "Przypadki używane do wyboru konfiguracji przed końcowym testem.",
     "term": "zbiór rozwojowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A value used to compare candidates during optimization.",
     "term": "objective metric"
    },
    {
     "gloss": "An example of correct execution included in a model's context.",
     "term": "demonstration"
    },
    {
     "gloss": "Cases used to select a configuration before the final test.",
     "term": "development set"
    }
   ],
   "prereq": [
    "evalsets",
    "hptuning"
   ],
   "keywords": [
    "DSPy",
    "MIPROv2",
    "BootstrapFewShot",
    "GEPA",
    "OPRO",
    "EvoPrompt",
    "Promptbreeder",
    "Bayesian optimization",
    "demonstration selection"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/promptopt",
   "markdown_url": "https://aiatlasgraph.com/t/promptopt.md",
   "updated": "2026-10-30"
  },
  "promptseg": {
   "id": "promptseg",
   "parent_id": "segmentation",
   "label": "Segmentacja na wskazanie (Segment Anything)",
   "canonical_name": "Promptable segmentation",
   "description": "Uniwersalny model zwraca maskę dla obiektu wskazanego kliknięciem, prostokątem albo krótką frazą tekstową — bez trenowania pod konkretne klasy; nowsze wersje działają też na wideo.",
   "description_en": "A general model returns a mask for an object indicated by a click, a box or a short text phrase — no class-specific training; newer versions also work on video.",
   "examples": "SAM · SAM 2 (wideo) · SAM 3 (frazy-koncepty)",
   "examples_en": "SAM · SAM 2 (video) · SAM 3 (concept prompts)",
   "plain": "To dokładne zaznaczanie obiektu na zdjęciu po kliknięciu, obrysowaniu go lub podaniu obsługiwanego opisu.",
   "plain_en": "This precisely outlines an image object after a click, a box or a supported text description.",
   "solves": "Ręczne obrysowanie całego przedmiotu jest żmudne, szczególnie gdy ma skomplikowane krawędzie.",
   "solves_en": "Outlining an entire object by hand is tedious, especially when its edges are complicated.",
   "does": "Model korzysta z twojej wskazówki, żeby wybrać obiekt i przewidzieć, które punkty obrazu do niego należą.",
   "does_en": "A model uses your hint to select an object and predict which image pixels belong to it.",
   "example": "Klikasz doniczkę na zdjęciu balkonu, a program przygotowuje jej obrys do wycięcia.",
   "example_en": "You click a plant pot in a balcony photo, and software prepares its outline for cutting out.",
   "for_you": [
    "chcesz zaznaczać przedmioty kilkoma kliknięciami",
    "wycinasz obiekty spoza ustalonej listy kategorii"
   ],
   "for_you_en": [
    "want to select objects with a few clicks",
    "cut out objects beyond a fixed category list"
   ],
   "how": "Enkoder obrazu współpracuje z reprezentacją wskazania, takiego jak punkt, ramka lub opis. Dekoder warunkowany tym sygnałem zwraca maski, a warianty wideo wykorzystują pamięć do zachowania tożsamości między klatkami.",
   "how_en": "An image encoder works with a prompt representation such as a point, box or description. A conditioned decoder returns masks, while video variants use memory to preserve identity across frames.",
   "limits": "Niejednoznaczne wskazanie może pasować do kilku obszarów. Model nie zawsze rozumie intencję lub rzadkie obiekty; warianty różnią się obsługą tekstu i śledzenia.",
   "limits_en": "Ambiguous prompts may match several regions. Models may miss intent or rare objects; variants differ in text and tracking support.",
   "terms": [
    {
     "gloss": "Wskazanie punktu lub obszaru, które warunkuje generowanie maski.",
     "term": "prompt przestrzenny"
    },
    {
     "gloss": "Moduł przewidujący obszary z cech obrazu i wskazania.",
     "term": "dekoder masek"
    }
   ],
   "terms_en": [
    {
     "gloss": "A point or region indication conditioning mask generation.",
     "term": "spatial prompt"
    },
    {
     "gloss": "A module predicting regions from image features and prompts.",
     "term": "mask decoder"
    }
   ],
   "prereq": [
    "visionbackbones"
   ],
   "keywords": [
    "SAM",
    "SAM 2",
    "SAM 3",
    "point prompts",
    "box prompts",
    "mask decoder",
    "concept prompts"
   ],
   "source_ids": [
    "kirillov-sam-2023",
    "carion-sam3-2025"
   ],
   "url": "https://aiatlasgraph.com/t/promptseg",
   "markdown_url": "https://aiatlasgraph.com/t/promptseg.md",
   "updated": "2026-10-30"
  },
  "promptstructure": {
   "id": "promptstructure",
   "parent_id": "prompting",
   "label": "Budowa polecenia: instrukcje, rola i znaczniki",
   "canonical_name": "Prompt structure: instructions, roles and delimiters",
   "aliases": [
    "prompt structure",
    "XML tags in prompts",
    "delimiters",
    "role prompting",
    "prompt templates",
    "budowa promptu",
    "struktura promptu"
   ],
   "description": "Układ promptu z jasnymi instrukcjami, celem, rolą w prompcie systemowym, oddzielonymi znacznikami sekcjami danych i opisem formatu wyniku.",
   "description_en": "Laying out a prompt with clear instructions, purpose, a role in the system prompt, data sections separated by delimiters and an output format description.",
   "plain": "Dobre polecenie dla modelu ma porządek: co zrobić, po co, na jakich materiałach i w jakiej formie oddać wynik.",
   "plain_en": "A good instruction to a model is orderly: what to do, why, from which material and in what form to hand back the result.",
   "solves": "Gdy w jednej prośbie mieszają się polecenia, wklejone dokumenty i przykłady, model myli jedno z drugim i odpowiada nie tak.",
   "solves_en": "When instructions, pasted documents and examples blur together in one request, the model mixes them up and answers wrongly.",
   "does": "Przypomina dobrze zorganizowany segregator z przekładkami: osobno zadanie, osobno materiały, osobno wzór, więc nic się nie miesza.",
   "does_en": "It resembles a well-organised binder with dividers: the task, the material and the template each in their own section, so nothing gets mixed up.",
   "example": "Prosisz o streszczenie umowy: najpierw wklejasz dokument w wyraźnie oznaczonej sekcji, a na końcu piszesz pytanie i żądaną formę odpowiedzi.",
   "example_en": "You ask for a contract summary: first you paste the document in a clearly marked section, then end with the question and the answer format you want.",
   "for_you": [
    "wklejasz do czatu długie dokumenty razem z pytaniem",
    "piszesz polecenia, z których korzystają też inni"
   ],
   "for_you_en": [
    "paste long documents into a chat along with a question",
    "write instructions that other people also use"
   ],
   "how": "Prompt systemowy ustala rolę i stałe zasady, a wiadomość użytkownika zawiera zadanie, kontekst i dane. Sekcje oddziela się znacznikami XML lub nagłówkami markdown, długie dokumenty umieszcza na początku, a pytanie na końcu; dodanie uzasadnienia polecenia i pozytywnych instrukcji formatu poprawia zgodność.",
   "how_en": "The system prompt sets the role and standing rules, while the user message holds the task, context and data. Sections are separated by XML tags or markdown headings, long documents go first and the question last; explaining why an instruction exists and stating format positively improves adherence.",
   "limits": "Najlepsze praktyki różnią się między modelami i ich wersjami, więc prompt trzeba testować po każdej zmianie. Struktura nie chroni przed instrukcjami ukrytymi w danych ani nie dodaje wiedzy, której model nie ma.",
   "limits_en": "Best practices differ between models and versions, so a prompt must be retested after each change. Structure does not protect against instructions hidden in data, nor does it add knowledge the model lacks.",
   "terms": [
    {
     "gloss": "Stałe instrukcje nadrzędne wobec wiadomości użytkownika.",
     "term": "prompt systemowy"
    },
    {
     "gloss": "Znacznik oddzielający instrukcje od danych w prompcie.",
     "term": "ogranicznik"
    },
    {
     "gloss": "Prompt z polami wypełnianymi danymi przy każdym wywołaniu.",
     "term": "szablon promptu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Standing instructions that take precedence over user messages.",
     "term": "system prompt"
    },
    {
     "gloss": "A marker separating instructions from data in a prompt.",
     "term": "delimiter"
    },
    {
     "gloss": "A prompt with slots filled with data on every call.",
     "term": "prompt template"
    }
   ],
   "prereq": [
    "chattemplates"
   ],
   "keywords": [
    "system prompt",
    "XML tags",
    "role prompting",
    "prompt templates",
    "Jinja",
    "markdown headings",
    "instruction hierarchy",
    "output format"
   ],
   "source_ids": [
    "claude-prompting-best-practices"
   ],
   "url": "https://aiatlasgraph.com/t/promptstructure",
   "markdown_url": "https://aiatlasgraph.com/t/promptstructure.md",
   "updated": "2026-10-30"
  },
  "promptversioning": {
   "id": "promptversioning",
   "parent_id": "mlops",
   "label": "Wersjonowanie i rejestr promptów",
   "canonical_name": "Prompt management and versioning",
   "aliases": [
    "prompt management",
    "prompt registry",
    "rejestr promptów",
    "prompt versioning",
    "LLMOps"
   ],
   "description": "Przechowywanie promptów jako niezmiennych, numerowanych wersji z metadanymi i aliasem wersji produkcyjnej. Powiązanie wersji z trace’ami i ewaluacjami pozwala je porównywać; gdy aplikacja pobiera prompt dynamicznie przez alias, możliwy jest rollback bez ponownego wdrożenia kodu.",
   "description_en": "Storing prompts as immutable, numbered versions with metadata and a production alias. Linking versions to traces and evaluations supports comparison; when an application loads prompts dynamically through an alias, rollback is possible without redeploying code.",
   "examples": "niezmienne wersje z opisem zmiany · etykieta „production” · rollback i testy A/B promptów · łączenie wersji z trace’ami",
   "examples_en": "immutable versions with change notes · production label · prompt rollback and A/B tests · linking versions to traces",
   "plain": "To przechowywanie kolejnych wersji instrukcji dla modelu razem z ich testami i historią użycia.",
   "plain_en": "This stores successive prompt versions alongside their tests and usage history.",
   "solves": "Mała zmiana instrukcji pogarsza odpowiedzi, ale nie wiesz, która wersja była wcześniej używana.",
   "solves_en": "A small prompt change worsens responses, but you do not know which version was used before.",
   "does": "Instrukcje dostają niezmienne wersje powiązane z ocenami i rozmowami, a wskazanie aktywnego wariantu pozwala kontrolować zmianę lub powrót.",
   "does_en": "Prompts receive immutable versions linked to evaluations and conversations, while an active-version reference controls updates or rollback.",
   "example": "Po zmianie sposobu odpowiadania asystenta porównujesz dwie wersje instrukcji i przywracasz tę sprawdzoną na wcześniejszych testach.",
   "example_en": "After changing an assistant's response style, you compare two prompt versions and restore the one verified in earlier tests.",
   "for_you": [
    "często poprawiasz instrukcje modelu",
    "chcesz łączyć odpowiedzi z konkretną wersją polecenia"
   ],
   "for_you_en": [
    "often revise model instructions",
    "want to link responses to specific prompt versions"
   ],
   "how": "Szablon, zmienne i metadane zapisuje się jako niezmienną wersję powiązaną z ewaluacjami. Aplikacja może rozwiązywać alias do konkretnej wersji, a ślad wykonania zapisuje faktycznie użyty prompt, umożliwiając porównanie i kontrolowane wycofanie.",
   "how_en": "Templates, variables and metadata are stored as immutable versions linked to evaluations. Applications can resolve aliases to specific versions, while traces record prompts actually used, enabling comparison and controlled rollback.",
   "limits": "Zmiana modelu lub narzędzi może unieważnić wcześniejszą ocenę promptu. Alias bez zapisu konkretnej wersji utrudnia analizę; wycofanie szablonu nie naprawia już wykonanych działań.",
   "limits_en": "Model or tool changes can invalidate earlier prompt evaluation. Aliases without resolved-version records hinder analysis; template rollback cannot repair actions already performed.",
   "terms": [
    {
     "gloss": "Wersjonowana treść z miejscami na kontrolowane zmienne wejściowe.",
     "term": "szablon promptu"
    },
    {
     "gloss": "Ustalenie konkretnej wersji użytej podczas danego wykonania.",
     "term": "rozwiązanie aliasu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Versioned content with placeholders for controlled input variables.",
     "term": "prompt template"
    },
    {
     "gloss": "Determining the specific version used during an execution.",
     "term": "alias resolution"
    }
   ],
   "prereq": [
    "prompting",
    "evalsets"
   ],
   "keywords": [
    "MLflow Prompt Registry",
    "Langfuse",
    "immutable prompt versions",
    "production aliases",
    "prompt rollback",
    "prompt-linked traces"
   ],
   "source_ids": [
    "mlflow-prompt-registry",
    "langfuse-prompt-management"
   ],
   "url": "https://aiatlasgraph.com/t/promptversioning",
   "markdown_url": "https://aiatlasgraph.com/t/promptversioning.md",
   "updated": "2026-10-30"
  },
  "pronunciationassess": {
   "id": "pronunciationassess",
   "parent_id": "autoassessment",
   "label": "Automatyczna ocena wymowy",
   "canonical_name": "Automatic pronunciation assessment (CAPT)",
   "aliases": [
    "pronunciation assessment",
    "computer-assisted pronunciation training",
    "CAPT",
    "mispronunciation detection",
    "MDD",
    "Goodness of Pronunciation",
    "GOP",
    "ocena wymowy"
   ],
   "description": "Ocena wymowy osób uczących się języka na poziomie głosek i prozodii (akcent, rytm, intonacja), stanowiąca rdzeń komputerowego treningu wymowy.",
   "description_en": "Assessing language learners' pronunciation at the phone level and the prosodic level (stress, rhythm, intonation); the core of computer-assisted pronunciation training.",
   "plain": "Aplikacja słucha, jak czytasz zdanie w obcym języku, i wskazuje, które głoski i akcenty brzmią nie tak.",
   "plain_en": "An app listens to you read a sentence in a foreign language and points out which sounds and stresses come out wrong.",
   "solves": "Uczący się języka rzadko ma kogoś, kto cierpliwie wysłucha go setki razy i powie, co dokładnie brzmi źle.",
   "solves_en": "Language learners rarely have someone who will patiently listen hundreds of times and say exactly what sounds wrong.",
   "does": "Porównuje nagranie z tym, jak słowo powinno brzmieć głoska po głosce, a osobno ocenia rytm, akcent i melodię zdania.",
   "does_en": "It compares your recording with how the word should sound, sound by sound, and separately rates the rhythm, stress and melody of the sentence.",
   "example": "W aplikacji do nauki języka jedno słowo w zdaniu podświetla się na czerwono, bo samogłoska wyszła za krótka.",
   "example_en": "In a language-learning app one word in the sentence turns red because a vowel came out too short.",
   "for_you": [
    "uczysz się wymowy obcego języka",
    "tworzysz ćwiczenia mówione do kursu językowego"
   ],
   "for_you_en": [
    "are working on your pronunciation in a foreign language",
    "create speaking exercises for a language course"
   ],
   "how": "Model rozpoznawania mowy dopasowuje nagranie do oczekiwanej sekwencji fonemów, a miary w rodzaju Goodness of Pronunciation porównują prawdopodobieństwo fonemu oczekiwanego z najlepszym konkurentem. Nowsze modele na reprezentacjach samonadzorowanych przewidują naraz oceny fonemów, słów i zdań oraz płynności i prozodii.",
   "how_en": "A speech recogniser aligns the recording to the expected phoneme sequence, and Goodness of Pronunciation-style measures compare the expected phoneme's likelihood with the best competitor. Newer models on self-supervised speech representations jointly predict phone, word and sentence scores plus fluency and prosody.",
   "limits": "Działa najlepiej przy czytaniu znanego tekstu, swobodna mowa jest trudniejsza. Modele mogą karać sam akcent zamiast błędów utrudniających zrozumienie. Zbiory z ocenami ekspertów są małe i istnieją dla niewielu języków, a sami eksperci bywają niezgodni.",
   "limits_en": "It works best when reading a known text; spontaneous speech is harder. Models can penalise accent itself rather than errors that hurt intelligibility. Expert-rated datasets are small and exist for few languages, and experts themselves often disagree.",
   "terms": [
    {
     "gloss": "Miara, jak bardzo wypowiedziana głoska przypomina tę oczekiwaną.",
     "term": "GOP"
    },
    {
     "gloss": "Poziom pojedynczych głosek kontra akcent, rytm i intonacja.",
     "term": "segmental / suprasegmental"
    },
    {
     "gloss": "Wykrywanie i nazywanie konkretnych błędów wymowy.",
     "term": "MDD"
    }
   ],
   "terms_en": [
    {
     "gloss": "A measure of how closely a spoken sound matches the expected one.",
     "term": "GOP"
    },
    {
     "gloss": "Single speech sounds versus stress, rhythm and intonation.",
     "term": "segmental / suprasegmental"
    },
    {
     "gloss": "Detecting and naming specific pronunciation errors.",
     "term": "MDD"
    }
   ],
   "prereq": [
    "asr",
    "forcedalignment"
   ],
   "keywords": [
    "Goodness of Pronunciation",
    "mispronunciation detection and diagnosis",
    "speechocean762",
    "L2-ARCTIC",
    "wav2vec 2.0",
    "forced alignment",
    "prosody assessment",
    "spoken language assessment"
   ],
   "source_ids": [
    "elkheir-pronunciation-review-2023"
   ],
   "url": "https://aiatlasgraph.com/t/pronunciationassess",
   "markdown_url": "https://aiatlasgraph.com/t/pronunciationassess.md",
   "updated": "2026-10-30"
  },
  "proteindesign": {
   "id": "proteindesign",
   "parent_id": "biomolecules",
   "label": "Projektowanie nowych białek",
   "canonical_name": "De novo protein design",
   "aliases": [
    "protein design",
    "de novo protein design",
    "RFdiffusion",
    "ProteinMPNN",
    "inverse folding",
    "projektowanie białek de novo"
   ],
   "description": "Generowanie nowych szkieletów białkowych i sekwencji do zadanej funkcji: wiązania celu, symetrycznych kompleksów, miejsc aktywnych enzymów.",
   "description_en": "Generating new protein backbones and sequences for a given function: target binders, symmetric assemblies and enzyme active sites.",
   "plain": "Tworzenie na komputerze białek, których nie ma w naturze, tak aby wiązały wybrany cel lub przyspieszały reakcję.",
   "plain_en": "Creating proteins on a computer that do not exist in nature, built to grab a chosen target or speed up a reaction.",
   "solves": "Naturalne białka rzadko robią dokładnie to, czego potrzebujemy, a przypadkowe modyfikacje i testy to loteria.",
   "solves_en": "Natural proteins rarely do exactly what we need, and random tweaking and testing is a lottery.",
   "does": "Najpierw rysuje kształt idealnego narzędzia, potem dobiera kolejność budulców, która sama złoży się w ten kształt.",
   "does_en": "It first sketches the shape of the ideal tool, then picks an order of building blocks that will fold into that shape by itself.",
   "example": "Zespół szuka białka, które zablokuje toksynę z jadu węża, i w laboratorium testuje tylko kilkadziesiąt projektów z komputera.",
   "example_en": "A team looking for a protein that neutralises a snake-venom toxin tests only a few dozen computer-made designs in the lab.",
   "for_you": [
    "chcesz stworzyć białko o konkretnej funkcji",
    "pracujesz nad nowymi terapiami, enzymami lub szczepionkami"
   ],
   "for_you_en": [
    "want to create a protein with a specific job",
    "work on new therapies, enzymes or vaccines"
   ],
   "how": "Model dyfuzyjny (np. RFdiffusion, dostrojony z sieci przewidującej strukturę) odszumia losowe współrzędne do spójnego szkieletu, warunkowany celem lub motywem. Model odwrotnego zwijania (ProteinMPNN) dobiera do szkieletu sekwencje, a przewidywanie struktury odsiewa projekty przed syntezą.",
   "how_en": "A diffusion model (e.g. RFdiffusion, fine-tuned from a structure-prediction network) denoises random coordinates into a coherent backbone, conditioned on a target or motif. An inverse-folding model (ProteinMPNN) then designs sequences for the backbone, and structure prediction filters designs before synthesis.",
   "limits": "Odsetek projektów działających w laboratorium bywa niski i zależy od celu. Modele słabo przewidują ekspresję, stabilność i siłę wiązania; każdy kandydat wymaga syntezy i pomiarów, a narzędzia mają potencjał podwójnego zastosowania.",
   "limits_en": "The share of designs that work in the lab can be low and depends on the target. Models predict expression, stability and binding strength poorly; every candidate needs synthesis and measurement, and the tools carry dual-use potential.",
   "terms": [
    {
     "gloss": "Główny łańcuch białka bez bocznych grup, wyznaczający jego kształt.",
     "term": "szkielet (backbone)"
    },
    {
     "gloss": "Dobór sekwencji, która złoży się w zadany kształt.",
     "term": "odwrotne zwijanie"
    },
    {
     "gloss": "Białko zaprojektowane, by mocno przyczepiać się do wybranego celu.",
     "term": "binder"
    }
   ],
   "terms_en": [
    {
     "gloss": "The protein's main chain without side groups, defining its shape.",
     "term": "backbone"
    },
    {
     "gloss": "Choosing a sequence that will fold into a given shape.",
     "term": "inverse folding"
    },
    {
     "gloss": "A protein designed to stick tightly to a chosen target.",
     "term": "binder"
    }
   ],
   "prereq": [
    "ddpm"
   ],
   "keywords": [
    "RFdiffusion",
    "ProteinMPNN",
    "BindCraft",
    "Chroma",
    "ESM-IF1",
    "motif scaffolding",
    "binder design"
   ],
   "source_ids": [
    "nobel-chem-2024-embl",
    "rfdiffusion-2023",
    "genai-drug-design-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/proteindesign",
   "markdown_url": "https://aiatlasgraph.com/t/proteindesign.md",
   "updated": "2026-10-30"
  },
  "proteinstructure": {
   "id": "proteinstructure",
   "parent_id": "biomolecules",
   "label": "Przewidywanie struktury białek i kompleksów",
   "canonical_name": "Protein and biomolecular complex structure prediction",
   "aliases": [
    "protein folding",
    "protein structure prediction",
    "AlphaFold",
    "zwijanie białek",
    "przewidywanie struktury białka"
   ],
   "description": "Predykcja struktury 3D białek z sekwencji, a w nowszych modelach całych kompleksów z DNA, RNA, małymi cząsteczkami i jonami.",
   "description_en": "Predicting the 3D structure of proteins from sequence and, in newer models, of whole complexes with DNA, RNA, small molecules and ions.",
   "plain": "Odgadywanie trójwymiarowego kształtu białka na podstawie samej kolejności jego budulców.",
   "plain_en": "Working out a protein's three-dimensional shape from nothing but the order of its building blocks.",
   "solves": "Doświadczalne ustalenie kształtu białka wymaga drogiej aparatury i miesięcy pracy, a bez kształtu trudno zrozumieć, co białko robi.",
   "solves_en": "Determining a protein's shape experimentally takes expensive equipment and months of work, and without the shape it is hard to see what the protein does.",
   "does": "Jak składanie origami z samej instrukcji: model wie z tysięcy przykładów, które fragmenty łańcucha lubią leżeć obok siebie.",
   "does_en": "Like folding origami from the instructions alone: from thousands of examples the model knows which parts of the chain like to sit together.",
   "example": "Naukowiec ogląda przewidziany kształt białka wirusa i widzi miejsce, do którego mogłoby się przyczepić przeciwciało.",
   "example_en": "A scientist views the predicted shape of a viral protein and spots a place where an antibody could latch on.",
   "for_you": [
    "badasz działanie białek lub chorób na poziomie cząsteczek",
    "szukasz miejsca, w które może trafić lek"
   ],
   "for_you_en": [
    "study how proteins or diseases work at the molecular level",
    "are looking for the spot a drug could target"
   ],
   "how": "AlphaFold 2 przetwarza dopasowania wielu sekwencji i reprezentację par reszt, a moduł strukturalny buduje współrzędne. AlphaFold 3 zastępuje go modułem dyfuzyjnym działającym na surowych współrzędnych atomów, co obejmuje kompleksy z kwasami nukleinowymi i ligandami. Każdy fragment dostaje miarę pewności (pLDDT).",
   "how_en": "AlphaFold 2 processes multiple sequence alignments and a pairwise residue representation, and a structure module builds coordinates. AlphaFold 3 replaces it with a diffusion module working on raw atom coordinates, covering complexes with nucleic acids and ligands. Every region gets a confidence score (pLDDT).",
   "limits": "Daje jedną lub kilka statycznych konformacji, nie dynamikę. Pewność spada dla białek bez krewnych w bazach, regionów nieuporządkowanych i nietypowych kompleksów; licencje części modeli ograniczają użycie komercyjne.",
   "limits_en": "It yields one or a few static conformations, not dynamics. Confidence drops for proteins without relatives in databases, disordered regions and unusual complexes; some model licences restrict commercial use.",
   "terms": [
    {
     "gloss": "Ocena pewności modelu dla każdego fragmentu przewidzianej struktury.",
     "term": "pLDDT"
    },
    {
     "gloss": "Konkretne ułożenie przestrzenne tej samej cząsteczki.",
     "term": "konformacja"
    },
    {
     "gloss": "Kilka cząsteczek połączonych ze sobą, np. białko z DNA lub lekiem.",
     "term": "kompleks"
    }
   ],
   "terms_en": [
    {
     "gloss": "The model's confidence score for each region of the predicted structure.",
     "term": "pLDDT"
    },
    {
     "gloss": "A particular 3D arrangement of the same molecule.",
     "term": "conformation"
    },
    {
     "gloss": "Several molecules bound together, e.g. a protein with DNA or a drug.",
     "term": "complex"
    }
   ],
   "prereq": [
    "selfattention",
    "diffusion"
   ],
   "keywords": [
    "AlphaFold 2",
    "AlphaFold 3",
    "RoseTTAFold",
    "OpenFold",
    "Boltz",
    "Chai-1",
    "ColabFold",
    "pLDDT"
   ],
   "source_ids": [
    "nobel-chem-2024-embl",
    "alphafold3-2024"
   ],
   "url": "https://aiatlasgraph.com/t/proteinstructure",
   "markdown_url": "https://aiatlasgraph.com/t/proteinstructure.md",
   "updated": "2026-10-30"
  },
  "provenanceids": {
   "id": "provenanceids",
   "parent_id": "threatdetection",
   "label": "Wykrywanie ataków na grafach pochodzenia zdarzeń systemowych",
   "canonical_name": "Provenance-graph-based intrusion detection",
   "aliases": [
    "provenance-based intrusion detection",
    "PIDS",
    "APT detection with provenance graphs",
    "system provenance analysis",
    "wykrywanie APT na grafach pochodzenia"
   ],
   "description": "Wykrywanie długotrwałych, ukrytych ataków przez analizę grafów zależności między procesami, plikami i połączeniami sieciowymi w systemie operacyjnym.",
   "description_en": "Detecting long-running stealthy attacks by analysing dependency graphs between processes, files and network connections in an operating system.",
   "plain": "Rysowanie mapy, który program co otworzył, zapisał i z kim się łączył, i szukanie na niej śladów cichego włamania.",
   "plain_en": "Drawing a map of which program opened, wrote and contacted what, and searching it for traces of a quiet break-in.",
   "solves": "Zawodowi włamywacze działają powoli przez tygodnie, a każdy ich krok osobno wygląda jak zwykła praca systemu.",
   "solves_en": "Professional intruders move slowly over weeks, and each step on its own looks like normal system activity.",
   "does": "Jak detektyw łączący nitkami zdjęcia na tablicy: pojedynczy fakt nic nie mówi, ale cały łańcuch powiązań zdradza plan.",
   "does_en": "Like a detective linking photos on a board with string: one fact says nothing, but the whole chain of links reveals the plan.",
   "example": "Edytor tekstu uruchamia wiersz poleceń, ten pobiera plik, a tydzień później coś wysyła archiwa za granicę; system łączy te kroki w jedną historię.",
   "example_en": "A word processor launches a command line, which downloads a file, and a week later something sends archives abroad; the system links these steps into one story.",
   "for_you": [
    "Analizujesz zależności między zdarzeniami systemowymi.",
    "Bronisz hostów Linux.",
    "Budujesz warstwę dochodzeniową opartą na pochodzeniu danych."
   ],
   "for_you_en": [
    "You analyze dependencies among system events.",
    "You defend Linux hosts.",
    "You build a provenance-based investigation layer."
   ],
   "how": "System zamienia zdarzenia audytowe w ewoluujący graf pochodzenia, łączący procesy, pliki i komunikację. UNICORN kompresuje aktywność do szkiców grafu i porównuje je z modelem normalnego zachowania, aby wykrywać odstępstwa i wspierać dochodzenie.",
   "how_en": "The system turns audit events into an evolving provenance graph connecting processes, files, and communication. UNICORN compresses activity into graph sketches and compares them with a model of normal behavior to detect deviations and support investigation.",
   "limits": "Graf pochodzenia rośnie wraz z czasem działania systemu, a kompresja do szkiców traci część szczegółów. Model normalnego zachowania musi nadążać za zmianami środowiska; abstrakt UNICORN nie podaje jednej uniwersalnej miary skuteczności dla wszystkich wdrożeń.",
   "limits_en": "A provenance graph grows with system runtime, and sketch compression loses some detail. The model of normal behavior must track environmental change; the UNICORN abstract does not provide one universal effectiveness measure for all deployments.",
   "terms": [
    {
     "gloss": "Zapis, które procesy działały na których plikach i połączeniach.",
     "term": "graf pochodzenia"
    },
    {
     "gloss": "Zaawansowany, długotrwały atak zwykle prowadzony przez dobrze zorganizowaną grupę.",
     "term": "APT"
    },
    {
     "gloss": "Zwarty liczbowy skrót dużego grafu ułatwiający porównania.",
     "term": "szkic grafu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A record of which processes acted on which files and connections.",
     "term": "provenance graph"
    },
    {
     "gloss": "An advanced, long-running attack usually by a well-organised group.",
     "term": "APT"
    },
    {
     "gloss": "A compact numeric summary of a large graph that eases comparison.",
     "term": "graph sketch"
    }
   ],
   "prereq": [
    "anomalydetection"
   ],
   "keywords": [
    "UNICORN",
    "data provenance",
    "provenance graph",
    "auditd",
    "graph sketching",
    "attack investigation",
    "long-running system"
   ],
   "source_ids": [
    "han-unicorn-provenance-apt-2020"
   ],
   "url": "https://aiatlasgraph.com/t/provenanceids",
   "markdown_url": "https://aiatlasgraph.com/t/provenanceids.md",
   "updated": "2026-10-30"
  },
  "pruning": {
   "id": "pruning",
   "parent_id": "compression",
   "label": "Przycinanie wag i rzadkość (pruning)",
   "canonical_name": "Pruning and sparsity",
   "aliases": [
    "pruning",
    "przycinanie",
    "sparsity",
    "rzadkość",
    "2:4 sparsity",
    "SparseGPT",
    "Wanda"
   ],
   "description": "Nadawanie wybranym wagom wartości zero w celu uzyskania rzadkiego modelu; może być niestrukturalne lub zgodne ze wzorcem sprzętowym, takim jak 2:4. Kompromis między rzadkością a jakością zależy od modelu, danych kalibracyjnych i metody; SparseGPT i Wanda są przykładami jednorazowego przycinania LLM bez ponownego trenowania.",
   "description_en": "Setting selected weights to zero to obtain a sparse model; pruning may be unstructured or follow a hardware-friendly pattern such as 2:4. The quality-sparsity trade-off depends on the model, calibration data and method; SparseGPT and Wanda are examples of one-shot LLM pruning without retraining.",
   "examples": "przycinanie wg modułu lub aktywacji · przycinanie jednorazowe (SparseGPT, Wanda) · rzadkość półstrukturalna 2:4 · łączenie z kwantyzacją",
   "examples_en": "magnitude- or activation-aware pruning · one-shot pruning (SparseGPT, Wanda) · 2:4 semi-structured sparsity · combining with quantisation",
   "plain": "To usuwanie lub zerowanie wybranych połączeń modelu, żeby ograniczyć jego aktywną część.",
   "plain_en": "This removes or zeros selected model connections to reduce its active components.",
   "solves": "Model ma wiele połączeń, które można ograniczyć, ale przypadkowe usuwanie może zepsuć odpowiedzi.",
   "solves_en": "A model has many connections that might be reduced, but removing them arbitrarily can damage responses.",
   "does": "Metoda wybiera mniej potrzebne połączenia i sprawdza jakość; przyspieszenie wymaga, żeby sprzęt i program potrafiły wykorzystać otrzymaną rzadkość.",
   "does_en": "A method selects less-needed connections and checks quality; speedups require hardware and software that can exploit the resulting sparsity.",
   "example": "Po wyzerowaniu części połączeń porównujesz odpowiedzi i mierzysz, czy wybrane środowisko rzeczywiście liczy szybciej.",
   "example_en": "After zeroing some connections, you compare responses and measure whether the chosen runtime actually computes faster.",
   "for_you": [
    "chcesz ograniczyć liczbę aktywnych połączeń",
    "sprzęt obsługuje oszczędne obliczenia rzadkich modeli"
   ],
   "for_you_en": [
    "want fewer active connections",
    "use hardware supporting efficient sparse-model computation"
   ],
   "how": "Kryterium ważności wybiera wagi, kanały lub inne elementy do wyzerowania albo usunięcia. Ocena wpływu na wyjście i ewentualne dostrajanie ograniczają degradację, a wzorzec rzadkości wyznacza sposób wykonania na sprzęcie.",
   "how_en": "An importance criterion selects weights, channels or other elements for zeroing or removal. Output-impact assessment and optional fine-tuning limit degradation, while sparsity patterns determine hardware execution.",
   "limits": "Zera nie przyspieszają automatycznie gęstych operatorów. Rzadkość musi pasować do kerneli; usunięcie zależnych elementów może pogorszyć jakość, szczególnie poza danymi użytymi do selekcji.",
   "limits_en": "Zeros do not automatically accelerate dense operators. Sparsity must match kernels; removing dependent elements can hurt quality, especially beyond selection data.",
   "terms": [
    {
     "gloss": "Usuwanie całych bloków, kanałów lub elementów zgodnych ze wzorcem wykonania.",
     "term": "rzadkość strukturalna"
    },
    {
     "gloss": "Miara przewidywanego wpływu usunięcia elementu na zachowanie modelu.",
     "term": "kryterium ważności"
    }
   ],
   "terms_en": [
    {
     "gloss": "Removing whole blocks, channels or elements matching an execution pattern.",
     "term": "structured sparsity"
    },
    {
     "gloss": "A measure estimating how element removal affects model behaviour.",
     "term": "importance criterion"
    }
   ],
   "prereq": [
    "backprop",
    "evalsets"
   ],
   "keywords": [
    "SparseGPT",
    "Wanda",
    "magnitude pruning",
    "activation-aware pruning",
    "structured sparsity",
    "2:4 sparsity",
    "one-shot pruning"
   ],
   "source_ids": [
    "mit-65940-efficientml",
    "sparsegpt-2023",
    "wanda-2023"
   ],
   "url": "https://aiatlasgraph.com/t/pruning",
   "markdown_url": "https://aiatlasgraph.com/t/pruning.md",
   "updated": "2026-10-30"
  },
  "pseudolabeling": {
   "id": "pseudolabeling",
   "parent_id": "semisupervised",
   "label": "Samouczenie i pseudoetykiety",
   "canonical_name": "Self-training and pseudo-labelling",
   "aliases": [
    "self-training",
    "pseudo-labeling",
    "pseudo-labelling",
    "samouczenie"
   ],
   "description": "Iteracyjne dodawanie do treningu predykcji modelu o pewności powyżej progu jako etykiet; współcześnie łączone z augmentacją i spójnością.",
   "description_en": "Iteratively adding the model's above-threshold predictions to training as labels; modern variants combine it with augmentation and consistency.",
   "plain": "Model sam dopisuje odpowiedzi do nieopisanych przykładów, a potem uczy się z tych, których jest pewny.",
   "plain_en": "The model labels unlabelled examples itself, then learns from the ones it is sure about.",
   "solves": "Nieopisane dane leżą bezużytecznie, bo nikt nie ma czasu ich przejrzeć.",
   "solves_en": "Unlabelled data sits unused because nobody has time to go through it.",
   "does": "Działa jak brudnopis: model zapisuje swoje odpowiedzi, odrzuca niepewne, a pewne traktuje jak dodatkowe ćwiczenia w kolejnej rundzie.",
   "does_en": "It works like a rough draft: the model writes its answers, discards shaky ones and treats confident ones as extra practice for the next round.",
   "example": "Aplikacja do rozpoznawania roślin uczy się z kilkuset zdjęć opisanych przez znawców i tysięcy zdjęć przesłanych przez użytkowników bez nazw.",
   "example_en": "A plant-identification app learns from a few hundred photos named by experts and thousands of unnamed photos sent in by users.",
   "for_you": [
    "możesz wytrenować prosty model na małym zbiorze",
    "masz duży zapas nieopisanych danych z tego samego źródła"
   ],
   "for_you_en": [
    "can train a simple model on a small set",
    "have a large stock of unlabelled data from the same source"
   ],
   "how": "Model wytrenowany na danych etykietowanych przewiduje klasy dla danych bez etykiet; predykcje powyżej progu pewności (albo k najpewniejszych) trafiają do zbioru treningowego i trening się powtarza. FixMatch bierze pseudoetykietę ze słabo zaugmentowanego obrazu i uczy model przewidywać ją dla mocno zaugmentowanej wersji.",
   "how_en": "A model trained on labelled data predicts classes for unlabelled data; predictions above a confidence threshold (or the k most confident) join the training set and training repeats. FixMatch takes the pseudo-label from a weakly augmented image and trains the model to predict it for a strongly augmented version.",
   "limits": "Źle dobrany próg albo nieskalibrowany model utrwala własne błędy (confirmation bias). Rzadkie klasy dostają mniej pseudoetykiet, co pogłębia niezbalansowanie. Słabo działa, gdy wstępny model jest bardzo zły.",
   "limits_en": "A poor threshold or an uncalibrated model reinforces its own mistakes (confirmation bias). Rare classes receive fewer pseudo-labels, deepening imbalance. It works poorly when the initial model is very weak.",
   "terms": [
    {
     "gloss": "Minimalne prawdopodobieństwo, od którego predykcja staje się pseudoetykietą.",
     "term": "próg pewności"
    },
    {
     "gloss": "Model uczy się na własnych błędach i coraz mocniej w nie wierzy.",
     "term": "confirmation bias"
    },
    {
     "gloss": "Lekko i mocno zniekształcone wersje tego samego przykładu.",
     "term": "słaba i silna augmentacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "The minimum probability at which a prediction becomes a pseudo-label.",
     "term": "confidence threshold"
    },
    {
     "gloss": "The model learns from its own errors and trusts them more and more.",
     "term": "confirmation bias"
    },
    {
     "gloss": "Lightly and heavily distorted versions of the same example.",
     "term": "weak and strong augmentation"
    }
   ],
   "prereq": [
    "calibration"
   ],
   "keywords": [
    "SelfTrainingClassifier",
    "FixMatch",
    "Noisy Student",
    "FlexMatch",
    "confidence threshold",
    "consistency regularization",
    "teacher-student"
   ],
   "source_ids": [
    "sklearn-selftraining",
    "sohn-fixmatch-2020"
   ],
   "url": "https://aiatlasgraph.com/t/pseudolabeling",
   "markdown_url": "https://aiatlasgraph.com/t/pseudolabeling.md",
   "updated": "2026-10-30"
  },
  "pso": {
   "id": "pso",
   "parent_id": "swarmintel",
   "label": "Optymalizacja rojem cząstek (PSO)",
   "canonical_name": "Particle swarm optimisation (PSO)",
   "aliases": [
    "PSO",
    "particle swarm optimization",
    "rój cząstek",
    "optymalizacja rojem cząstek"
   ],
   "description": "Metaheurystyka populacyjna, w której cząstki aktualizują prędkość według bezwładności, własnego najlepszego położenia i najlepszego położenia sąsiedztwa.",
   "description_en": "A population metaheuristic in which particles update velocity from inertia, their personal best and their neighbourhood best.",
   "plain": "Wiele wirtualnych punktów lata po przestrzeni możliwych ustawień i podąża za własnym oraz grupowym najlepszym znaleziskiem.",
   "plain_en": "Many virtual points fly through the space of possible settings, following their own and the group’s best finds.",
   "solves": "Ustawień jest dużo, wynik zależy od nich nieregularnie, a ręczne próbowanie trwa tygodniami.",
   "solves_en": "There are many settings, the result depends on them irregularly, and manual trial takes weeks.",
   "does": "Jak grupa grzybiarzy: każdy pamięta swoje najlepsze miejsce, słyszy, gdzie znalazł najwięcej sąsiad, i idzie gdzieś pomiędzy.",
   "does_en": "Like mushroom pickers: each remembers their best spot, hears where a neighbour found most, and heads somewhere in between.",
   "example": "Inżynier stroi regulator ogrzewania budynku; program przesuwa rój wariantów nastaw, aż temperatura trzyma się celu bez wahań.",
   "example_en": "An engineer tunes a building heating controller; software moves a swarm of setting variants until temperature holds steady at target.",
   "for_you": [
    "stroisz kilka lub kilkanaście liczbowych parametrów",
    "chcesz metody prostej do zaprogramowania"
   ],
   "for_you_en": [
    "tune a handful of numeric parameters",
    "want a method that is simple to code"
   ],
   "how": "Każda cząstka ma położenie, czyli kandydata, i prędkość. Nowa prędkość sumuje bezwładność, losowo ważone przyciąganie do własnego najlepszego punktu i do najlepszego punktu sąsiadów. Topologia, np. pełna lub pierścień, steruje szybkością rozchodzenia się informacji.",
   "how_en": "Each particle has a position, the candidate, and a velocity. The new velocity sums inertia, randomly weighted attraction to its own best point and to the neighbours’ best. Topology, such as fully connected or ring, controls how fast information spreads.",
   "limits": "Bez ograniczenia prędkości cząstki mogą wylatywać poza dopuszczalny obszar. Pełna topologia sprzyja przedwczesnej zbieżności, a wyniki silnie zależą od współczynników bezwładności i przyciągania.",
   "limits_en": "Without velocity limits particles can fly outside the feasible region. Fully connected topologies encourage premature convergence, and results depend strongly on inertia and attraction coefficients.",
   "terms": [
    {
     "gloss": "Najlepsza pozycja, jaką dana cząstka dotąd odwiedziła.",
     "term": "najlepsze własne (pbest)"
    },
    {
     "gloss": "Najlepsza pozycja znana sąsiadom cząstki.",
     "term": "najlepsze sąsiedztwa (gbest)"
    },
    {
     "gloss": "Jak mocno cząstka utrzymuje poprzedni kierunek ruchu.",
     "term": "waga bezwładności"
    }
   ],
   "terms_en": [
    {
     "gloss": "The best position a particle has visited so far.",
     "term": "personal best"
    },
    {
     "gloss": "The best position known to a particle’s neighbours.",
     "term": "neighbourhood best"
    },
    {
     "gloss": "How strongly a particle keeps its previous direction.",
     "term": "inertia weight"
    }
   ],
   "prereq": [
    "mathoptimization"
   ],
   "keywords": [
    "inertia weight",
    "constriction factor",
    "global best",
    "ring topology",
    "MOPSO",
    "PySwarms",
    "pymoo"
   ],
   "source_ids": [
    "pymoo-ga",
    "pso-scholarpedia"
   ],
   "url": "https://aiatlasgraph.com/t/pso",
   "markdown_url": "https://aiatlasgraph.com/t/pso.md",
   "updated": "2026-10-30"
  },
  "qdredteaming": {
   "id": "qdredteaming",
   "parent_id": "qualitydiversity",
   "label": "Red teaming jako wyszukiwanie quality-diversity",
   "canonical_name": "Quality-diversity red teaming",
   "aliases": [
    "quality-diversity red teaming",
    "QD red teaming",
    "Rainbow Teaming",
    "red teaming quality-diversity",
    "różnorodny red teaming"
   ],
   "description": "Generowanie zróżnicowanych promptów adwersarialnych jako problem quality-diversity: archiwum MAP-Elites indeksowane kategorią ryzyka i stylem ataku.",
   "description_en": "Generating diverse adversarial prompts as a quality-diversity problem: a MAP-Elites archive indexed by risk category and attack style.",
   "plain": "Program buduje tabelę podstępnych pytań do modelu, osobno dla każdego rodzaju ryzyka i stylu ataku, i stale je ulepsza.",
   "plain_en": "Software builds a table of tricky prompts for a model, one per risk type and attack style, and keeps improving them.",
   "solves": "Automatyczne szukanie słabości modelu często znajduje w kółko ten sam typ ataku, a reszta luk zostaje nieodkryta.",
   "solves_en": "Automated searches for model weaknesses often keep finding the same attack type, leaving other gaps undiscovered.",
   "does": "Jak plansza bingo: każda kratka to inne połączenie tematu i sztuczki, a w każdej trzyma się dotąd najskuteczniejsze pytanie.",
   "does_en": "Like a bingo card: each square is a different topic-and-trick combination, and each holds the most effective prompt so far.",
   "example": "Przed udostępnieniem czatbota zespół dostaje setki różnych prób oszukania go, pogrupowanych tematami, i douczanie na nich poprawia bezpieczeństwo.",
   "example_en": "Before launching a chatbot a team gets hundreds of varied attempts to trick it, grouped by topic, and further training on them improves safety.",
   "for_you": [
    "testujesz bezpieczeństwo własnego asystenta AI",
    "potrzebujesz zróżnicowanych danych do douczania odmowy"
   ],
   "for_you_en": [
    "test the safety of your own AI assistant",
    "need varied data to train safe refusals"
   ],
   "how": "Archiwum to siatka z osiami kategorii ryzyka i stylu ataku. W każdej iteracji losuje się prompt-rodzica i docelową komórkę; model-mutator przerabia go pod jej cechy, filtr podobieństwa odrzuca kopie, a model-sędzia porównuje odpowiedzi atakowanego modelu na kandydata i obecnego mistrza komórki. Zwycięzca zajmuje komórkę.",
   "how_en": "The archive is a grid with risk category and attack style axes. Each iteration samples a parent prompt and a target cell; a mutator model rewrites it for that cell's features, a similarity filter drops near-copies, and a judge model compares the target model's responses to the candidate and the cell's current elite. The winner takes the cell.",
   "limits": "Jakość zależy od modelu-sędziego, który sam może się mylić. Osie archiwum projektuje człowiek, więc ataki spoza nich zostają pominięte, a każda iteracja kosztuje kilka wywołań dużych modeli.",
   "limits_en": "Quality depends on the judge model, which can itself be wrong. People design the archive axes, so attacks outside them are missed, and each iteration costs several large-model calls.",
   "terms": [
    {
     "gloss": "Siatka przechowująca najlepszy przykład dla każdej kombinacji cech.",
     "term": "archiwum"
    },
    {
     "gloss": "Cecha opisująca rodzaj rozwiązania, np. styl ataku.",
     "term": "deskryptor"
    },
    {
     "gloss": "Model oceniający, która odpowiedź jest bardziej szkodliwa.",
     "term": "model-sędzia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A grid holding the best example for each feature combination.",
     "term": "archive"
    },
    {
     "gloss": "A feature describing the kind of solution, e.g. attack style.",
     "term": "descriptor"
    },
    {
     "gloss": "A model rating which response is more harmful.",
     "term": "judge model"
    }
   ],
   "prereq": [
    "redteaming",
    "jailbreaks"
   ],
   "keywords": [
    "Rainbow Teaming",
    "MAP-Elites",
    "adversarial prompts",
    "attack success rate",
    "judge LLM",
    "Llama Guard",
    "safety fine-tuning"
   ],
   "source_ids": [
    "rainbow-teaming-2024"
   ],
   "url": "https://aiatlasgraph.com/t/qdredteaming",
   "markdown_url": "https://aiatlasgraph.com/t/qdredteaming.md",
   "updated": "2026-10-30"
  },
  "qlearning": {
   "id": "qlearning",
   "parent_id": "rlalgorithms",
   "label": "Q-learning i głębokie sieci Q (DQN)",
   "canonical_name": "Q-learning and deep Q-networks (DQN)",
   "description": "Uczenie wartości akcji z równania Bellmana w trybie off-policy; w DQN sieć neuronowa zastępuje tabelę Q. Metody tej rodziny wykorzystują ponownie dane z wcześniejszych interakcji, lecz trening z aproksymacją funkcji wymaga mechanizmów stabilizujących.",
   "description_en": "Off-policy learning of action values from the Bellman equation; in DQN a neural network replaces the Q-table. Methods in this family reuse data from past interactions, but training with function approximation needs stabilising mechanisms.",
   "examples": "Tabelaryczny Q-learning · DQN · bufor doświadczeń (replay) · sieć docelowa · Double DQN",
   "examples_en": "Tabular Q-learning · DQN · experience replay · target network · Double DQN",
   "plain": "To uczenie programu oceny możliwych ruchów, żeby wybierał te obiecujące lepszy dalszy wynik.",
   "plain_en": "This teaches software to score possible moves so it can choose those promising better future outcomes.",
   "solves": "Program nie wie, które działanie jest korzystne, zwłaszcza gdy jego ważne skutki pojawiają się dopiero później.",
   "solves_en": "Software does not know which action is beneficial, especially when important consequences appear later.",
   "does": "Poprawia oceny działań według uzyskanej nagrody i przewidywanej wartości następnych ruchów; może zapisywać oceny w tabeli lub wyuczonym modelu.",
   "does_en": "It updates action scores using received rewards and predicted future move values, storing scores in a table or learned model.",
   "example": "Postać w grze uczy się, które przejście prowadzi do celu, korzystając także z zapisanych wyników wcześniejszych prób.",
   "example_en": "A game character learns which passage leads towards the goal, also using recorded outcomes from earlier trials.",
   "for_you": [
    "chcesz wybierać ruchy przez porównanie ich ocen",
    "masz doświadczenia, które można wykorzystać ponownie do nauki"
   ],
   "for_you_en": [
    "want to choose moves by comparing their scores",
    "have experiences that can be reused for learning"
   ],
   "how": "Wartość działania aktualizuje się ku nagrodzie i zdyskontowanej najlepszej wartości w następnym stanie. Głęboki wariant dopasowuje sieć do tych celów, zwykle wykorzystując bufor doświadczeń i opóźnioną sieć docelową.",
   "how_en": "Action values are updated toward reward plus the discounted best next-state value. The deep variant fits a network to these targets, commonly using experience replay and a delayed target network.",
   "limits": "Maksymalizacja zaszumionych ocen może zawyżać wartości. Aproksymacja siecią, bootstrapping i uczenie off-policy mogą destabilizować trening; przeszukiwanie wszystkich działań jest trudne dla akcji ciągłych.",
   "limits_en": "Maximising noisy estimates can overestimate values. Neural approximation, bootstrapping and off-policy learning can destabilise training; searching all actions is difficult in continuous spaces.",
   "terms": [
    {
     "gloss": "Oczekiwany zwrot po wykonaniu działania w danym stanie.",
     "term": "funkcja Q"
    },
    {
     "gloss": "Ponowne próbkowanie zapisanych przejść do aktualizacji modelu.",
     "term": "experience replay"
    }
   ],
   "terms_en": [
    {
     "gloss": "Expected return after taking an action in a given state.",
     "term": "Q function"
    },
    {
     "gloss": "Resampling stored transitions to update the model.",
     "term": "experience replay"
    }
   ],
   "prereq": [
    "bellman",
    "backprop"
   ],
   "keywords": [
    "experience replay",
    "target networks",
    "Double DQN",
    "Dueling DQN",
    "epsilon-greedy exploration"
   ],
   "source_ids": [
    "rl",
    "spinningup-rl-taxonomy",
    "hf-deep-rl-course",
    "dqn-atari-2013"
   ],
   "url": "https://aiatlasgraph.com/t/qlearning",
   "markdown_url": "https://aiatlasgraph.com/t/qlearning.md",
   "updated": "2026-10-30"
  },
  "qlora": {
   "id": "qlora",
   "parent_id": "lora",
   "label": "QLoRA",
   "canonical_name": "Quantized low-rank adaptation (QLoRA)",
   "description": "LoRA na bazie modelu zapisanego w 4 bitach. Obniża pamięć karty potrzebną do dostrajania.",
   "description_en": "LoRA on top of a base model stored in 4 bits. Cuts the GPU memory needed for fine-tuning.",
   "examples": "baza 4-bitowa · adaptery LoRA · rank i alpha",
   "examples_en": "4-bit base · LoRA adapters · rank and alpha",
   "plain": "To uczenie małych zmian modelu, którego baza jest przechowywana w oszczędnym, mniej dokładnym zapisie.",
   "plain_en": "This trains small model updates while storing the base model in a compact, lower-precision format.",
   "solves": "Nawet dostrajanie małego adaptera wymaga zbyt dużo pamięci, jeśli baza modelu zajmuje większość urządzenia.",
   "solves_en": "Even training a small adapter needs too much memory when the base model occupies most of the device.",
   "does": "Skompresowana baza pozostaje stała, a sygnał treningu przechodzi przez nią do adapterów uczonych z większą dokładnością.",
   "does_en": "The compressed base remains fixed while training signals pass through it to adapters learned at higher precision.",
   "example": "Na karcie z ograniczoną pamięcią dostrajasz adapter opisów produktów, korzystając z oszczędnie zapisanej bazy modelu.",
   "example_en": "On a memory-limited card, you train a product-description adapter using a compactly stored base model.",
   "for_you": [
    "baza modelu zajmuje zbyt dużo pamięci",
    "chcesz połączyć kompresję z uczeniem adapterów"
   ],
   "for_you_en": [
    "find the base model takes too much memory",
    "want compression combined with adapter training"
   ],
   "how": "Zamrożone wagi bazowe przechowuje się w formacie skwantowanym i odtwarza na potrzeby obliczeń. Gradient przechodzi przez model do uczonych czynników LoRA, ograniczając pamięć wag bez aktualizowania ich skwantowanej reprezentacji.",
   "how_en": "Frozen base weights are stored in a quantised format and reconstructed for computation. Gradients flow through the model to trainable LoRA factors, reducing weight memory without updating the quantised representation.",
   "limits": "Kwantyzacja i odtwarzanie wprowadzają błędy oraz narzut obliczeń. Aktywacje i stan adaptera nadal zajmują pamięć; efekty zależą od obsługiwanych formatów, kerneli i konfiguracji treningu.",
   "limits_en": "Quantisation and reconstruction introduce errors and computation overhead. Activations and adapter state still consume memory; outcomes depend on supported formats, kernels and training configurations.",
   "terms": [
    {
     "gloss": "Parametry modelu zapisane oszczędnie i niezmieniane podczas dostrajania.",
     "term": "zamrożona baza skwantowana"
    },
    {
     "gloss": "Odtworzenie przybliżonych wartości wag do obliczeń w wyższej precyzji.",
     "term": "dekwantyzacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Compactly stored model parameters left unchanged during fine-tuning.",
     "term": "frozen quantised base"
    },
    {
     "gloss": "Reconstructing approximate weight values for higher-precision computation.",
     "term": "dequantisation"
    }
   ],
   "prereq": [
    "weightquant",
    "backprop"
   ],
   "keywords": [
    "NF4",
    "double quantization",
    "paged optimizers",
    "bitsandbytes",
    "4-bit base weights",
    "lora_alpha",
    "dequantization"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/qlora",
   "markdown_url": "https://aiatlasgraph.com/t/qlora.md",
   "updated": "2026-10-30"
  },
  "qualitydiversity": {
   "id": "qualitydiversity",
   "parent_id": "evolutionary",
   "label": "Różnorodność i ewolucja otwarta",
   "canonical_name": "Quality diversity and open-endedness",
   "aliases": [
    "quality diversity",
    "QD",
    "open-endedness",
    "open-ended evolution",
    "różnorodność jakościowa",
    "otwarta ewolucja"
   ],
   "description": "Rodzina algorytmów oświetlających przestrzeń rozwiązań kolekcją różnorodnych, wysokiej jakości kandydatów oraz badania nad otwartym, niekończącym się generowaniem nowości.",
   "description_en": "Algorithms that illuminate a solution space with collections of diverse high-quality candidates, plus research on open-ended, never-ending generation of novelty.",
   "plain": "Kierunek, w którym zamiast jednego najlepszego rozwiązania szuka się wielu różnych i dobrych, a czasem bez końca nowych.",
   "plain_en": "An approach that seeks many different good solutions instead of one best, and sometimes endlessly new ones.",
   "solves": "Pogoń za jednym celem prowadzi w ślepe zaułki, a przegapia drogi, które na początku wyglądały gorzej.",
   "solves_en": "Chasing a single goal leads into dead ends and misses paths that looked worse at first.",
   "does": "Nagradza odmienność, nie tylko wynik: jak wynalazcy, którzy kolekcjonują dziwne pomysły, bo któryś okaże się krokiem do przełomu.",
   "does_en": "It rewards being different, not only scoring well, like inventors collecting odd ideas because one may become a step to a breakthrough.",
   "example": "Projektanci gry chcą wielu różnych poziomów trudności; program generuje i przechowuje całą kolekcję ciekawych, grywalnych plansz.",
   "example_en": "Game designers want many different difficulty levels; software generates and keeps a whole collection of interesting, playable maps.",
   "for_you": [
    "potrzebujesz wielu różnych dobrych wariantów do wyboru",
    "prosty cel prowadzi twoje próby w ślepy zaułek"
   ],
   "for_you_en": [
    "need many different good options to choose from",
    "find a simple goal leading your attempts into dead ends"
   ],
   "how": "Zamiast jednej funkcji celu algorytm opisuje każdego kandydata zachowaniem, np. miejscem dotarcia albo stylem ruchu, i przechowuje archiwum. Nowe warianty powstają z wpisów archiwum, a do kolekcji trafiają te nowe lub lepsze w swojej niszy. Systemy otwarte generują dodatkowo coraz trudniejsze zadania dla samych siebie.",
   "how_en": "Instead of one objective the algorithm describes each candidate by behaviour, such as where it ended up or how it moves, and keeps an archive. New variants come from archive entries, and those new or better in their niche join the collection. Open-ended systems also generate ever harder tasks for themselves.",
   "limits": "Trzeba ręcznie zdefiniować, czym różnią się zachowania, a zły opis daje bezużyteczną różnorodność. Archiwa rosną z liczbą nisz, a „otwartości” nie umiemy jeszcze dobrze mierzyć.",
   "limits_en": "Someone must define how behaviours differ, and a poor description yields useless diversity. Archives grow with the number of niches, and open-endedness is still hard to measure.",
   "terms": [
    {
     "gloss": "Kilka liczb opisujących, jak kandydat się zachowuje, nie jak dobrze.",
     "term": "opis zachowania"
    },
    {
     "gloss": "Pośrednie rozwiązanie, które samo nie wygrywa, ale otwiera drogę dalej.",
     "term": "kamień milowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A few numbers describing how a candidate behaves, not how well.",
     "term": "behaviour descriptor"
    },
    {
     "gloss": "An intermediate solution that does not win but opens a path onward.",
     "term": "stepping stone"
    }
   ],
   "prereq": [
    "geneticalgorithms"
   ],
   "keywords": [
    "MAP-Elites",
    "novelty search",
    "POET",
    "OMNI-EPIC",
    "pyribs",
    "QDax",
    "CMA-ME",
    "behaviour descriptors",
    "stepping stones"
   ],
   "source_ids": [
    "novelty-search-2011",
    "mapelites-2015",
    "openendedness-asi-2024"
   ],
   "url": "https://aiatlasgraph.com/t/qualitydiversity",
   "markdown_url": "https://aiatlasgraph.com/t/qualitydiversity.md",
   "updated": "2026-10-30"
  },
  "qualityfiltering": {
   "id": "qualityfiltering",
   "parent_id": "cleaning",
   "label": "Filtrowanie jakości (heurystyki i klasyfikatory)",
   "canonical_name": "Quality filtering with heuristics and classifiers",
   "aliases": [
    "quality filter",
    "model-based filtering",
    "FineWeb-Edu"
   ],
   "description": "Odrzucanie słabych dokumentów przed treningiem — najpierw prostymi regułami, potem modelem, który ocenia wartość tekstu (np. edukacyjną).",
   "description_en": "Dropping weak documents before training — first with simple rules, then with a model that scores how valuable a text is (e.g. educationally).",
   "examples": "Reguły długości i powtórzeń · identyfikacja języka · klasyfikator „edukacyjności” (FineWeb-Edu) · filtr DCLM",
   "examples_en": "Length and repetition rules · language ID · educational-value classifier (FineWeb-Edu) · DCLM filter",
   "plain": "To wybieranie tekstów dostatecznie przydatnych i czytelnych, żeby nadawały się do nauki modelu.",
   "plain_en": "This selects text useful and readable enough to help train a model.",
   "solves": "Zebrane materiały zawierają spam, urwane zdania lub puste treści, które zajmują czas nauki.",
   "solves_en": "Collected material includes spam, broken sentences or empty content that wastes learning time.",
   "does": "Proste reguły wychwytują oczywiste problemy, a osobny model może oceniać wartość pozostałych tekstów.",
   "does_en": "Simple rules catch obvious problems, while a separate model can assess the value of the remaining text.",
   "example": "Z archiwum stron odrzucasz teksty pełne powtórzeń i sprawdzasz, które pozostałe materiały zawierają użyteczne wyjaśnienia.",
   "example_en": "You discard repetitive text from a page archive and check which remaining material contains useful explanations.",
   "for_you": [
    "zbierasz teksty o nierównej jakości",
    "chcesz ograniczyć naukę na spamie i pustych treściach"
   ],
   "for_you_en": [
    "collect text of varying quality",
    "want less learning time spent on spam and empty content"
   ],
   "how": "Reguły oceniają strukturę, język i powtórzenia dokumentu, a klasyfikatory szacują wybraną cechę jakości. Kolejne filtry odrzucają próbki, po czym analizuje się skład pozostałego korpusu i wyniki treningu.",
   "how_en": "Rules inspect document structure, language and repetition, while classifiers estimate a selected quality property. Successive filters reject samples, followed by analysis of the retained corpus and training results.",
   "limits": "Definicja jakości zależy od zadania. Filtry mogą faworyzować dominujące języki i styl, usuwać materiał specjalistyczny lub zachowywać tekst poprawny językowo, lecz fałszywy.",
   "limits_en": "Quality is task-dependent. Filters may favour dominant languages and styles, remove specialist material or retain fluent but false text.",
   "terms": [
    {
     "gloss": "Prosta reguła przybliżająca ocenę bez pełnego rozumienia treści.",
     "term": "heurystyka"
    },
    {
     "gloss": "Wartość oceny, poniżej której próbka nie trafia do korpusu.",
     "term": "próg odrzucenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A simple rule approximating assessment without fully understanding content.",
     "term": "heuristic"
    },
    {
     "gloss": "A score below which a sample is excluded from the corpus.",
     "term": "rejection threshold"
    }
   ],
   "prereq": [
    "evalsets",
    "supervised"
   ],
   "keywords": [
    "FineWeb-Edu",
    "DCLM",
    "language identification",
    "repetition filters",
    "perplexity filtering",
    "quality classifiers"
   ],
   "source_ids": [
    "fineweb-2024",
    "dclm-2024",
    "refinedweb-2023",
    "dolma-2024"
   ],
   "url": "https://aiatlasgraph.com/t/qualityfiltering",
   "markdown_url": "https://aiatlasgraph.com/t/qualityfiltering.md",
   "updated": "2026-10-30"
  },
  "quantileregression": {
   "id": "quantileregression",
   "parent_id": "supervised",
   "label": "Regresja kwantylowa i przedziały predykcji",
   "canonical_name": "Quantile regression and prediction intervals",
   "aliases": [
    "quantile regression",
    "regresja kwantylowa",
    "quantile prediction intervals"
   ],
   "description": "Estymacja warunkowych kwantyli celu przez minimalizację straty pinball; para kwantyli tworzy przedział predykcji.",
   "description_en": "Estimating conditional quantiles of the target by minimising the pinball loss; a pair of quantiles forms a prediction interval.",
   "plain": "Model przewiduje nie tylko typową wartość, ale też ostrożny i optymistyczny wariant, czyli dolną i górną granicę.",
   "plain_en": "A model predicts not just a typical value but also a cautious and an optimistic one: a lower and an upper bound.",
   "solves": "Pojedyncza prognoza ukrywa ryzyko, a planując zapasy czy dojazd, trzeba wiedzieć, jak źle może pójść.",
   "solves_en": "A single forecast hides risk, yet planning stock or a commute means knowing how badly things could go.",
   "does": "Zamiast jednej liczby podaje widełki, jak nawigacja mówiąca, że dojedziesz w 25 do 40 minut.",
   "does_en": "Instead of one number it gives a range, like a navigation app saying you'll arrive in 25 to 40 minutes.",
   "example": "Piekarnia planuje wypieki na podstawie prognozy, ile bułek najwyżej sprzeda w dziewięciu dniach na dziesięć.",
   "example_en": "A bakery plans its baking from a forecast of the most rolls it will sell on nine days out of ten.",
   "for_you": [
    "podejmujesz decyzje zależne od najgorszego scenariusza",
    "pojedyncza prognoza to dla ciebie za mało"
   ],
   "for_you_en": [
    "make decisions that depend on the worst case",
    "find a single forecast not enough"
   ],
   "how": "Strata pinball karze niedoszacowanie i przeszacowanie asymetrycznie, zależnie od wybranego kwantyla α, więc model zbiega do α-kwantyla warunkowego rozkładu. Dwa modele, np. dla 5% i 95%, wyznaczają 90-procentowy przedział. Działa z modelami liniowymi, wzmacnianymi drzewami i sieciami.",
   "how_en": "The pinball loss penalises under- and over-prediction asymmetrically according to the chosen quantile α, so the model converges to the conditional α-quantile. Two models, e.g. at 5% and 95%, bound a 90% interval. It works with linear models, boosted trees and neural networks.",
   "limits": "Deklarowane pokrycie nie jest gwarantowane: na nowych danych przedziały bywają za wąskie, więc pokrycie trzeba sprawdzić na odłożonym zbiorze. Osobne modele mogą dawać przecinające się kwantyle.",
   "limits_en": "Nominal coverage is not guaranteed: on new data intervals are often too narrow, so coverage must be checked on held-out data. Separate models can produce crossing quantiles.",
   "terms": [
    {
     "gloss": "Wartość, poniżej której leży określony procent wyników.",
     "term": "kwantyl"
    },
    {
     "gloss": "Asymetryczna kara, która uczy model trafiać w wybrany kwantyl.",
     "term": "strata pinball"
    },
    {
     "gloss": "Odsetek prawdziwych wyników, które wpadły do przedziału.",
     "term": "pokrycie"
    }
   ],
   "terms_en": [
    {
     "gloss": "The value below which a given percentage of outcomes falls.",
     "term": "quantile"
    },
    {
     "gloss": "An asymmetric penalty that teaches a model to hit a chosen quantile.",
     "term": "pinball loss"
    },
    {
     "gloss": "The share of true outcomes that fall inside the interval.",
     "term": "coverage"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "pinball loss",
    "QuantileRegressor",
    "GradientBoostingRegressor quantile",
    "LightGBM quantile",
    "quantile crossing",
    "prediction interval coverage",
    "conformalized quantile regression"
   ],
   "source_ids": [
    "sklearn-gb-quantile-example"
   ],
   "url": "https://aiatlasgraph.com/t/quantileregression",
   "markdown_url": "https://aiatlasgraph.com/t/quantileregression.md",
   "updated": "2026-10-30"
  },
  "quanttrading": {
   "id": "quanttrading",
   "parent_id": "finance",
   "label": "Inwestowanie ilościowe i handel algorytmiczny",
   "canonical_name": "Quantitative investing and algorithmic trading",
   "aliases": [
    "quant finance",
    "algorithmic trading",
    "financial machine learning",
    "handel algorytmiczny",
    "ML for asset management"
   ],
   "description": "Uczenie maszynowe w zarządzaniu aktywami: prognozowanie stóp zwrotu, konstrukcja portfela, wykonanie zleceń i rygorystyczny backtesting.",
   "description_en": "Machine learning in asset management: return prediction, portfolio construction, order execution and rigorous backtesting.",
   "plain": "Programy, które szukają w danych rynkowych sygnałów, budują z nich strategie inwestycyjne i same składają zlecenia.",
   "plain_en": "Software that looks for signals in market data, turns them into investment strategies and places the orders itself.",
   "solves": "Na giełdach notowane są tysiące spółek i ogrom danych, a człowiek nie przeanalizuje ich wszystkich ani nie zareaguje w ułamku sekundy.",
   "solves_en": "Exchanges list thousands of companies with huge amounts of data, and no person can analyse them all or react in a split second.",
   "does": "Jak sito przesiewające tony historycznych danych w poszukiwaniu powtarzalnych prawidłowości, które potem sprawdza się, czy nie były przypadkiem.",
   "does_en": "Like a sieve sifting tons of historical data for repeatable patterns, which are then checked for being mere luck.",
   "example": "Fundusz, w którym odkładasz na emeryturę, co miesiąc przebudowuje portfel według modelu oceniającego setki spółek naraz.",
   "example_en": "The fund holding your pension savings rebuilds its portfolio monthly using a model that scores hundreds of companies at once.",
   "for_you": [
    "masz oszczędności w funduszu inwestycyjnym lub emerytalnym",
    "testujesz własne strategie inwestycyjne",
    "myślisz o pracy jako analityk ilościowy"
   ],
   "for_you_en": [
    "have savings in an investment or pension fund",
    "test your own investment strategies",
    "are considering work as a quantitative analyst"
   ],
   "how": "Modele uczą się na cechach rynkowych i fundamentalnych (momentum, płynność, zmienność, wskaźniki spółek) przewidywać przekrój przyszłych stóp zwrotu; wynik zasila optymalizację portfela z ograniczeniami ryzyka i kosztów. Strategie sprawdza się backtestem z kosztami transakcyjnymi, a coraz częściej używa się też RL i sygnałów z tekstu.",
   "how_en": "Models learn from market and fundamental features (momentum, liquidity, volatility, company ratios) to predict the cross-section of future returns; the output feeds portfolio optimisation under risk and cost constraints. Strategies are checked by backtests with transaction costs, and RL and text-based signals are increasingly used.",
   "limits": "Sygnał w danych finansowych jest bardzo słaby wobec szumu, a rynek się zmienia i znosi znane anomalie. Wielokrotne testowanie strategii prowadzi do przeuczenia backtestu. Koszty transakcyjne i wpływ na cenę zjadają zyski widoczne na papierze.",
   "limits_en": "Signal in financial data is very weak relative to noise, and markets change and arbitrage away known anomalies. Testing many strategies leads to backtest overfitting. Transaction costs and price impact eat paper profits.",
   "terms": [
    {
     "gloss": "Zysk ponad to, co wynika z ogólnego ruchu rynku.",
     "term": "alfa"
    },
    {
     "gloss": "Cecha spółek, np. momentum, wyjaśniająca różnice w zwrotach.",
     "term": "czynnik"
    },
    {
     "gloss": "Symulacja strategii na danych historycznych.",
     "term": "backtest"
    }
   ],
   "terms_en": [
    {
     "gloss": "Return beyond what the overall market movement explains.",
     "term": "alpha"
    },
    {
     "gloss": "A company trait, e.g. momentum, that explains differences in returns.",
     "term": "factor"
    },
    {
     "gloss": "Simulating a strategy on historical data.",
     "term": "backtest"
    }
   ],
   "prereq": [
    "timeseries",
    "biasvariance"
   ],
   "keywords": [
    "financial machine learning",
    "factor investing",
    "momentum",
    "portfolio optimization",
    "backtesting",
    "transaction costs",
    "Advances in Financial Machine Learning",
    "FinRL",
    "Qlib",
    "walk-forward analysis"
   ],
   "source_ids": [
    "gu-kelly-xiu-2020",
    "bailey-pbo-2015"
   ],
   "url": "https://aiatlasgraph.com/t/quanttrading",
   "markdown_url": "https://aiatlasgraph.com/t/quanttrading.md",
   "updated": "2026-10-30"
  },
  "queryconstruction": {
   "id": "queryconstruction",
   "parent_id": "retrieval",
   "label": "Zapytania do danych strukturalnych",
   "canonical_name": "Query construction for structured data",
   "description": "Tłumaczenie pytania na język bazy danych, gdy odpowiedź leży w tabelach lub grafie.",
   "description_en": "Translating a question into a database query language when the answer lives in tables or a graph.",
   "examples": "text-to-SQL · Cypher · filtry metadanych",
   "examples_en": "text-to-SQL · Cypher · metadata filters",
   "plain": "To zamienianie zwykłego pytania w polecenie, które baza danych potrafi wykonać.",
   "plain_en": "This turns an everyday question into an instruction a database can carry out.",
   "solves": "Informacje są w tabelach lub powiązaniach, ale nie znasz sposobu, żeby zadać im potrzebne pytanie.",
   "solves_en": "The information is stored in tables or linked records, but you do not know how to ask them your question.",
   "does": "Wybiera potrzebne tabele lub powiązania, ustawia warunki i zleca bazie obliczenie albo wyszukanie wyniku.",
   "does_en": "It chooses relevant tables or links, sets conditions and asks the database to calculate or retrieve the result.",
   "example": "Pytasz, które zamówienia z poprzedniego miesiąca wciąż czekają na wysyłkę, a asystent pobiera odpowiednie wiersze z firmowej bazy.",
   "example_en": "You ask which orders from last month still await dispatch, and the assistant retrieves the matching rows from your workplace database.",
   "for_you": [
    "chcesz pytać o dane bez pisania poleceń do bazy",
    "ręcznie filtrujesz tabele, żeby znaleźć odpowiedź"
   ],
   "for_you_en": [
    "want to ask about data without writing database commands",
    "filter tables by hand to find an answer"
   ],
   "how": "Model mapuje pytanie na zapytanie strukturalne, korzystając ze schematu tabel, relacji lub grafu. Aplikacja sprawdza zapytanie, stosuje uprawnienia i wykonuje je, a zwrócone rekordy mogą posłużyć do wygenerowania odpowiedzi.",
   "how_en": "The model maps a question to a structured query using a table, relation or graph schema. The application checks the query, applies permissions and executes it, and returned records can support response generation.",
   "limits": "Poprawna składnia nie zapewnia poprawnego złączenia, agregacji ani interpretacji pytania. Potrzebne są dostęp do schematu, ograniczenia wykonania i kontrola uprawnień; nieznane wartości wymagają doprecyzowania.",
   "limits_en": "Valid syntax does not ensure correct joins, aggregation or question interpretation. Schema access, execution limits and permission controls are needed; unknown values require clarification.",
   "terms": [
    {
     "gloss": "Opis pól, typów i relacji dostępnych w bazie.",
     "term": "schemat danych"
    },
    {
     "gloss": "Połączenie rekordów z różnych tabel według określonej relacji.",
     "term": "złączenie"
    },
    {
     "gloss": "Obliczanie podsumowania dla grupy rekordów.",
     "term": "agregacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A description of database fields, types and relations.",
     "term": "data schema"
    },
    {
     "gloss": "Combining records from different tables using a specified relation.",
     "term": "join"
    },
    {
     "gloss": "Computing a summary for a group of records.",
     "term": "aggregation"
    }
   ],
   "prereq": [
    "structured",
    "kgraphs"
   ],
   "keywords": [
    "text-to-SQL",
    "text-to-Cypher",
    "schema linking",
    "SQL joins",
    "SQL aggregation",
    "metadata filtering"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/queryconstruction",
   "markdown_url": "https://aiatlasgraph.com/t/queryconstruction.md",
   "updated": "2026-10-30"
  },
  "queryrewrite": {
   "id": "queryrewrite",
   "parent_id": "retrieval",
   "label": "Przekształcanie zapytań",
   "canonical_name": "Query transformation",
   "description": "Przepisanie pytania użytkownika, zanim trafi do wyszukiwania.",
   "description_en": "Rewriting the user's question before it reaches the search.",
   "examples": "przepisywanie zapytań · HyDE · CoRAG",
   "examples_en": "query rewriting · HyDE · CoRAG",
   "plain": "To zmienianie sformułowania pytania, żeby wyszukiwarka łatwiej znalazła potrzebne informacje.",
   "plain_en": "This rephrases a question to help a search system find the information you need.",
   "solves": "Wyszukiwarka nie znajduje odpowiedzi, gdy pytanie jest skrótowe, niejasne lub zależy od wcześniejszej rozmowy.",
   "solves_en": "Search misses the answer when your question is brief, unclear or depends on an earlier part of the conversation.",
   "does": "Dopisuje brakujący kontekst rozmowy, proponuje inne słowa lub rozbija złożone pytanie na prostsze poszukiwania.",
   "does_en": "It adds missing conversation details, suggests alternative words or splits a complex question into smaller searches.",
   "example": "Po rozmowie o zamówieniu pytasz „a kiedy dotrze?”, a asystent dołącza ustalony numer zamówienia do wyszukiwania.",
   "example_en": "After discussing an order, you ask “when will it arrive?”, and the assistant adds the order number to its search.",
   "for_you": [
    "zadajesz krótkie pytania odwołujące się do poprzednich wiadomości",
    "musisz wiele razy zmieniać słowa, żeby coś znaleźć"
   ],
   "for_you_en": [
    "ask brief questions that refer to earlier messages",
    "keep changing search words before you find what you need"
   ],
   "how": "Model doprecyzowuje zapytanie, rozbija je na podproblemy lub generuje alternatywne sformułowania do wyszukiwania. Niektóre metody tworzą hipotetyczny dokument i używają jego embeddingu do znalezienia rzeczywistych materiałów.",
   "how_en": "The model clarifies a query, splits it into subproblems or generates alternative search formulations. Some methods create a hypothetical document and use its embedding to retrieve actual material.",
   "limits": "Przekształcenie może zmienić intencję pytania lub dodać nieprawdziwe założenie. Hipotetyczny tekst jest pomocą wyszukiwania, nie dowodem; dodatkowe wywołania zwiększają koszt i opóźnienie.",
   "limits_en": "Transformation can change the question's intent or add a false assumption. Hypothetical text is a retrieval aid, not evidence; additional calls increase cost and latency.",
   "terms": [
    {
     "gloss": "Zmiana sformułowania pytania przed uruchomieniem wyszukiwania.",
     "term": "przepisanie zapytania"
    },
    {
     "gloss": "Rozbicie pytania na mniejsze zapytania składowe.",
     "term": "dekompozycja"
    },
    {
     "gloss": "Wygenerowany przykład odpowiedzi używany do wyszukania prawdziwych materiałów.",
     "term": "hipotetyczny dokument"
    }
   ],
   "terms_en": [
    {
     "gloss": "Changing a question's wording before running retrieval.",
     "term": "query rewriting"
    },
    {
     "gloss": "Splitting a question into smaller component queries.",
     "term": "decomposition"
    },
    {
     "gloss": "A generated example answer used to retrieve actual material.",
     "term": "hypothetical document"
    }
   ],
   "prereq": [
    "prompting",
    "textembeddings"
   ],
   "keywords": [
    "query rewriting",
    "HyDE",
    "CoRAG",
    "query decomposition",
    "multi-query retrieval",
    "step-back prompting"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/queryrewrite",
   "markdown_url": "https://aiatlasgraph.com/t/queryrewrite.md",
   "updated": "2026-10-30"
  },
  "questionanswering": {
   "id": "questionanswering",
   "parent_id": "nlp",
   "label": "Odpowiadanie na pytania (QA)",
   "canonical_name": "Question answering (QA)",
   "aliases": [
    "question answering",
    "QA",
    "reading comprehension",
    "open-domain QA",
    "extractive QA",
    "odpowiadanie na pytania",
    "systemy pytań i odpowiedzi",
    "czytanie ze zrozumieniem"
   ],
   "description": "Udzielanie odpowiedzi na pytania w języku naturalnym. QA ekstraktywne wskazuje fragment odpowiedzi w podanym tekście; QA otwartodomenowe najpierw wyszukuje odpowiednie źródła za pomocą retrievera, a następnie wyznacza odpowiedź. Ten układ retriever–reader jest blisko spokrewniony z późniejszymi systemami RAG.",
   "description_en": "Answering natural-language questions. Extractive QA selects an answer span from a supplied text; open-domain QA first retrieves relevant sources and then derives an answer. This retriever-reader pattern is closely related to later RAG systems.",
   "examples": "QA ekstraktywne · SQuAD · QA otwartodomenowe · gęste wyszukiwanie (DPR) · closed-book QA · RAG",
   "examples_en": "extractive QA · SQuAD · open-domain QA · dense retrieval (DPR) · closed-book QA · RAG",
   "plain": "To program, który na pytanie zadane zwykłymi słowami podaje konkretną odpowiedź, a nie tylko listę linków.",
   "plain_en": "This is software that answers a question asked in plain words with a specific answer, not just a list of links.",
   "solves": "Szukasz jednej informacji, a dostajesz dziesiątki stron, przez które musisz przekopać się sam.",
   "solves_en": "You need one fact but get dozens of pages to dig through yourself.",
   "does": "Model może wybierać odpowiedź z dokumentu albo ją tworzyć z dostępnych informacji; zgodność ze źródłem trzeba sprawdzić.",
   "does_en": "A model can select an answer from a document or generate one from available information; its agreement with the source needs checking.",
   "example": "Pytasz pomoc techniczną na stronie, jak zmienić hasło, i dostajesz trzy kroki wyjęte z instrukcji, z odnośnikiem do źródła.",
   "example_en": "You ask a website's help assistant how to change your password and get three steps taken from the manual, with a link to it.",
   "for_you": [
    "szukasz odpowiedzi w dużym zbiorze dokumentów",
    "budujesz pomoc dla klientów albo pracowników",
    "chcesz wiedzieć, skąd pochodzi odpowiedź"
   ],
   "for_you_en": [
    "look for answers in a large set of documents",
    "build help for customers or staff",
    "want to know where an answer came from"
   ],
   "how": "Model dopasowuje pytanie do kontekstu, wybierając fragment odpowiedzi albo generując tekst. W zadaniu otwartodomenowym retrieval najpierw dostarcza materiał, który czytnik wykorzystuje do wyznaczenia odpowiedzi.",
   "how_en": "A model matches a question to context, selecting an answer span or generating text. In open-domain tasks, retrieval first supplies material that a reader uses to derive an answer.",
   "limits": "Brak właściwego kontekstu ogranicza nawet dobrego czytnika. Generowanie może uzupełniać luki fałszem, a pytanie bez odpowiedzi wymaga rozpoznania tego braku.",
   "limits_en": "Missing relevant context limits even a strong reader. Generation can fill gaps with falsehoods, and unanswerable questions require recognising the absence of an answer.",
   "terms": [
    {
     "gloss": "Wskazanie fragmentu odpowiedzi istniejącego w dostarczonym tekście.",
     "term": "QA ekstraktywne"
    },
    {
     "gloss": "Układ wyszukujący materiał i następnie wyprowadzający z niego odpowiedź.",
     "term": "retriever–reader"
    }
   ],
   "terms_en": [
    {
     "gloss": "Selecting an answer span already present in supplied text.",
     "term": "extractive QA"
    },
    {
     "gloss": "A system retrieving material and then deriving an answer from it.",
     "term": "retriever–reader"
    }
   ],
   "prereq": [
    "retrieval",
    "evalsets"
   ],
   "keywords": [
    "SQuAD",
    "DPR",
    "extractive QA",
    "open-domain QA",
    "retriever-reader architecture",
    "closed-book QA",
    "RAG"
   ],
   "source_ids": [
    "hf-tasks-nlp",
    "hf-task-question-answering",
    "jurafsky-martin-slp3",
    "squad-2016",
    "dpr-2020"
   ],
   "url": "https://aiatlasgraph.com/t/questionanswering",
   "markdown_url": "https://aiatlasgraph.com/t/questionanswering.md",
   "updated": "2026-10-30"
  },
  "questiongen": {
   "id": "questiongen",
   "parent_id": "autoassessment",
   "label": "Automatyczne tworzenie pytań i testów",
   "canonical_name": "Automatic question generation for education",
   "aliases": [
    "AQG",
    "automatic question generation",
    "question generation",
    "QG",
    "distractor generation",
    "MCQ generation",
    "generowanie pytań testowych"
   ],
   "description": "Generowanie pytań (otwartych, z lukami, wielokrotnego wyboru) i dystraktorów z tekstu dydaktycznego, z kontrolą trudności i poziomu poznawczego.",
   "description_en": "Generating questions (open, cloze, multiple-choice) and distractors from instructional text, with control over difficulty and cognitive level.",
   "plain": "Programy, które z podręcznika lub notatek tworzą pytania sprawdzające, w tym testy wyboru z wiarygodnymi błędnymi odpowiedziami.",
   "plain_en": "Software that turns a textbook or notes into check questions, including multiple-choice tests with believable wrong answers.",
   "solves": "Układanie dobrych pytań o różnej trudności zajmuje nauczycielom godziny, a te same pytania co roku szybko krążą między uczniami.",
   "solves_en": "Writing good questions at different difficulty levels takes teachers hours, and reused questions quickly circulate among students.",
   "does": "Jak pomocnik, który czyta rozdział i przygotowuje kilkanaście szkiców pytań, z których nauczyciel wybiera i poprawia najlepsze.",
   "does_en": "Like a helper who reads a chapter and drafts a dozen questions, from which the teacher picks and polishes the best.",
   "example": "Trenerka wkleja materiał szkoleniowy o bezpieczeństwie pracy i po chwili ma quiz z dziesięcioma pytaniami do sprawdzenia przed wysłaniem.",
   "example_en": "A trainer pastes in workplace-safety training material and moments later has a ten-question quiz to review before sending.",
   "for_you": [
    "przygotowujesz kartkówki, quizy lub testy",
    "uczysz się i chcesz sprawdzać się z własnych notatek"
   ],
   "for_you_en": [
    "prepare quizzes or tests",
    "study and want to test yourself on your own notes"
   ],
   "how": "Pierwsze systemy przekształcały zdania według reguł i szablonów; potem dominowały modele seq2seq i dostrojone transformery. Dziś LLM generuje pytania przez prompty, np. z poziomem według taksonomii Blooma, a osobne metody dobierają dystraktory podobne znaczeniowo do poprawnej odpowiedzi. Trudność szacuje się m.in. symulowanymi zdającymi lub teorią odpowiedzi na pozycje testowe.",
   "how_en": "Early systems transformed sentences with rules and templates; later seq2seq models and fine-tuned transformers dominated. Today LLMs generate questions via prompts, e.g. targeting a Bloom's taxonomy level, while separate methods pick distractors semantically close to the right answer. Difficulty is estimated with simulated test-takers or item response theory.",
   "limits": "Metryki automatyczne mierzą podobieństwo do wzorcowych pytań, a nie wartość dydaktyczną czy trudność. Ocena ekspertów jest droga i niespójna. Brakuje zbiorów danych typowo edukacyjnych z etykietami trudności, a pytania mogą mieć błędy merytoryczne lub kilka poprawnych odpowiedzi.",
   "limits_en": "Automatic metrics measure similarity to reference questions, not educational value or difficulty. Expert review is costly and inconsistent. Education-specific datasets with difficulty labels are scarce, and questions may contain factual errors or several correct answers.",
   "terms": [
    {
     "gloss": "Błędna, ale wiarygodna odpowiedź w teście wyboru.",
     "term": "dystraktor"
    },
    {
     "gloss": "Poziomy myślenia: od zapamiętania do tworzenia i oceniania.",
     "term": "taksonomia Blooma"
    },
    {
     "gloss": "Zdanie z brakującym słowem do uzupełnienia.",
     "term": "pytanie z luką"
    }
   ],
   "terms_en": [
    {
     "gloss": "A wrong but believable option in a multiple-choice test.",
     "term": "distractor"
    },
    {
     "gloss": "Levels of thinking: from remembering to creating and evaluating.",
     "term": "Bloom's taxonomy"
    },
    {
     "gloss": "A sentence with a missing word to fill in.",
     "term": "cloze question"
    }
   ],
   "prereq": [
    "questionanswering",
    "fewshotprompting"
   ],
   "keywords": [
    "distractor generation",
    "MCQ generation",
    "Bloom's taxonomy",
    "RACE dataset",
    "SQuAD",
    "controllable question generation",
    "item response theory",
    "cloze generation"
   ],
   "source_ids": [
    "dong-qged-review-2025"
   ],
   "url": "https://aiatlasgraph.com/t/questiongen",
   "markdown_url": "https://aiatlasgraph.com/t/questiongen.md",
   "updated": "2026-10-30"
  },
  "radiologyai": {
   "id": "radiologyai",
   "parent_id": "medimaging",
   "label": "Wykrywanie zmian na zdjęciach radiologicznych",
   "canonical_name": "Computer-aided detection and triage in radiology",
   "aliases": [
    "CADe",
    "computer-aided detection",
    "AI triage",
    "AI w mammografii",
    "wspomaganie diagnostyki obrazowej"
   ],
   "description": "Systemy CADe/CADx i triażu, które wykrywają, lokalizują i priorytetyzują zmiany na obrazach radiologicznych, np. w przesiewowej mammografii.",
   "description_en": "CADe/CADx and triage systems that detect, localise and prioritise findings in radiology images, for example in screening mammography.",
   "plain": "Program zaznacza na prześwietleniu, mammografii lub tomografii miejsca, które mogą być guzem, złamaniem albo krwawieniem.",
   "plain_en": "Software that marks spots on an X-ray, mammogram or body scan that might be a tumour, a fracture or a bleed.",
   "solves": "W badaniach przesiewowych większość zdjęć jest prawidłowa, a lekarz i tak musi przejrzeć wszystkie, by znaleźć nieliczne groźne przypadki.",
   "solves_en": "In screening, most images are normal, yet a doctor must still read them all to find the few dangerous cases.",
   "does": "Działa jak dodatkowa para oczu: zaznacza podejrzane miejsca lub pomaga ustawić pilne badania wyżej w kolejce, ale sposób użycia zależy od konkretnego systemu.",
   "does_en": "Acts like an extra pair of eyes: it marks suspicious areas or helps move urgent studies up the queue, but the workflow depends on the specific system.",
   "example": "Kobieta robi przesiewową mammografię; program uznaje obraz za podejrzany, więc oglądają go dwaj radiolodzy i wcześnie wykrywają mały guz.",
   "example_en": "A woman has a screening mammogram; software rates it as suspicious, so two radiologists read it and catch a small tumour early.",
   "for_you": [
    "chodzisz na badania przesiewowe, np. mammografię",
    "czekasz na opis zdjęcia rentgenowskiego"
   ],
   "for_you_en": [
    "go for screening such as mammograms",
    "are waiting for an X-ray report"
   ],
   "how": "Detektor lub klasyfikator zwraca wynik ryzyka i czasem lokalizację zmian. System może służyć jako wsparcie odczytu, drugi czytelnik albo triaż; w badaniu MASAI poziom ryzyka sterował pojedynczym lub podwójnym odczytem. Ocenia się m.in. czułość, swoistość i odsetek wezwań na dodatkowe badania.",
   "how_en": "A detector or classifier returns a risk score and sometimes a lesion location. The system may support reading, act as a second reader or triage studies; in the MASAI trial, risk controlled single versus double reading. Evaluation includes sensitivity, specificity and recall rate.",
   "limits": "Fałszywe alarmy zwiększają liczbę wezwań i niepokój pacjentów. Lekarze mogą nadmiernie ufać podpowiedziom albo je ignorować. Wynik jednego programu, aparatu i programu przesiewowego nie przenosi się automatycznie na inne populacje i tryby pracy.",
   "limits_en": "False alarms raise recalls and patient anxiety. Clinicians may over-trust or ignore prompts. Results from one product, scanner and screening programme do not transfer automatically to other populations and workflows.",
   "terms": [
    {
     "gloss": "Jaką część faktycznie chorych model wyłapuje.",
     "term": "czułość"
    },
    {
     "gloss": "Odsetek osób wzywanych na dodatkowe badania po przesiewie.",
     "term": "recall rate"
    },
    {
     "gloss": "Nowotwór wykryty między kolejnymi badaniami przesiewowymi.",
     "term": "rak interwałowy"
    },
    {
     "gloss": "Skłonność do bezkrytycznego przyjmowania podpowiedzi maszyny.",
     "term": "automation bias"
    }
   ],
   "terms_en": [
    {
     "gloss": "The share of truly ill people the model catches.",
     "term": "sensitivity"
    },
    {
     "gloss": "The share of people called back for more tests after screening.",
     "term": "recall rate"
    },
    {
     "gloss": "A cancer found between two screening rounds.",
     "term": "interval cancer"
    },
    {
     "gloss": "The tendency to accept a machine's suggestion uncritically.",
     "term": "automation bias"
    }
   ],
   "prereq": [
    "objectdetection",
    "classmetrics"
   ],
   "keywords": [
    "CADe",
    "CADx",
    "mammography screening",
    "MASAI trial",
    "chest X-ray AI",
    "intracranial hemorrhage triage",
    "lung nodule detection",
    "FROC"
   ],
   "source_ids": [
    "fda-ai-devices-list",
    "masai-lancet-2026"
   ],
   "url": "https://aiatlasgraph.com/t/radiologyai",
   "markdown_url": "https://aiatlasgraph.com/t/radiologyai.md",
   "updated": "2026-10-30"
  },
  "radreportgen": {
   "id": "radreportgen",
   "parent_id": "medimaging",
   "label": "Automatyczne opisy badań obrazowych",
   "canonical_name": "Radiology report generation",
   "aliases": [
    "automated radiology reporting",
    "chest X-ray report generation",
    "generowanie opisów RTG",
    "medical report generation"
   ],
   "description": "Generowanie tekstu opisu radiologicznego (opis i wnioski) z obrazu medycznego przez modele łączące enkoder obrazu z modelem językowym.",
   "description_en": "Generating the radiology report text (findings and impression) from a medical image with models that couple an image encoder to a language model.",
   "plain": "Program patrzy na zdjęcie rentgenowskie i pisze szkic opisu, który radiolog potem poprawia i podpisuje.",
   "plain_en": "Software looks at an X-ray and writes a draft report that the radiologist then edits and signs.",
   "solves": "Badań obrazowych przybywa szybciej niż radiologów, więc pacjenci i lekarze długo czekają na opis.",
   "solves_en": "Scans pile up faster than radiologists can read them, so patients and doctors wait a long time for the report.",
   "does": "Działa jak stażysta, który przygotowuje pierwszą wersję opisu, a doświadczony lekarz skreśla błędy i dopisuje to, co ważne.",
   "does_en": "Works like a trainee who prepares a first draft, while the senior doctor strikes out errors and adds what matters.",
   "example": "Na nocnym dyżurze szpital ma gotowe szkice opisów zdjęć klatki piersiowej, więc radiolog szybciej przegląda kolejkę i zaczyna od pilnych.",
   "example_en": "On a night shift the hospital has draft reports for chest X-rays ready, so the radiologist clears the queue faster and starts with urgent ones.",
   "for_you": [
    "czekasz na opis zdjęcia rentgenowskiego",
    "opisujesz badania obrazowe w pracy"
   ],
   "for_you_en": [
    "are waiting for an X-ray report",
    "read and report scans at work"
   ],
   "how": "Enkoder obrazu (CNN lub ViT) zamienia zdjęcie w cechy, które dekoder lub duży model językowy przekształca w sekcje opisu; dodatkowo podaje się poprzednie badania i wskazanie kliniczne. Jakość mierzy się metrykami tekstowymi oraz klinicznymi, sprawdzającymi zgodność wykrytych rozpoznań i relacji (np. etykietowanie opisów, grafy encji).",
   "how_en": "An image encoder (CNN or ViT) turns the scan into features that a decoder or large language model writes into report sections; prior studies and the clinical indication are often added. Quality is measured with text metrics and clinical metrics that check agreement of findings and relations (e.g. report labellers, entity graphs).",
   "limits": "Modele halucynują rozpoznania, pomijają drobne zmiany i odwołują się do nieistniejących wcześniejszych badań. Metryki tekstowe słabo oddają kliniczną poprawność, a większość danych dotyczy zdjęć klatki piersiowej. Szkic zawsze wymaga weryfikacji radiologa.",
   "limits_en": "Models hallucinate findings, miss subtle lesions and refer to non-existent prior studies. Text metrics poorly reflect clinical correctness, and most data cover chest X-rays. A draft always needs radiologist review.",
   "terms": [
    {
     "gloss": "Końcowa część opisu z najważniejszym rozpoznaniem.",
     "term": "wnioski (impression)"
    },
    {
     "gloss": "Miara, czy w tekście są właściwe rozpoznania, a nie tylko podobne słowa.",
     "term": "metryka kliniczna"
    },
    {
     "gloss": "Część modelu zamieniająca zdjęcie w liczby zrozumiałe dla generatora tekstu.",
     "term": "enkoder obrazu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Final part of the report with the key diagnosis.",
     "term": "impression"
    },
    {
     "gloss": "Measures whether the text has the right findings, not just similar words.",
     "term": "clinical metric"
    },
    {
     "gloss": "Model part turning the picture into numbers the text generator understands.",
     "term": "image encoder"
    }
   ],
   "prereq": [
    "vlm",
    "imageclassification"
   ],
   "keywords": [
    "MIMIC-CXR",
    "IU X-Ray",
    "CheXbert",
    "RadGraph F1",
    "RadCliQ",
    "MAIRA",
    "CheXagent",
    "findings generation",
    "ReXrank"
   ],
   "source_ids": [
    "rrg-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/radreportgen",
   "markdown_url": "https://aiatlasgraph.com/t/radreportgen.md",
   "updated": "2026-10-30"
  },
  "ragfaithfulness": {
   "id": "ragfaithfulness",
   "parent_id": "agenteval",
   "label": "Wierność odpowiedzi wobec znalezionych źródeł (RAG)",
   "canonical_name": "RAG faithfulness and answer relevance metrics",
   "aliases": [
    "faithfulness",
    "groundedness",
    "answer relevance",
    "context relevance",
    "ugruntowanie w źródłach"
   ],
   "description": "Metryki RAG oceniające ugruntowanie odpowiedzi w kontekście, jej trafność względem pytania i trafność samego kontekstu.",
   "description_en": "RAG metrics scoring how grounded an answer is in its context, how relevant it is to the question and how relevant the context is.",
   "plain": "Sprawdzasz, czy każde zdanie odpowiedzi ma pokrycie w dokumentach, które system przed chwilą znalazł, i czy odpowiada na pytanie.",
   "plain_en": "You check whether every sentence of an answer is backed by the documents the system just found, and whether it answers the question.",
   "solves": "Asystent czytający firmowe dokumenty potrafi dopisać rzeczy, których w nich nie ma, a brzmi przy tym pewnie.",
   "solves_en": "An assistant that reads company documents can add things that are not in them while sounding sure of itself.",
   "does": "Jak redaktor sprawdzający przypisy: rozbija odpowiedź na pojedyncze twierdzenia i przy każdym szuka potwierdzenia w źródle.",
   "does_en": "Like an editor checking footnotes: it splits the answer into single claims and looks for support for each one in the source.",
   "example": "Pracownik pyta o limit delegacji; ocena pokazuje, że kwota w odpowiedzi nie występuje w żadnym znalezionym fragmencie regulaminu.",
   "example_en": "An employee asks about the travel allowance; the check shows the amount in the answer appears in none of the retrieved policy passages.",
   "for_you": [
    "budujesz asystenta odpowiadającego z twoich dokumentów",
    "odpowiedzi muszą trzymać się źródła, nie wiedzy ogólnej modelu"
   ],
   "for_you_en": [
    "you build an assistant that answers from your documents",
    "answers must stick to the source, not the model's general knowledge"
   ],
   "how": "Wierność: sędzia LLM rozkłada odpowiedź na twierdzenia i sprawdza, które wynikają z kontekstu; wynik to odsetek popartych. Trafność odpowiedzi: z odpowiedzi generuje się pytania i porównuje ich embeddingi z oryginalnym. Trafność kontekstu: odsetek zdań kontekstu potrzebnych do odpowiedzi. Metryki nie wymagają wzorcowych odpowiedzi.",
   "how_en": "Faithfulness: an LLM judge splits the answer into statements and checks which follow from the context; the score is the supported fraction. Answer relevance: questions generated from the answer are compared by embedding similarity to the original. Context relevance: the fraction of context sentences needed for the answer. No reference answers are required.",
   "limits": "Wynik zależy od modelu-sędziego i jego promptu, więc różni się między narzędziami. Wierność mówi tylko o zgodności ze znalezionym tekstem, nie o prawdzie: błędne źródło daje wierną, lecz złą odpowiedź. Trafność kontekstu jest najmniej zgodna z oceną ludzi.",
   "limits_en": "Scores depend on the judge model and prompt, so they differ across tools. Faithfulness only means agreement with retrieved text, not truth: a wrong source yields a faithful but wrong answer. Context relevance agrees least with human ratings.",
   "terms": [
    {
     "gloss": "Odsetek twierdzeń odpowiedzi, które wynikają z podanego kontekstu.",
     "term": "faithfulness"
    },
    {
     "gloss": "Na ile odpowiedź trafia w zadane pytanie, bez lania wody.",
     "term": "answer relevance"
    },
    {
     "gloss": "Metryka liczona bez ręcznie napisanej poprawnej odpowiedzi.",
     "term": "ocena bez wzorca"
    }
   ],
   "terms_en": [
    {
     "gloss": "The share of answer claims that follow from the given context.",
     "term": "faithfulness"
    },
    {
     "gloss": "How directly the answer addresses the question, without padding.",
     "term": "answer relevance"
    },
    {
     "gloss": "A metric computed without a hand-written correct answer.",
     "term": "reference-free evaluation"
    }
   ],
   "prereq": [
    "retrieval",
    "hallucinationdetect"
   ],
   "keywords": [
    "RAGAS",
    "faithfulness",
    "groundedness",
    "answer relevancy",
    "context relevance",
    "claim decomposition"
   ],
   "source_ids": [
    "ragas-2023"
   ],
   "url": "https://aiatlasgraph.com/t/ragfaithfulness",
   "markdown_url": "https://aiatlasgraph.com/t/ragfaithfulness.md",
   "updated": "2026-10-30"
  },
  "randomforest": {
   "id": "randomforest",
   "parent_id": "ensembles",
   "label": "Las losowy i bagging",
   "canonical_name": "Random forests and bagging",
   "description": "Wiele drzew trenowanych na losowych próbkach danych i cech, których głosy się uśrednia. Solidny model „z pudełka”, mało wrażliwy na ustawienia.",
   "description_en": "Many trees trained on random samples of rows and features, with their votes averaged. A robust out-of-the-box model that is not very sensitive to settings.",
   "examples": "bagging · ważność cech · błąd out-of-bag",
   "examples_en": "bagging · feature importance · out-of-bag error",
   "plain": "To przewidywanie przez połączenie odpowiedzi wielu modeli zadających pytania o dane.",
   "plain_en": "This predicts by combining answers from many models that ask questions about data.",
   "solves": "Pojedynczy ciąg pytań może nadmiernie dopasować się do przypadkowych szczegółów danych i mylić się na nowych przypadkach.",
   "solves_en": "A single question sequence can fit accidental data details too closely and make mistakes on new cases.",
   "does": "Uczy modele na różnych losowych próbkach danych, przy pytaniach rozważa losowe zestawy cech, a potem uśrednia odpowiedzi lub głosy.",
   "does_en": "It trains models on different random data samples, considers random feature subsets for questions and then averages their answers or votes.",
   "example": "System ocenia ryzyko zwrotu zamówienia, łącząc głosy wielu modeli wyuczonych na różnych próbkach wcześniejszych zakupów.",
   "example_en": "A system estimates an order's return risk by combining votes from models trained on different samples of past purchases.",
   "for_you": [
    "pojedynczy model zbyt mocno reaguje na szczegóły danych",
    "chcesz łączyć różne spojrzenia na tę samą tabelę"
   ],
   "for_you_en": [
    "find that one model reacts too strongly to data details",
    "want to combine different views of the same table"
   ],
   "how": "Drzewa trenuje się na losowanych próbach wierszy, ograniczając dostępne cechy przy wyborze podziałów. Uśrednianie wartości lub głosów zmniejsza wariancję, gdy modele nie popełniają identycznych błędów.",
   "how_en": "Trees train on resampled rows, restricting available features when selecting splits. Averaging values or votes reduces variance when models do not make identical errors.",
   "limits": "Losowanie nie usuwa wspólnego biasu ani przecieku danych. Duży las kosztuje pamięć i czas, a predykcje regresji słabo ekstrapolują poza obserwowany zakres.",
   "limits_en": "Randomisation cannot remove shared bias or data leakage. Large forests cost memory and time, while regression predictions extrapolate poorly beyond observed ranges.",
   "terms": [
    {
     "gloss": "Próba utworzona przez losowanie wierszy z powtórzeniami.",
     "term": "bootstrap sample"
    },
    {
     "gloss": "Ocena drzewa na wierszach niewylosowanych do jego treningu.",
     "term": "out-of-bag"
    }
   ],
   "terms_en": [
    {
     "gloss": "A dataset formed by sampling rows with replacement.",
     "term": "bootstrap sample"
    },
    {
     "gloss": "Evaluating a tree on rows not sampled for its training.",
     "term": "out-of-bag"
    }
   ],
   "prereq": [
    "decisiontrees",
    "probability"
   ],
   "keywords": [
    "bootstrap aggregation",
    "random feature subsets",
    "out-of-bag error",
    "permutation importance",
    "ExtraTrees"
   ],
   "source_ids": [
    "sklearn-user-guide",
    "grinsztajn-tabular-2022"
   ],
   "url": "https://aiatlasgraph.com/t/randomforest",
   "markdown_url": "https://aiatlasgraph.com/t/randomforest.md",
   "updated": "2026-10-30"
  },
  "realtosim": {
   "id": "realtosim",
   "parent_id": "simtoreal",
   "label": "Cyfrowy bliźniak sceny do trenowania robota (real-to-sim)",
   "canonical_name": "Real-to-sim-to-real with scene digital twins",
   "aliases": [
    "real-to-sim",
    "real-to-sim-to-real",
    "scene digital twin",
    "cyfrowy bliźniak sceny",
    "rekonstrukcja sceny do symulacji"
   ],
   "description": "Budowa symulacji z rzeczywistej sceny (rekonstrukcja geometrii, wyglądu i obiektów) i dostrajanie w niej polityki, np. RL, przed powrotem na sprzęt.",
   "description_en": "Building a simulation from a real scene (reconstructing geometry, appearance and objects) and refining a policy there, e.g. with RL, before returning to hardware.",
   "plain": "Prawdziwą kuchnię albo stanowisko skanuje się telefonem do symulatora, a robot ćwiczy w tej kopii, zanim spróbuje w rzeczywistości.",
   "plain_en": "A real kitchen or workstation is scanned with a phone into a simulator, and the robot practises in that copy before trying for real.",
   "solves": "Wymyślone sceny w symulatorze nie przypominają konkretnego miejsca, a ćwiczenie na prawdziwym sprzęcie jest wolne i grozi stłuczkami.",
   "solves_en": "Made-up simulator scenes do not resemble the actual place, while practising on real hardware is slow and risks breakage.",
   "does": "Jak trening pilota na symulatorze konkretnego lotniska: wirtualna kopia ma te same meble i przedmioty, więc doświadczenie dobrze się przenosi.",
   "does_en": "Like pilot training on a simulator of a specific airport: the virtual copy has the same furniture and objects, so experience transfers well.",
   "example": "Zeskanowana szafka z książkami staje się wirtualnym poligonem, na którym robot uczy się odstawiać tomy mimo przesuniętych grzbietów.",
   "example_en": "A scanned bookcase becomes a virtual training ground where the robot learns to shelve books despite shifted spines.",
   "for_you": [
    "robot ma działać w jednym konkretnym miejscu",
    "masz kilka demonstracji i chcesz uodpornić politykę",
    "łączysz skanowanie 3D z trenowaniem robotów"
   ],
   "for_you_en": [
    "need a robot to work in one specific place",
    "have a few demonstrations and want a more robust policy",
    "combine 3D scanning with robot training"
   ],
   "how": "Scenę skanuje się kamerą lub telefonem, a następnie odtwarza jej geometrię, wygląd i ruchome elementy jako cyfrowy bliźniak. Demonstracje z rzeczywistości przenosi się do symulacji, politykę dostraja uczeniem ze wzmocnieniem z losowaniem pozycji i zakłóceń, a wynik przenosi z powrotem na robota.",
   "how_en": "The scene is scanned with a camera or phone, then its geometry, appearance and articulated elements are reconstructed as a digital twin. Real demonstrations are transferred into simulation, the policy is fine-tuned with reinforcement learning under position and disturbance randomisation, and the result is transferred back to the robot.",
   "limits": "Rekonstrukcja fizyki, czyli masy, tarcia i przegubów, jest dużo trudniejsza niż wyglądu. Bliźniak odpowiada jednej scenie i trzeba go odtwarzać po zmianach. Przedmioty miękkie i przezroczyste są trudne do zeskanowania.",
   "limits_en": "Reconstructing physics – mass, friction, joints – is much harder than appearance. The twin matches one scene and must be rebuilt after changes. Soft and transparent objects are hard to scan.",
   "terms": [
    {
     "gloss": "Wirtualna kopia konkretnego miejsca lub urządzenia.",
     "term": "cyfrowy bliźniak"
    },
    {
     "gloss": "Przeniesienie umiejętności z jednego modelu do innego, łatwiejszego w użyciu.",
     "term": "destylacja polityki"
    },
    {
     "gloss": "Ruchoma część obiektu, np. zawias drzwiczek lub szuflada.",
     "term": "przegub"
    }
   ],
   "terms_en": [
    {
     "gloss": "A virtual copy of a specific place or device.",
     "term": "digital twin"
    },
    {
     "gloss": "Transferring a skill from one model into another, easier to deploy.",
     "term": "policy distillation"
    },
    {
     "gloss": "A moving part of an object, e.g. a door hinge or drawer.",
     "term": "articulation"
    }
   ],
   "prereq": [
    "rlenvs",
    "rlalgorithms"
   ],
   "keywords": [
    "RialTo",
    "inverse distillation",
    "scene reconstruction",
    "articulated objects",
    "digital twin",
    "system identification"
   ],
   "source_ids": [
    "rialto-2024"
   ],
   "url": "https://aiatlasgraph.com/t/realtosim",
   "markdown_url": "https://aiatlasgraph.com/t/realtosim.md",
   "updated": "2026-10-30"
  },
  "realworldrl": {
   "id": "realworldrl",
   "parent_id": "manipulation",
   "label": "Douczanie robota próbami w realnym świecie z pomocą człowieka",
   "canonical_name": "Real-world reinforcement learning with human interventions",
   "aliases": [
    "real-world RL",
    "human-in-the-loop RL",
    "robot reinforcement learning on hardware",
    "RL na prawdziwym robocie",
    "uczenie z interwencjami człowieka"
   ],
   "description": "Uczenie ze wzmocnieniem bezpośrednio na fizycznym robocie, z inicjalizacją z demonstracji, korektami operatora w trakcie prób i nagrodą z klasyfikatora sukcesu.",
   "description_en": "Reinforcement learning directly on a physical robot, initialised from demonstrations, with operator corrections during trials and reward from a success classifier.",
   "plain": "Robot ćwiczy zadanie na prawdziwym stanowisku, a człowiek od czasu do czasu go poprawia, aż robot zacznie robić to szybko i bezbłędnie.",
   "plain_en": "A robot practises a task at a real workstation while a person corrects it now and then, until it does it quickly and flawlessly.",
   "solves": "Robot nauczony samymi pokazami wykonuje zadanie poprawnie tylko część razy, a fabryce potrzebna jest niezawodność bliska stu procent.",
   "solves_en": "A robot taught only by demonstrations gets the task right only part of the time, while a factory needs near-total reliability.",
   "does": "Jak uczeń przy instruktorze jazdy: próbuje sam, instruktor przejmuje kierownicę przed błędem, a robot uczy się i z sukcesów, i z poprawek.",
   "does_en": "Like a learner with a driving instructor: it tries alone, the instructor grabs the wheel before a mistake, and the robot learns from both successes and corrections.",
   "example": "W ciągu popołudnia ramię uczy się wkładać elementy do płyty tak sprawnie, że przestaje mylić się nawet przy przesuniętej płycie.",
   "example_en": "Within an afternoon an arm learns to insert components into a board so well that it stops failing even when the board is shifted.",
   "for_you": [
    "robot działa, ale za często się myli",
    "chcesz wypróbować uczenie ze wzmocnieniem na prawdziwym sprzęcie",
    "możesz poświęcić kilka godzin na nadzorowanie robota"
   ],
   "for_you_en": [
    "have a robot that works but fails too often",
    "want to try reinforcement learning on real hardware",
    "can spend a few hours supervising a robot"
   ],
   "how": "Kilkanaście do kilkudziesięciu demonstracji trafia do bufora, z którego off-policy RL próbkuje na równi z własnymi doświadczeniami robota. Operator może przejąć sterowanie w trakcie próby, a jego korekty zasilają oba bufory. Nagrodę daje klasyfikator obrazu wytrenowany na przykładach udanych i nieudanych prób, więc nie trzeba jej ręcznie projektować.",
   "how_en": "A few dozen demonstrations seed a buffer that off-policy RL samples equally with the robot's own experience. The operator can take over during a trial, and corrections feed both buffers. Reward comes from an image classifier trained on successful and failed examples, so it need not be hand-designed.",
   "limits": "Wymaga stanowiska, które robot może sam lub z pomocą człowieka przywracać do stanu startowego, i ciągłego nadzoru. Polityka jest dopasowana do jednego zadania i stanowiska. Eksploracja na sprzęcie grozi uszkodzeniami, więc trzeba ograniczać przestrzeń ruchów.",
   "limits_en": "It needs a workstation the robot can reset alone or with help, and continuous supervision. The policy fits one task and workstation. Exploring on hardware risks damage, so the motion space must be constrained.",
   "terms": [
    {
     "gloss": "Uczenie, które korzysta także ze starszych i cudzych doświadczeń.",
     "term": "off-policy RL"
    },
    {
     "gloss": "Chwilowe przejęcie sterowania przez człowieka, by uniknąć błędu.",
     "term": "interwencja operatora"
    },
    {
     "gloss": "Model rozpoznający z obrazu, czy zadanie się udało.",
     "term": "klasyfikator nagrody"
    }
   ],
   "terms_en": [
    {
     "gloss": "Learning that also uses older and others' experience.",
     "term": "off-policy RL"
    },
    {
     "gloss": "A person briefly taking control to avoid an error.",
     "term": "operator intervention"
    },
    {
     "gloss": "A model telling from an image whether the task succeeded.",
     "term": "reward classifier"
    }
   ],
   "prereq": [
    "behaviorcloning",
    "rlalgorithms"
   ],
   "keywords": [
    "HIL-SERL",
    "SERL",
    "human interventions",
    "reward classifier",
    "sample-efficient RL",
    "HG-DAgger",
    "LeRobot"
   ],
   "source_ids": [
    "hil-serl-2024"
   ],
   "url": "https://aiatlasgraph.com/t/realworldrl",
   "markdown_url": "https://aiatlasgraph.com/t/realworldrl.md",
   "updated": "2026-10-30"
  },
  "reasoningdistill": {
   "id": "reasoningdistill",
   "parent_id": "reasoningtraining",
   "label": "Destylacja rozumowania do mniejszych modeli",
   "canonical_name": "Reasoning distillation",
   "description": "Duży model rozumujący generuje ścieżki rozumowania, na których dostraja się mniejszy model. Tani sposób na mały model z umiejętnością rozumowania.",
   "description_en": "A large reasoning model generates reasoning traces that a smaller model is fine-tuned on. A cheap way to give a small model reasoning ability.",
   "examples": "modele „R1-Distill” · ślady rozumowania jako dane SFT",
   "examples_en": "“R1-Distill” models · reasoning traces as SFT data",
   "plain": "To uczenie mniejszego modelu rozwiązywania zadań na przykładach przygotowanych przez większy model.",
   "plain_en": "This teaches a smaller model to solve tasks using examples produced by a larger model.",
   "solves": "Silniejszy model rozwiązuje zadania, ale jest zbyt drogi lub duży do codziennego używania.",
   "solves_en": "A stronger model solves the tasks but is too costly or large for everyday use.",
   "does": "Większy model generuje rozwiązania, wybrane przykłady są sprawdzane, a mniejszy model uczy się na nich podobnego sposobu działania.",
   "does_en": "A larger model generates solutions, selected examples are checked, and a smaller model trains on them to learn similar behaviour.",
   "example": "Zbierasz sprawdzone rozwiązania zadań o pakowaniu i używasz ich do nauczenia mniejszego modelu działającego lokalnie.",
   "example_en": "You collect verified packing-task solutions and use them to train a smaller model that runs locally.",
   "for_you": [
    "potrzebujesz tańszego modelu do powtarzalnych zadań",
    "masz dostęp do dobrych rozwiązań większego modelu"
   ],
   "for_you_en": [
    "need a cheaper model for recurring tasks",
    "have access to good solutions from a larger model"
   ],
   "how": "Nauczyciel generuje rozwiązania, które filtruje się przez ocenę poprawności i jakości śladu. Uczeń dopasowuje rozkład tokenów do zachowanych przykładów, przenosząc zachowania dostępne w danych bez odtwarzania pełnych obliczeń nauczyciela.",
   "how_en": "A teacher generates solutions filtered for correctness and trace quality. A student fits token distributions to retained examples, transferring behaviours present in the data without reproducing all teacher computation.",
   "limits": "Błędy i uprzedzenia nauczyciela mogą przejść do ucznia. Mniejsza pojemność ogranicza przeniesienie trudnych strategii; imitacja śladów nie gwarantuje ich zrozumienia ani poprawności w nowych zadaniach.",
   "limits_en": "Teacher errors and biases can transfer to students. Lower capacity limits difficult-strategy transfer; trace imitation guarantees neither understanding nor correctness on new tasks.",
   "terms": [
    {
     "gloss": "Model dostarczający przykłady lub sygnał uczący dla innego modelu.",
     "term": "nauczyciel"
    },
    {
     "gloss": "Model dopasowywany do zachowań lub wyników nauczyciela.",
     "term": "uczeń"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model supplying examples or learning signals for another model.",
     "term": "teacher"
    },
    {
     "gloss": "A model fitted to a teacher's behaviours or outputs.",
     "term": "student"
    }
   ],
   "prereq": [
    "sft",
    "evalsets"
   ],
   "keywords": [
    "DeepSeek-R1-Distill",
    "teacher-student learning",
    "reasoning trace transfer",
    "SFT",
    "response distillation"
   ],
   "source_ids": [
    "raschka-reasoning-llms",
    "deepseek-r1-2025"
   ],
   "url": "https://aiatlasgraph.com/t/reasoningdistill",
   "markdown_url": "https://aiatlasgraph.com/t/reasoningdistill.md",
   "updated": "2026-10-30"
  },
  "reasoningmodels": {
   "id": "reasoningmodels",
   "parent_id": "neural",
   "label": "Rozumowanie w modelach językowych",
   "canonical_name": "Reasoning in language models",
   "description": "Techniki i rodziny modeli służące do zadań wymagających wieloetapowego rozumowania: od promptowania łańcucha myśli, przez większy budżet obliczeń podczas odpowiedzi, po trening modeli rozumujących (RL, SFT i destylację).",
   "description_en": "Techniques and model families for tasks that require multi-step reasoning: from chain-of-thought prompting and larger inference-time compute budgets to training reasoning models with RL, SFT and distillation.",
   "examples": "chain-of-thought · test-time compute · tryb „thinking” · modele typu o1/o3 · DeepSeek-R1",
   "examples_en": "chain-of-thought · test-time compute · “thinking” mode · o1/o3-style models · DeepSeek-R1",
   "plain": "To sposoby pomagające modelom językowym rozwiązywać zadania wymagające kilku powiązanych kroków.",
   "plain_en": "These methods help language models solve tasks that require several connected steps.",
   "solves": "Pierwsza szybka odpowiedź może pominąć warunek, błędnie policzyć wynik lub nie połączyć ważnych informacji.",
   "solves_en": "A quick first response may miss a condition, miscalculate a result or fail to connect important information.",
   "does": "Model może ćwiczyć rozwiązywanie zadań, rozpisywać kroki, sprawdzać warianty i poświęcać więcej obliczeń; poprawność nadal wymaga oceny.",
   "does_en": "A model can practise solving tasks, produce intermediate steps, check alternatives and spend more computation; correctness still needs evaluation.",
   "example": "Prosisz o plan pakowania zamówień z ograniczeniami rozmiaru, a model sprawdza kilka układów przed zaproponowaniem rozwiązania.",
   "example_en": "You request an order-packing plan with size constraints, and a model checks several arrangements before proposing a solution.",
   "for_you": [
    "zadania wymagają łączenia kilku warunków",
    "szybkie odpowiedzi często pomijają istotne kroki"
   ],
   "for_you_en": [
    "handle tasks with several connected constraints",
    "find quick responses often omit important steps"
   ],
   "how": "Model tworzy pośrednie reprezentacje lub tekstowe kroki, których kontekst wpływa na dalsze przewidywania. Promptowanie, trening z oceną rozwiązań oraz wybór między kandydatami zmieniają procedurę rozwiązywania zadania i przydział obliczeń.",
   "how_en": "A model produces intermediate representations or textual steps that condition subsequent predictions. Prompting, solution-scored training and selection among candidates alter task-solving procedures and computation allocation.",
   "limits": "Dłuższa ścieżka nie gwarantuje poprawności ani wiernego opisu wewnętrznych obliczeń. Błędy mogą się kumulować; zysk wymaga odpowiednich zadań, danych i wiarygodnej oceny rozwiązań.",
   "limits_en": "Longer traces guarantee neither correctness nor faithful descriptions of internal computation. Errors can accumulate; gains require suitable tasks, data and reliable solution evaluation.",
   "terms": [
    {
     "gloss": "Sekwencja kroków pośrednich prowadząca do odpowiedzi modelu.",
     "term": "ślad rozumowania"
    },
    {
     "gloss": "Program lub model oceniający kandydackie rozwiązanie albo jego fragment.",
     "term": "weryfikator"
    }
   ],
   "terms_en": [
    {
     "gloss": "A sequence of intermediate steps leading to a model's answer.",
     "term": "reasoning trace"
    },
    {
     "gloss": "A program or model scoring a candidate solution or part of it.",
     "term": "verifier"
    }
   ],
   "prereq": [
    "transformers",
    "evalsets"
   ],
   "keywords": [
    "chain-of-thought",
    "test-time compute",
    "DeepSeek-R1",
    "reasoning traces",
    "process reward models",
    "outcome verification",
    "self-consistency",
    "verifiable rewards"
   ],
   "source_ids": [
    "raschka-reasoning-llms",
    "system1-2-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/reasoningmodels",
   "markdown_url": "https://aiatlasgraph.com/t/reasoningmodels.md",
   "updated": "2026-10-30"
  },
  "reasoningtraining": {
   "id": "reasoningtraining",
   "parent_id": "reasoningmodels",
   "label": "Trenowanie modeli rozumujących",
   "canonical_name": "Training reasoning models",
   "description": "Jak nauczyć model długiego, samokorygującego się rozumowania: RL z nagrodą za poprawny wynik, SFT na długich łańcuchach myśli i destylacja z większego modelu.",
   "description_en": "How to teach a model long, self-correcting reasoning: RL rewarded for correct results, SFT on long chains of thought, and distillation from a larger model.",
   "examples": "przepis DeepSeek-R1 · SFT → RL · destylacja",
   "examples_en": "DeepSeek-R1 recipe · SFT → RL · distillation",
   "plain": "To uczenie modelu rozwiązywania złożonych zadań przez przykłady i ocenę jego prób.",
   "plain_en": "This trains a model to solve complex tasks through examples and evaluation of its attempts.",
   "solves": "Model potrafi pisać przekonująco, ale nie radzi sobie z zadaniami wymagającymi sprawdzania kolejnych kroków.",
   "solves_en": "A model writes convincingly but struggles with tasks requiring successive steps to be checked.",
   "does": "Trening wykorzystuje rozwiązane zadania, nagrody za sprawdzalne wyniki lub przykłady przygotowane przez silniejszy model, żeby zmienić zachowanie sieci.",
   "does_en": "Training uses worked tasks, rewards for checkable outcomes or examples from a stronger model to change the network's behaviour.",
   "example": "Dostrajasz model na zadaniach z poprawnymi obliczeniami i sprawdzasz, czy lepiej rozwiązuje nowe przypadki.",
   "example_en": "You adapt a model using tasks with correct calculations and check whether it handles new cases better.",
   "for_you": [
    "potrzebujesz trwale poprawić rozwiązywanie zadań",
    "masz przykłady lub sposób oceny wyników"
   ],
   "for_you_en": [
    "need lasting improvements in task solving",
    "have examples or a way to evaluate outcomes"
   ],
   "how": "Uczenie nadzorowane dopasowuje model do dobranych śladów rozwiązań, a uczenie ze wzmocnieniem premiuje ocenione rezultaty lub kroki. Destylacja przekazuje wzorce nauczyciela przez przykłady; połączenie etapów zmienia rozkład generowanych strategii.",
   "how_en": "Supervised learning fits selected solution traces, while reinforcement learning rewards assessed outcomes or steps. Distillation transfers teacher patterns through examples; combining stages changes the distribution of generated strategies.",
   "limits": "Jakość nagrody i danych ogranicza to, czego model może się nauczyć. Optymalizacja może premiować łatwe obejścia weryfikatora, nadmierną długość lub schematy działające tylko w domenie treningowej.",
   "limits_en": "Reward and data quality constrain what models can learn. Optimisation can favour verifier shortcuts, excessive length or patterns working only in the training domain.",
   "terms": [
    {
     "gloss": "Sygnał uczący oparty na ocenie kroków pośrednich rozwiązania.",
     "term": "nadzór procesowy"
    },
    {
     "gloss": "Sygnał uczący oparty na ocenie końcowej odpowiedzi.",
     "term": "nadzór wyniku"
    }
   ],
   "terms_en": [
    {
     "gloss": "A learning signal based on assessing intermediate solution steps.",
     "term": "process supervision"
    },
    {
     "gloss": "A learning signal based on assessing the final answer.",
     "term": "outcome supervision"
    }
   ],
   "prereq": [
    "sft",
    "policygradient"
   ],
   "keywords": [
    "DeepSeek-R1",
    "cold-start SFT",
    "verifiable rewards",
    "GRPO",
    "reasoning traces",
    "teacher-student distillation"
   ],
   "source_ids": [
    "raschka-reasoning-llms",
    "deepseek-r1-2025"
   ],
   "url": "https://aiatlasgraph.com/t/reasoningtraining",
   "markdown_url": "https://aiatlasgraph.com/t/reasoningtraining.md",
   "updated": "2026-10-30"
  },
  "reasoningverifiers": {
   "id": "reasoningverifiers",
   "parent_id": "reasoningmodels",
   "label": "Weryfikatory rozumowania",
   "canonical_name": "Reasoning verifiers",
   "description": "Modele lub programy oceniające, czy rozumowanie jest poprawne. Używane zarówno jako nagroda w treningu, jak i do wyboru najlepszej odpowiedzi przy wnioskowaniu.",
   "description_en": "Models or programs that judge whether reasoning is correct. Used both as a training reward and to pick the best answer at inference time.",
   "examples": "PRM · ORM · sprawdzarki regułowe · testy jednostkowe",
   "examples_en": "PRM · ORM · rule-based checkers · unit tests",
   "plain": "To programy lub modele oceniające proponowane rozwiązania albo ich poszczególne kroki.",
   "plain_en": "These programs or models evaluate proposed solutions or their individual steps.",
   "solves": "Model daje kilka przekonujących odpowiedzi, a ty potrzebujesz sposobu wybrania tej bardziej prawdopodobnie poprawnej.",
   "solves_en": "A model gives several convincing answers, and you need a way to choose one more likely to be correct.",
   "does": "Ocena porównuje wynik z warunkiem albo bada kroki; jej sygnał pomaga wybierać odpowiedzi lub uczyć model, lecz też wymaga sprawdzenia.",
   "does_en": "Evaluation checks an outcome against a condition or examines steps; its signal guides selection or training but also needs validation.",
   "example": "Asystent proponuje kilka fragmentów kodu, a przygotowane testy pomagają wybrać działającą wersję.",
   "example_en": "An assistant proposes several code snippets, and prepared tests help select a working version.",
   "for_you": [
    "wybierasz między kilkoma rozwiązaniami",
    "potrzebujesz ocen do treningu lub wyszukiwania"
   ],
   "for_you_en": [
    "choose between several solutions",
    "need evaluations for training or search"
   ],
   "how": "Weryfikator otrzymuje rozwiązanie albo jego prefiks i zwraca sprawdzenie warunku lub wyuczony wynik jakości. Ten sygnał służy do selekcji kandydatów, sterowania przeszukiwaniem albo definiowania nagrody w treningu.",
   "how_en": "A verifier receives a solution or prefix and returns a condition check or learned quality score. This signal selects candidates, guides search or defines training rewards.",
   "limits": "Sprawdzenie formalne dotyczy określonych założeń, a model oceniający może się mylić. Zwiększanie liczby kandydatów sprzyja znajdowaniu luk oceny; nie każdy problem ma wiarygodny automatyczny weryfikator.",
   "limits_en": "Formal checks cover specified assumptions, while learned judges can be wrong. More candidates increase opportunities to exploit evaluation flaws; not every problem has a reliable automated verifier.",
   "terms": [
    {
     "gloss": "Dotychczasowy fragment ścieżki oceniany przed jej zakończeniem.",
     "term": "prefiks rozwiązania"
    },
    {
     "gloss": "Wybór rozwiązania na podstawie wyniku zewnętrznej oceny.",
     "term": "selekcja kandydatów"
    }
   ],
   "terms_en": [
    {
     "gloss": "The current path fragment assessed before completion.",
     "term": "solution prefix"
    },
    {
     "gloss": "Choosing a solution based on an external evaluation score.",
     "term": "candidate selection"
    }
   ],
   "prereq": [
    "codeevals",
    "judgevalidation"
   ],
   "keywords": [
    "PRM",
    "ORM",
    "step-level scoring",
    "exact answer checks",
    "unit tests",
    "candidate ranking"
   ],
   "source_ids": [
    "lightman-verify-step-2023"
   ],
   "url": "https://aiatlasgraph.com/t/reasoningverifiers",
   "markdown_url": "https://aiatlasgraph.com/t/reasoningverifiers.md",
   "updated": "2026-10-30"
  },
  "recaptioning": {
   "id": "recaptioning",
   "parent_id": "multimodaldata",
   "label": "Syntetyczne podpisy do obrazów (recaptioning)",
   "canonical_name": "Synthetic image recaptioning",
   "aliases": [
    "recaptioning",
    "synthetic image captions",
    "dense captioning for training data",
    "ponowne opisywanie obrazów"
   ],
   "description": "Generowanie nowych, gęstych opisów obrazów przez model wizja–język i trenowanie na nich zamiast lub obok oryginalnych podpisów.",
   "description_en": "Generating new, dense image descriptions with a vision-language model and training on them instead of or alongside original captions.",
   "plain": "Zamiast ufać przypadkowym podpisom z internetu, model tworzy dokładniejszy opis każdego zdjęcia przed treningiem.",
   "plain_en": "Instead of trusting random web captions, a model creates a more precise description of each image before training.",
   "solves": "Krótkie, chaotyczne podpisy nie mówią, co dokładnie jest na obrazie, więc generator nie umie trzymać się szczegółowych poleceń.",
   "solves_en": "Short, messy captions do not say what is actually in the picture, so a generator cannot follow detailed requests.",
   "does": "Jak bibliotekarz, który przepisuje nieczytelne karty katalogowe od nowa, z pełnym opisem kolorów, układu i liczby przedmiotów.",
   "does_en": "Like a librarian rewriting illegible catalogue cards from scratch, noting colours, layout and how many objects there are.",
   "example": "Prosisz generator o „trzy czerwone kubki na lewej półce” i dostajesz dokładnie to, a nie przypadkowe kubki.",
   "example_en": "You ask an image generator for “three red mugs on the left shelf” and get exactly that, not random mugs.",
   "for_you": [
    "generator obrazów ignoruje szczegóły twoich poleceń",
    "przygotowujesz zbiór zdjęć bez dobrych opisów"
   ],
   "for_you_en": [
    "an image generator ignores details in your requests",
    "are preparing photos that lack good descriptions"
   ],
   "how": "Model wizja–język dostrojony do opisywania przechodzi przez zbiór obrazów i tworzy bogatsze podpisy. Warianty mogą zastępować surowy tekst z internetu albo mieszać go z podpisem syntetycznym; ich wartość sprawdza się przez trening i ocenę modeli obraz–tekst lub generatorów.",
   "how_en": "A vision-language model fine-tuned for captioning processes an image collection and creates richer captions. Variants may replace raw web text or mix it with a synthetic caption; usefulness is tested by training and evaluating image-text models or generators.",
   "limits": "Model opisujący może halucynować szczegóły i przenosić własne błędy do danych. Opisanie miliardów obrazów kosztuje dużo obliczeń, a jeden styl syntetycznych podpisów może zmniejszać różnorodność języka.",
   "limits_en": "The captioning model can hallucinate details and transfer its own errors into the data. Captioning billions of images is compute-intensive, and one synthetic caption style can reduce linguistic diversity.",
   "terms": [
    {
     "gloss": "Długi opis obejmujący obiekty, atrybuty i relacje przestrzenne na obrazie.",
     "term": "dense caption"
    }
   ],
   "terms_en": [
    {
     "gloss": "A long description covering objects, attributes and spatial relations in an image.",
     "term": "dense caption"
    }
   ],
   "prereq": [
    "vlm"
   ],
   "keywords": [
    "Recap-DataComp-1B",
    "LLaVA captioner",
    "synthetic captions",
    "dense captions",
    "image-text pretraining"
   ],
   "source_ids": [
    "li-2024-recap-datacomp"
   ],
   "url": "https://aiatlasgraph.com/t/recaptioning",
   "markdown_url": "https://aiatlasgraph.com/t/recaptioning.md",
   "updated": "2026-10-30"
  },
  "recommenders": {
   "id": "recommenders",
   "parent_id": "ml",
   "label": "Systemy rekomendacyjne",
   "canonical_name": "Recommendation systems",
   "description": "Dobór treści lub produktów do osoby i kontekstu.",
   "description_en": "Matching content or products to a person and context.",
   "examples": "Collaborative filtering · ranking",
   "examples_en": "Collaborative filtering · ranking",
   "plain": "To systemy wybierające treści lub produkty, które mogą pasować do osoby i jej sytuacji.",
   "plain_en": "These systems select content or products that may suit a person and their situation.",
   "solves": "W dużym katalogu trudno samodzielnie znaleźć rzeczy odpowiadające twoim potrzebom lub zainteresowaniom.",
   "solves_en": "In a large catalogue, finding things that suit your needs or interests can be difficult.",
   "does": "Porównuje cechy rzeczy i wcześniejsze zachowania ludzi, a potem porządkuje kandydatów według przewidywanej przydatności.",
   "does_en": "It compares item features and people's past behaviour, then orders candidates by their predicted usefulness.",
   "example": "Po odsłuchaniu audycji dostajesz propozycje kolejnych odcinków pasujących do twoich zainteresowań i wcześniejszych wyborów.",
   "example_en": "After listening to a programme, you receive suggestions for episodes matching your interests and previous choices.",
   "for_you": [
    "pomagasz ludziom wybierać z dużego katalogu",
    "chcesz dobierać propozycje do zainteresowań lub kontekstu"
   ],
   "for_you_en": [
    "help people choose from a large catalogue",
    "want suggestions matched to interests or context"
   ],
   "how": "Reprezentacje użytkowników, obiektów i kontekstu łączą informacje o treści z obserwowanymi interakcjami. Generowanie kandydatów, punktowanie i reguły końcowego układu tworzą ranking, oceniany przez eksperymenty oraz właściwe metryki.",
   "how_en": "User, item and context representations combine content information with observed interactions. Candidate generation, scoring and final-layout rules create rankings evaluated through experiments and suitable metrics.",
   "limits": "Obserwacje zależą od tego, co wcześniej pokazano. Brak danych nowych użytkowników i obiektów, zmiany preferencji oraz pętle popularności utrudniają ocenę rzeczywistej użyteczności.",
   "limits_en": "Observations depend on prior exposure. Sparse data for new users and items, changing preferences and popularity loops complicate evaluation of actual usefulness.",
   "terms": [
    {
     "gloss": "Sygnały zachowania, takie jak kliknięcia, bez bezpośredniej oceny preferencji.",
     "term": "feedback niejawny"
    },
    {
     "gloss": "Brak wcześniejszych interakcji dla nowego użytkownika lub obiektu.",
     "term": "cold start"
    }
   ],
   "terms_en": [
    {
     "gloss": "Behavioural signals such as clicks without explicit preference ratings.",
     "term": "implicit feedback"
    },
    {
     "gloss": "Missing past interactions for a new user or item.",
     "term": "cold start"
    }
   ],
   "prereq": [
    "supervised",
    "linearalgebra"
   ],
   "keywords": [
    "implicit feedback",
    "cold start",
    "matrix factorization",
    "two-tower models",
    "learning to rank",
    "Recall@k",
    "nDCG@k",
    "candidate retrieval"
   ],
   "source_ids": [
    "cs229",
    "rec"
   ],
   "url": "https://aiatlasgraph.com/t/recommenders",
   "markdown_url": "https://aiatlasgraph.com/t/recommenders.md",
   "updated": "2026-10-30"
  },
  "recpipeline": {
   "id": "recpipeline",
   "parent_id": "recommenders",
   "label": "Generowanie kandydatów, scoring i re-ranking",
   "canonical_name": "Candidate generation, scoring and re-ranking",
   "description": "Typowa architektura dużych systemów: szybko zawęzić ogromny katalog do setek kandydatów, dokładniej je ocenić, a na końcu uwzględnić świeżość, różnorodność i reguły biznesowe.",
   "description_en": "The typical architecture of large systems: quickly narrow a huge catalogue to hundreds of candidates, score them more precisely, then account for freshness, diversity and business rules.",
   "examples": "retrieval kandydatów · model rankingowy · różnorodność wyników",
   "examples_en": "candidate retrieval · ranking model · result diversity",
   "plain": "To wybieranie propozycji etapami: od zawężenia katalogu po ułożenie końcowej listy.",
   "plain_en": "This selects recommendations in stages, from narrowing a catalogue to arranging the final list.",
   "solves": "Dokładne ocenianie każdej rzeczy w ogromnym katalogu jest kosztowne, a sama zgodność z zainteresowaniami nie wystarcza.",
   "solves_en": "Scoring every item in a huge catalogue is costly, and matching interests alone is not enough.",
   "does": "Najpierw szybko wybiera kandydatów, potem ocenia ich dokładniej, a na końcu uwzględnia różnorodność, świeżość i dodatkowe reguły.",
   "does_en": "It first selects candidates quickly, then scores them more carefully and finally accounts for variety, freshness and additional rules.",
   "example": "Lista audycji powstaje przez wybór pasujących odcinków, ocenę zainteresowania i dodanie świeżych tematów, żeby propozycje nie były identyczne.",
   "example_en": "A programme list selects suitable episodes, estimates your interest and includes fresh topics so the suggestions are not all alike.",
   "for_you": [
    "wybierasz z katalogu zbyt dużego do dokładnego przeglądania",
    "chcesz uwzględnić różnorodność lub reguły końcowej listy"
   ],
   "for_you_en": [
    "choose from a catalogue too large to inspect exhaustively",
    "want variety or rules reflected in the final list"
   ],
   "how": "Tani etap retrieval ogranicza katalog do kandydatów, a bogatszy model ocenia ich dopasowanie do kontekstu. Re-ranking uwzględnia dodatkowe reguły, różnorodność i świeżość przed ułożeniem końcowej listy.",
   "how_en": "A cheap retrieval stage narrows the catalogue to candidates, and a richer model scores contextual fit. Re-ranking applies further rules, diversity and freshness before producing the final list.",
   "limits": "Obiektu pominiętego w kandydaturach nie odzyska późniejszy ranking. Etapy wymagają zgodnych cech i metryk, a reguły końcowe mogą pogarszać cel modelu punktującego.",
   "limits_en": "Later ranking cannot recover items missing from candidate retrieval. Stages need compatible features and metrics, while final rules can reduce the scoring model's objective.",
   "terms": [
    {
     "gloss": "Szybki wybór podzbioru katalogu do dokładniejszej oceny.",
     "term": "generowanie kandydatów"
    },
    {
     "gloss": "Ponowne uporządkowanie kandydatów z dodatkowymi kryteriami końcowej listy.",
     "term": "re-ranking"
    }
   ],
   "terms_en": [
    {
     "gloss": "Quickly selecting a catalogue subset for more detailed scoring.",
     "term": "candidate generation"
    },
    {
     "gloss": "Reordering candidates with additional final-list criteria.",
     "term": "re-ranking"
    }
   ],
   "prereq": [
    "textembeddings",
    "classmetrics"
   ],
   "keywords": [
    "approximate nearest neighbor",
    "learning to rank",
    "LambdaMART",
    "nDCG@k",
    "Maximal Marginal Relevance",
    "diversity constraints"
   ],
   "source_ids": [
    "google-recsys-architecture"
   ],
   "url": "https://aiatlasgraph.com/t/recpipeline",
   "markdown_url": "https://aiatlasgraph.com/t/recpipeline.md",
   "updated": "2026-10-30"
  },
  "rectifiedflow": {
   "id": "rectifiedflow",
   "parent_id": "flowmatching",
   "label": "Prostowanie przepływu (rectified flow)",
   "canonical_name": "Rectified flow",
   "aliases": [
    "rectified flow",
    "reflow",
    "straight-line flows",
    "prostowanie ścieżek",
    "InstaFlow"
   ],
   "description": "Wariant flow matching uczący pola prędkości wzdłuż prostych odcinków między szumem a danymi, z opcjonalnym, powtarzanym prostowaniem (reflow).",
   "description_en": "A flow-matching variant learning a velocity field along straight lines between noise and data, with optional repeated straightening (reflow).",
   "plain": "Uczenie generatora, by zamieniał szum w obraz po możliwie prostej drodze, dzięki czemu wystarcza mu niewiele kroków.",
   "plain_en": "Teaching a generator to turn noise into an image along the straightest possible route, so it needs only a few steps.",
   "solves": "Generowanie obrazów krok po kroku jest wolne i drogie, bo model krąży krętą ścieżką, zanim dotrze do wyniku.",
   "solves_en": "Step-by-step image generation is slow and costly because the model wanders along a winding path before reaching the result.",
   "does": "Jak wyznaczenie trasy na mapie: zamiast krętych uliczek model uczy się jechać prosto, więc dociera szybciej i mniejszym kosztem.",
   "does_en": "Like route planning: instead of winding side streets the model learns to drive straight, arriving faster and more cheaply.",
   "example": "Generator obrazków w aplikacji pokazuje gotowy obraz po chwili, zamiast kazać ci czekać kilkanaście sekund.",
   "example_en": "An image generator in an app shows a finished picture in a moment instead of making you wait a dozen seconds.",
   "for_you": [
    "płacisz za czas generowania obrazów",
    "chcesz zrozumieć, czemu nowe generatory są szybsze"
   ],
   "for_you_en": [
    "pay for image generation time",
    "want to understand why newer generators are faster"
   ],
   "how": "Losuje się pary szum–dane i punkt na łączącym je odcinku; sieć uczy się przewidywać kierunek tego odcinka prostą regresją. Generowanie rozwiązuje równanie różniczkowe zwyczajne od szumu do danych. Reflow powtarza trening na parach wygenerowanych przez poprzedni model, prostując ścieżki tak, że wystarcza jeden lub kilka kroków Eulera.",
   "how_en": "Noise–data pairs and a point on the segment between them are sampled; the network regresses the segment's direction. Generation solves an ordinary differential equation from noise to data. Reflow retrains on pairs produced by the previous model, straightening paths until one or a few Euler steps suffice.",
   "limits": "Rekurencyjne prostowanie dodaje kolejne rundy generowania par i treningu. Dokładna symulacja jednym krokiem dotyczy idealnie prostych ścieżek; wyuczony przepływ jest przybliżeniem, więc jakość zależy od stopnia wyprostowania i dyskretyzacji.",
   "limits_en": "Recursive rectification adds further rounds of pair generation and training. Exact one-step simulation applies to perfectly straight paths; a learned flow is approximate, so quality depends on straightness and discretisation.",
   "terms": [
    {
     "gloss": "Funkcja mówiąca, w którą stronę i jak szybko przesuwać próbkę.",
     "term": "pole prędkości"
    },
    {
     "gloss": "Ponowny trening na parach z poprzedniego modelu, by wyprostować ścieżki.",
     "term": "reflow"
    },
    {
     "gloss": "Najprostszy sposób przejścia o jeden krok wzdłuż równania różniczkowego.",
     "term": "krok Eulera"
    }
   ],
   "terms_en": [
    {
     "gloss": "A function giving which way and how fast to move a sample.",
     "term": "velocity field"
    },
    {
     "gloss": "Retraining on pairs from the previous model to straighten paths.",
     "term": "reflow"
    },
    {
     "gloss": "The simplest way to advance one step along a differential equation.",
     "term": "Euler step"
    }
   ],
   "prereq": [
    "calculus"
   ],
   "keywords": [
    "rectified flow",
    "reflow",
    "flow matching",
    "neural ODE",
    "optimal transport",
    "Euler sampler"
   ],
   "source_ids": [
    "liu-rectifiedflow-2022"
   ],
   "url": "https://aiatlasgraph.com/t/rectifiedflow",
   "markdown_url": "https://aiatlasgraph.com/t/rectifiedflow.md",
   "updated": "2026-10-30"
  },
  "recurrentdepth": {
   "id": "recurrentdepth",
   "parent_id": "latentloops",
   "label": "Głębokość rekurencyjna",
   "canonical_name": "Recurrent-depth language models",
   "aliases": [
    "Huginn",
    "latent recurrent depth"
   ],
   "description": "Model językowy skaluje obliczenia odpowiedzi przez rozwijanie współdzielonego bloku rekurencyjnego w przestrzeni ukrytej.",
   "description_en": "A language model scales answer compute by unrolling a shared recurrent block in hidden space.",
   "plain": "Model językowy powtarza jeden blok tyle razy, ile potrzebuje, bez dopisywania słów pośrednich.",
   "plain_en": "A language model repeats one block as many times as it needs, without writing intermediate words.",
   "solves": "Więcej tokenów myślenia wydłuża odpowiedź i okno, a nie każde rozumowanie da się zapisać słowami.",
   "solves_en": "More thinking tokens lengthen the answer and the window, and not all reasoning can be written in words.",
   "does": "Ten sam blok rozwija się w kolejne przejścia w przestrzeni ukrytej, a liczba przejść rośnie dopiero przy odpowiedzi.",
   "does_en": "The same block unrolls into further passes in hidden space, and the pass count grows only at answer time.",
   "example": "Przy zadaniu z kilkoma warunkami model przelicza blok wiele razy i wypisuje sam wynik.",
   "example_en": "On a task with several constraints the model reruns the block many times and writes only the result.",
   "for_you": [
    "chcesz więcej obliczeń bez dłuższego tekstu",
    "okno kontekstu jest krótkie",
    "nie masz śladów kroków do treningu"
   ],
   "for_you_en": [
    "want more compute without longer text",
    "the context window is short",
    "have no step traces for training"
   ],
   "how": "Blok jest iterowany przy teście do wybranej głębokości, bez specjalistycznych śladów słownych w treningu. Autorzy przeciwstawiają to modelom, które skalują koszt przez więcej tokenów. Zysk zależy od zadania i liczby przejść, a pośrednie stany można też użyć przy dekodowaniu.",
   "how_en": "The block is iterated at test time to a chosen depth, without specialised written traces in training. The authors contrast this with models that scale cost by more tokens. Gains depend on the task and the pass count, and intermediate states can also guide decoding.",
   "limits": "Brak słów pośrednich utrudnia sprawdzenie, gdzie model zbłądził. Głębsze rozwijanie kosztuje czas. Wyniki z abstraktu dotyczą prototypu, nie są ogólną gwarancją.",
   "limits_en": "Missing intermediate words make it hard to see where the model went wrong. Deeper unrolling costs time. Abstract results concern a prototype, not a general guarantee.",
   "terms": [
    {
     "gloss": "Kolejne przejścia tego samego bloku przy jednej odpowiedzi.",
     "term": "rozwinięcie"
    },
    {
     "gloss": "Liczba powtórzeń wybrana dopiero przy odpowiedzi, nie w treningu.",
     "term": "głębokość testowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Successive passes of the same block for one answer.",
     "term": "unrolling"
    },
    {
     "gloss": "A repeat count chosen at answer time, not fixed in training.",
     "term": "test-time depth"
    }
   ],
   "prereq": [
    "transformers",
    "testtime"
   ],
   "keywords": [
    "Huginn",
    "recurrent block",
    "latent reasoning",
    "test-time depth",
    "unrolling",
    "parameter sharing",
    "LoopCD"
   ],
   "source_ids": [
    "geiping-recurrent-2025",
    "liu-loopcd-2026"
   ],
   "url": "https://aiatlasgraph.com/t/recurrentdepth",
   "markdown_url": "https://aiatlasgraph.com/t/recurrentdepth.md",
   "updated": "2026-10-30"
  },
  "recursiveselfdistill": {
   "id": "recursiveselfdistill",
   "parent_id": "distillation",
   "label": "Rekurencyjna samodestylacja",
   "canonical_name": "Recursive self-distillation",
   "aliases": [
    "RSD"
   ],
   "description": "Samodestylacja powtarzana w rundach, w której zaktualizowany model staje się nauczycielem następnej iteracji.",
   "description_en": "Self-distillation repeated across rounds, with the updated model becoming the teacher for the next iteration.",
   "plain": "Model uczy się na własnych odpowiedziach z dodatkowym kontekstem, a po każdej rundzie staje się nauczycielem dla następnej.",
   "plain_en": "A model learns from its own answers with extra context, and after each round becomes the teacher for the next.",
   "solves": "Chcesz poprawić model bez zewnętrznego nauczyciela, używając tylko jego własnych generacji i prostych wskazówek.",
   "solves_en": "You want to improve a model without an external teacher, using only its own generations and simple cues.",
   "does": "W każdej rundzie model generuje lub ocenia trajektorie z dodatkową informacją, uczeń dopasowuje do nich zachowanie bez tej informacji, a zaktualizowane wagi rozpoczynają kolejną rundę.",
   "does_en": "In each round, a model generates or evaluates trajectories with extra information, the student matches that behaviour without the information, and the updated weights start the next round.",
   "example": "Model widzi podczas generowania dodatkową wskazówkę, uczy się odtwarzać odpowiedź bez niej, a następnie powtarza ten proces jako nowy nauczyciel.",
   "example_en": "A model sees an extra cue while generating, learns to reproduce the response without it, then repeats the process as the new teacher.",
   "for_you": [
    "trenujesz model na jego własnych odpowiedziach",
    "dodajesz krótkie wskazówki podczas destylacji",
    "obserwujesz zmiany zachowania po wielu rundach"
   ],
   "for_you_en": [
    "train a model on its own responses",
    "add short cues during distillation",
    "watch behaviour change after many rounds"
   ],
   "how": "W wariancie off-policy nauczyciel generuje trajektorie z dodatkowym kontekstem, a uczeń dopasowuje się do nich bez niego. W wariancie on-policy trajektorie generuje uczeń bez dodatkowego kontekstu, a nauczyciel z kontekstem dostarcza rozkłady tokenów dla napotkanych prefiksów. Po aktualizacji nowy model staje się nauczycielem kolejnej rundy.",
   "how_en": "In the off-policy variant, the teacher generates trajectories with extra context and the student matches them without it. In the on-policy variant, the student generates trajectories without extra context while the context-conditioned teacher supplies token distributions at the encountered prefixes. After updating, the new model becomes the teacher for the next round.",
   "limits": "Rezultat zależy od danych, dodatkowego kontekstu, wariantu on- lub off-policy i liczby rund. Rekurencja może wzmacniać błędy, prowadzić do zapadania się różnorodności odpowiedzi albo osłabiać bezpieczeństwo; potrzebne są kontrole jakości i bezpieczeństwa między rundami.",
   "limits_en": "Outcomes depend on data, privileged context, the on- or off-policy variant, and the number of rounds. Recursion can amplify errors, collapse response diversity, or weaken safety; quality and safety checks are needed between rounds.",
   "terms": [
    {
     "gloss": "Uczenie modelu na jego własnych generacjach jako sygnale.",
     "term": "samodestylacja"
    },
    {
     "gloss": "Każdy nowy model staje się nauczycielem następnej rundy.",
     "term": "rekurencja"
    },
    {
     "gloss": "Dodatkowa niegroźna informacja dodawana podczas generowania.",
     "term": "cue"
    }
   ],
   "terms_en": [
    {
     "gloss": "Training a model on its own generations as the signal.",
     "term": "self-distillation"
    },
    {
     "gloss": "Each new model becomes the teacher for the next round.",
     "term": "recursion"
    },
    {
     "gloss": "Additional non-harmful information added during generation.",
     "term": "cue"
    }
   ],
   "prereq": [
    "onpolicydistill",
    "contextdistill"
   ],
   "keywords": [
    "recursive self-distillation",
    "RSD",
    "self-distillation",
    "on-policy self-distillation",
    "context distillation",
    "OPSD",
    "token-level KL"
   ],
   "source_ids": [
    "sadek-progressive-misalignment-2026",
    "progressive-misalignment-project-2026"
   ],
   "url": "https://aiatlasgraph.com/t/recursiveselfdistill",
   "markdown_url": "https://aiatlasgraph.com/t/recursiveselfdistill.md",
   "updated": "2026-10-30"
  },
  "redteaming": {
   "id": "redteaming",
   "parent_id": "safetyevals",
   "label": "Red teaming modeli (ręczny i automatyczny)",
   "canonical_name": "Red teaming language models",
   "aliases": [
    "red teaming",
    "AI red teaming",
    "LLM red teaming",
    "automated red teaming",
    "red teaming modeli językowych"
   ],
   "description": "Atakowanie własnego modelu, by znaleźć szkodliwe odpowiedzi zanim zrobią to użytkownicy: ręcznie przez zespoły testerów albo automatycznie, gdy jeden model generuje ataki na drugi.",
   "description_en": "Attacking your own model to find harmful outputs before users do: manually by tester teams, or automatically with one model generating attacks against another.",
   "examples": "zbiory ataków red-teamingowych · red teaming modelem językowym · wieloturowe ataki",
   "examples_en": "red-team attack datasets · LM-based red teaming · multi-turn attacks",
   "plain": "To celowe próbowanie, jak wywołać niepożądane zachowanie własnego systemu, zanim zrobią to inni.",
   "plain_en": "This deliberately tries to provoke unwanted behaviour in your own system before others do.",
   "solves": "Zwykłe testy sprawdzają poprawne użycie, lecz nie pokazują, co się stanie przy celowej próbie nadużycia.",
   "solves_en": "Ordinary tests cover intended use but do not show what happens during deliberate misuse attempts.",
   "does": "Testerzy lub modele tworzą trudne scenariusze i próby ataku, a znalezione luki służą do poprawienia zabezpieczeń.",
   "does_en": "Testers or models create challenging scenarios and attack attempts, using discovered weaknesses to improve safeguards.",
   "example": "W kontrolowanym środowisku zespół próbuje nakłonić asystenta do pokazania danych innego konta i zapisuje znalezione luki.",
   "example_en": "In a controlled environment, a team tries to make an assistant reveal another account's data and records discovered weaknesses.",
   "for_you": [
    "chcesz sprawdzić system pod kątem nadużyć",
    "szukasz luk pomijanych przez zwykłe testy"
   ],
   "for_you_en": [
    "want to test a system for misuse",
    "look for weaknesses ordinary tests miss"
   ],
   "how": "Tester lub model generuje próby naruszające określone zabezpieczenie i analizuje odpowiedź oraz wykonane działania. Odkryte przypadki grupuje się według mechanizmu, odtwarza w kontrolowanych warunkach i dodaje do sprawdzania poprawek.",
   "how_en": "A tester or model generates attempts against specified safeguards and analyses responses and executed actions. Findings are grouped by mechanism, reproduced under controlled conditions and added to regression checks.",
   "limits": "Skuteczność zależy od wiedzy testerów, dostępu i budżetu poszukiwań. Brak znalezionego ataku nie dowodzi odporności; automatyczny generator może powtarzać wąski zestaw strategii.",
   "limits_en": "Effectiveness depends on tester expertise, access and search budgets. Finding no attack does not establish robustness; automated generators can repeat narrow strategy sets.",
   "terms": [
    {
     "gloss": "Odtwarzalny test wcześniej wykrytej podatności lub szkodliwego zachowania.",
     "term": "przypadek regresyjny"
    },
    {
     "gloss": "Zakres odmiennych mechanizmów ataku sprawdzonych podczas testów.",
     "term": "pokrycie strategii"
    }
   ],
   "terms_en": [
    {
     "gloss": "A reproducible test of a previously detected vulnerability or harmful behaviour.",
     "term": "regression case"
    },
    {
     "gloss": "The range of distinct attack mechanisms examined during testing.",
     "term": "strategy coverage"
    }
   ],
   "prereq": [
    "robustness",
    "evalharness"
   ],
   "keywords": [
    "automated red teaming",
    "adversarial test sets",
    "multi-turn attacks",
    "attack success rate",
    "regression suites",
    "LLM-generated attacks",
    "Rainbow Teaming",
    "PyRIT",
    "garak"
   ],
   "source_ids": [
    "red-teaming-ganguli-2022",
    "red-teaming-lm-with-lm-2022"
   ],
   "url": "https://aiatlasgraph.com/t/redteaming",
   "markdown_url": "https://aiatlasgraph.com/t/redteaming.md",
   "updated": "2026-10-30"
  },
  "reducedorder": {
   "id": "reducedorder",
   "parent_id": "digitaltwins",
   "label": "Modele zredukowane do bliźniaków w czasie rzeczywistym",
   "canonical_name": "Reduced-order models for real-time digital twins",
   "aliases": [
    "model order reduction",
    "MOR",
    "ROM",
    "reduced-order modelling",
    "proper orthogonal decomposition",
    "redukcja rzędu modelu",
    "model zredukowany"
   ],
   "description": "Redukcja liczby stopni swobody modelu wysokiej wierności przy zachowaniu wymaganej dokładności, aby umożliwić symulację w czasie rzeczywistym.",
   "description_en": "Cutting the degrees of freedom of a high-fidelity model while keeping the required accuracy, to enable real-time simulation.",
   "plain": "Szybka, uproszczona wersja dokładnej symulacji, która odpowiada w ułamku sekundy i dzięki temu może działać obok pracującej maszyny.",
   "plain_en": "A fast, slimmed-down version of a detailed simulation that answers in a fraction of a second, so it can run alongside a working machine.",
   "solves": "Dokładna symulacja przepływu ciepła czy naprężeń liczy się godzinami, a sterownik maszyny potrzebuje odpowiedzi od razu.",
   "solves_en": "A detailed heat-flow or stress simulation takes hours, while a machine's controller needs an answer right now.",
   "does": "Jak streszczenie grubej książki: zostawia kilka najważniejszych wątków, które wystarczą, by przewidzieć zakończenie.",
   "does_en": "Like a summary of a thick novel: it keeps the few main threads, which are enough to predict the ending.",
   "example": "Sterownik silnika elektrycznego na bieżąco szacuje temperaturę uzwojeń, której nie da się zmierzyć, i zmniejsza obciążenie, zanim izolacja się przegrzeje.",
   "example_en": "An electric motor's controller keeps estimating winding temperature, which cannot be measured, and eases the load before the insulation overheats.",
   "for_you": [
    "twoja symulacja jest za wolna do pracy na żywo",
    "chcesz wbudować model fizyczny w sterownik",
    "przy projektowaniu uruchamiasz setki symulacji"
   ],
   "for_you_en": [
    "have a simulation too slow to run live",
    "want to put a physics model inside a controller",
    "run hundreds of simulations while designing"
   ],
   "how": "Z migawek pełnej symulacji wyznacza się bazę kilku dominujących wzorców (POD, podobnie jak PCA). Równania rzutuje się na tę bazę metodą Galerkina albo nieinwazyjnie uczy się regresor (sieć, proces gaussowski) przewidywać współczynniki. Pełne obliczenie zastępuje ewaluacja trwająca milisekundy.",
   "how_en": "A basis of a few dominant patterns is extracted from snapshots of the full simulation (POD, akin to PCA). Equations are projected onto it with Galerkin projection, or a regressor (network, Gaussian process) is trained non-intrusively to predict the coefficients. A full solve is replaced by a millisecond evaluation.",
   "limits": "Model zredukowany jest wiarygodny tylko w zakresie parametrów pokrytym przez migawki treningowe. Problemy silnie nieliniowe lub z dominującą adwekcją wymagają wielu modów albo specjalnych technik. Najpierw trzeba mieć drogą symulację wysokiej wierności.",
   "limits_en": "A reduced model is trustworthy only within the parameter range covered by its training snapshots. Strongly nonlinear or advection-dominated problems need many modes or special techniques. A costly high-fidelity simulation is needed first.",
   "terms": [
    {
     "gloss": "Wydobycie kilku głównych wzorców z wielu wyników symulacji.",
     "term": "POD"
    },
    {
     "gloss": "Zapisany stan pełnej symulacji w jednej chwili lub dla jednych parametrów.",
     "term": "migawka"
    },
    {
     "gloss": "Dodatkowe przyspieszenie liczenia członów nieliniowych w modelu zredukowanym.",
     "term": "hiperredukcja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Extracting a few main patterns from many simulation results.",
     "term": "POD"
    },
    {
     "gloss": "A saved full-simulation state at one moment or parameter setting.",
     "term": "snapshot"
    },
    {
     "gloss": "Further speeding up nonlinear terms inside a reduced model.",
     "term": "hyper-reduction"
    }
   ],
   "prereq": [
    "pca"
   ],
   "keywords": [
    "proper orthogonal decomposition",
    "reduced basis method",
    "Galerkin projection",
    "DEIM",
    "operator inference",
    "dynamic mode decomposition",
    "neural operators",
    "pyMOR"
   ],
   "source_ids": [
    "hartmann-mor-digital-twins-2018"
   ],
   "url": "https://aiatlasgraph.com/t/reducedorder",
   "markdown_url": "https://aiatlasgraph.com/t/reducedorder.md",
   "updated": "2026-10-30"
  },
  "reflection": {
   "id": "reflection",
   "parent_id": "memory",
   "label": "Pętla samodoskonalenia",
   "canonical_name": "Reflection and feedback loops",
   "description": "Powody odrzuceń wracają do instrukcji i pamięci, więc ten sam błąd nie przeżywa dwa razy.",
   "description_en": "Reasons for rejections are written back into instructions and memory, so the same mistake does not survive twice.",
   "examples": "Reflexion · zapisane poprawki",
   "examples_en": "Reflexion · written-down corrections",
   "plain": "To poprawianie pracy asystenta na podstawie zapisanych błędów i uwag.",
   "plain_en": "This improves an assistant's work using recorded mistakes and feedback.",
   "solves": "Asystent powtarza ten sam błąd, choć już wcześniej wyjaśniono mu, co poprawić.",
   "solves_en": "The assistant repeats the same mistake even after you have explained what needs fixing.",
   "does": "Powód odrzucenia wyniku trafia do notatek lub instrukcji, które asystent dostaje przy następnej próbie.",
   "does_en": "The reason a result was rejected becomes a note or instruction the assistant receives on its next attempt.",
   "example": "Po odrzuceniu podsumowania za brak dat asystent zapisuje uwagę i przy kolejnym podsumowaniu sprawdza, czy je uwzględnił.",
   "example_en": "After you reject a summary for missing dates, the assistant records that feedback and checks for dates in its next summary.",
   "for_you": [
    "wciąż poprawiasz ten sam błąd asystenta",
    "chcesz wykorzystać uwagi z poprzednich prób"
   ],
   "for_you_en": [
    "keep correcting the same assistant mistake",
    "want feedback from earlier attempts to guide later work"
   ],
   "how": "Po wykonaniu zadania model analizuje wynik oraz informację zwrotną i formułuje wskazówki do kolejnej próby. Wskazówki trafiają do kontekstu lub pamięci, zmieniając następne działanie bez konieczności aktualizacji wag.",
   "how_en": "After a task, the model analyzes the outcome and feedback and formulates guidance for another attempt. That guidance enters context or memory, changing subsequent actions without requiring weight updates.",
   "limits": "Sama krytyka może być błędna i utrwalać fałszywe wyjaśnienia. Mechanizm wymaga wiarygodnej informacji zwrotnej oraz sprawdzania nowych prób; zapis wskazówki nie gwarantuje uniknięcia tego samego błędu.",
   "limits_en": "Criticism itself can be wrong and reinforce false explanations. The mechanism needs reliable feedback and checks of new attempts; storing guidance does not guarantee avoiding the same mistake.",
   "terms": [
    {
     "gloss": "Analiza poprzedniej próby służąca przygotowaniu kolejnego działania.",
     "term": "refleksja"
    },
    {
     "gloss": "Zapis doświadczeń z konkretnych przebiegów zadań.",
     "term": "pamięć epizodyczna"
    },
    {
     "gloss": "Ocena lub obserwacja wskazująca wynik wcześniejszej próby.",
     "term": "sygnał zwrotny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Analyzing a previous attempt to prepare the next action.",
     "term": "reflection"
    },
    {
     "gloss": "A record of experiences from particular task runs.",
     "term": "episodic memory"
    },
    {
     "gloss": "An evaluation or observation indicating a previous attempt's outcome.",
     "term": "feedback signal"
    }
   ],
   "prereq": [
    "evalsets",
    "procedural"
   ],
   "keywords": [
    "Reflexion",
    "Self-Refine",
    "verbal reinforcement learning",
    "episodic memory",
    "self-critique"
   ],
   "source_ids": [
    "machina-x-agents"
   ],
   "url": "https://aiatlasgraph.com/t/reflection",
   "markdown_url": "https://aiatlasgraph.com/t/reflection.md",
   "updated": "2026-10-30"
  },
  "refreepo": {
   "id": "refreepo",
   "parent_id": "dpo",
   "label": "Optymalizacja preferencji bez modelu referencyjnego",
   "canonical_name": "Reference-free preference optimization",
   "aliases": [
    "reference-free preference optimization",
    "optymalizacja preferencji bez modelu referencyjnego"
   ],
   "description": "Warianty DPO, które nie potrzebują zamrożonej kopii modelu jako punktu odniesienia.",
   "description_en": "DPO variants that need no frozen copy of the model as a reference point.",
   "plain": "Uproszczony sposób uczenia modelu lepszych odpowiedzi, przy którym nie trzeba trzymać w pamięci drugiej, zamrożonej kopii modelu.",
   "plain_en": "A simpler way to teach a model better answers without keeping a second, frozen copy of the model in memory.",
   "solves": "Trening na parach odpowiedzi zajmuje dwa razy więcej pamięci i wymaga osobnego etapu wstępnego dostrajania.",
   "solves_en": "Training on answer pairs takes twice the memory and needs a separate fine-tuning stage first.",
   "does": "Jak nauczyciel oceniający wypracowanie samo w sobie, zamiast za każdym razem porównywać je z zeszłoroczną wersją ucznia.",
   "does_en": "Like a teacher grading an essay on its own merits instead of always comparing it with the student's version from last year.",
   "example": "Mały zespół na jednej karcie graficznej uczy model krótszych i konkretniejszych odpowiedzi na pytania klientów.",
   "example_en": "A small team with a single GPU teaches a model to give shorter, more concrete answers to customer questions.",
   "for_you": [
    "masz ograniczoną pamięć karty graficznej",
    "chcesz połączyć dostrajanie i naukę preferencji w jednym kroku"
   ],
   "for_you_en": [
    "have limited GPU memory",
    "want to combine fine-tuning and preference learning in one step"
   ],
   "how": "ORPO dodaje do zwykłej straty SFT karę opartą na ilorazie szans odpowiedzi wybranej i odrzuconej, łącząc oba etapy w jeden trening. SimPO jako niejawną nagrodę bierze średni logarytm prawdopodobieństwa odpowiedzi (normalizowany długością) i wymaga marginesu między parą.",
   "how_en": "ORPO adds to the usual SFT loss a penalty based on the odds ratio of chosen versus rejected answers, merging both stages into one run. SimPO uses the length-normalised average log-probability of a response as the implicit reward and requires a margin within each pair.",
   "limits": "Bez odniesienia słabiej kontroluje się odejście od pierwotnego modelu. Wyniki są wrażliwe na hiperparametry (margines, waga kary); przewagi raportowane na benchmarkach czatowych nie zawsze przenoszą się na inne zadania.",
   "limits_en": "Without a reference, drift from the original model is less controlled. Results are sensitive to hyperparameters (margin, penalty weight); gains reported on chat benchmarks do not always transfer to other tasks.",
   "terms": [
    {
     "gloss": "Stosunek szans wygenerowania jednej odpowiedzi do szans drugiej.",
     "term": "iloraz szans"
    },
    {
     "gloss": "Dzielenie wyniku przez liczbę tokenów, by nie premiować dłuższych odpowiedzi.",
     "term": "normalizacja długością"
    },
    {
     "gloss": "Wymagana minimalna przewaga odpowiedzi wybranej nad odrzuconą.",
     "term": "margines nagrody"
    }
   ],
   "terms_en": [
    {
     "gloss": "The ratio of the odds of generating one answer to another.",
     "term": "odds ratio"
    },
    {
     "gloss": "Dividing a score by token count so longer answers aren't favoured.",
     "term": "length normalisation"
    },
    {
     "gloss": "The minimum required advantage of the chosen over the rejected answer.",
     "term": "reward margin"
    }
   ],
   "prereq": [
    "sft",
    "probability"
   ],
   "keywords": [
    "ORPO",
    "SimPO",
    "odds ratio",
    "length normalization",
    "target reward margin",
    "TRL ORPOTrainer",
    "CPO",
    "Bradley-Terry"
   ],
   "source_ids": [
    "hong-2024-orpo",
    "meng-2024-simpo"
   ],
   "url": "https://aiatlasgraph.com/t/refreepo",
   "markdown_url": "https://aiatlasgraph.com/t/refreepo.md",
   "updated": "2026-10-30"
  },
  "reft": {
   "id": "reft",
   "parent_id": "peft",
   "label": "Dostrajanie przez interwencje w reprezentacje",
   "canonical_name": "Fine-tuning through representation interventions",
   "aliases": [
    "representation fine-tuning",
    "representation intervention fine-tuning",
    "dostrajanie reprezentacji"
   ],
   "description": "Zamiast zmieniać wagi, uczy się małych interwencji na ukrytych reprezentacjach wybranych warstw i pozycji zamrożonego modelu.",
   "description_en": "Instead of changing weights, it learns small interventions on hidden representations at chosen layers and positions of a frozen model.",
   "plain": "Sposób dostrajania, który nie rusza samego modelu, tylko uczy się delikatnie poprawiać jego wewnętrzny tok „myślenia” w trakcie odpowiedzi.",
   "plain_en": "A fine-tuning approach that leaves the model itself alone and learns to gently nudge its internal 'thinking' while it answers.",
   "solves": "Nawet oszczędne metody dostrajania zmieniają wagi, choć do nowego zadania często wystarczy lekko przesunąć to, co model już wie.",
   "solves_en": "Even lean fine-tuning methods change weights, although a new task often needs only a slight shift in what the model already knows.",
   "does": "Jak suflerka w teatrze: aktor zna rolę, a ona w kilku kluczowych momentach podpowiada, w którą stronę poprowadzić scenę.",
   "does_en": "Like a prompter in a theatre: the actor knows the part, and she whispers direction at a few key moments.",
   "example": "Model dostaje drobną, wymienną poprawkę, dzięki której zawsze odpowiada zgodnie z firmowym formatem raportu.",
   "example_en": "A model gets a tiny swappable tweak that makes it always answer in the company's report format.",
   "for_you": [
    "szukasz bardzo oszczędnej w parametrach adaptacji",
    "interesuje cię związek dostrajania z zaglądaniem do wnętrza modelu"
   ],
   "for_you_en": [
    "want adaptation with very few parameters",
    "are curious how fine-tuning links to looking inside models"
   ],
   "how": "Model bazowy jest zamrożony. Na wybranych warstwach i pozycjach tokenów wstawia się wyuczoną funkcję edytującą wektor ukryty; w LoReFT to edycja w niskowymiarowej podprzestrzeni liniowej (rzut, przesunięcie, powrót). Uczy się tylko parametrów interwencji.",
   "how_en": "The base model stays frozen. At chosen layers and token positions a learned function edits the hidden vector; in LoReFT this is an edit within a low-dimensional linear subspace (project, shift, project back). Only the intervention parameters are trained.",
   "limits": "Trzeba dobrać warstwy i pozycje interwencji, co dodaje hiperparametry. Metoda jest młodsza od LoRA i ma mniejszy ekosystem; deklarowana przewaga w liczbie parametrów nie zawsze obniża koszt treningu, który zależy też od aktywacji.",
   "limits_en": "Layers and positions to intervene on must be chosen, adding hyperparameters. The method is younger than LoRA with a smaller ecosystem; its parameter savings don't always cut training cost, which also depends on activations.",
   "terms": [
    {
     "gloss": "Wektor liczb opisujący stan modelu w danej warstwie i pozycji.",
     "term": "reprezentacja ukryta"
    },
    {
     "gloss": "Celowa zmiana reprezentacji podczas działania modelu.",
     "term": "interwencja"
    },
    {
     "gloss": "Niewielka liczba kierunków, w których dokonuje się zmiany.",
     "term": "podprzestrzeń niskiego rzędu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A vector describing the model's state at a given layer and position.",
     "term": "hidden representation"
    },
    {
     "gloss": "A deliberate change to a representation while the model runs.",
     "term": "intervention"
    },
    {
     "gloss": "A small number of directions along which the change is made.",
     "term": "low-rank subspace"
    }
   ],
   "prereq": [
    "linearalgebra"
   ],
   "keywords": [
    "ReFT",
    "LoReFT",
    "pyreft",
    "DiReFT",
    "representation intervention",
    "activation steering",
    "distributed alignment search",
    "low-rank subspace"
   ],
   "source_ids": [
    "wu-2024-reft"
   ],
   "url": "https://aiatlasgraph.com/t/reft",
   "markdown_url": "https://aiatlasgraph.com/t/reft.md",
   "updated": "2026-10-30"
  },
  "reharness": {
   "id": "reharness",
   "parent_id": "harnesslearning",
   "label": "Rekurencyjna uprżąż z rewizją wsteczną",
   "canonical_name": "Recurrent harness with backward revision",
   "aliases": [
    "ReHarness",
    "backward revision harness",
    "recurrent agent harness"
   ],
   "description": "Uprząż adaptująca tekstowy stan przez odczyt i zapis refleksji oraz ich późniejszą rewizję na podstawie skutków użycia.",
   "description_en": "A harness that adapts textual state by reading and writing reflections, then revising them from the outcomes of their downstream use.",
   "plain": "Uprżąż poprawia swoje zapiski po każdej próbie, żeby następna była lepsza.",
   "plain_en": "The harness revises its notes after each trial so the next one works better.",
   "solves": "Zapiski z wcześniejszych prób stają się nieaktualne, gdy zadania się zmieniają.",
   "solves_en": "Notes from earlier trials become outdated when tasks shift.",
   "does": "Po trajektorii poprawia refleksje użyte do tej próby i przekazuje poprawkę dalej.",
   "does_en": "After a trajectory it revises the reflections used for that trial and passes the fix forward.",
   "example": "Asystent źle rozumie nowy typ pytania. Po odpowiedzi poprawia swoje notatki, żeby kolejne podobne pytania trafiały lepiej.",
   "example_en": "The assistant misunderstands a new kind of question. After answering it revises its notes so later similar questions go better.",
   "for_you": [
    "asystent dobrze radzi sobie na starych zadaniach, ale gubi się na nowych",
    "chcesz, by otoczenie asystenta uczyło się w locie bez pełnego treningu",
    "zapiski w pamięci szybko się starzeją"
   ],
   "for_you_en": [
    "assistant handles old tasks well but gets lost on new ones",
    "want the assistant's surroundings to learn on the fly without full retraining",
    "memory notes go stale quickly"
   ],
   "how": "Po każdej instancji agent rewizji sprawdza, co w pobranych refleksjach należało zapisać inaczej, wykorzystując bieżącą trajektorię jako feedback, ale wymagając oparcia nowych treści w trajektoriach źródłowych. Zmienione refleksje trafiają do stanu używanego w kolejnych instancjach. Protokół jest strumieniowy: nie powtarza wcześniejszych instancji i nie aktualizuje wag modelu.",
   "how_en": "After each instance, a revision agent asks what should have been captured differently in the retrieved reflections, using the current trajectory as feedback while requiring new content to remain grounded in source trajectories. Revised reflections enter the state used by later instances. The protocol is streaming: it does not replay earlier instances or update model weights.",
   "limits": "Dowody obejmują trzy benchmarki, 16 zadań i trzy zamknięte modele. Metoda słabnie, gdy nagroda jest zaszumiona — w pracy daje tylko marginalny zysk na exploitable poker — oraz wymaga dodatkowych wywołań rewizji i przechowywania surowych trajektorii. Zbyt duży zbiór rewidowanych refleksji zwiększa koszt i ryzyko dryfu.",
   "limits_en": "Evidence covers three benchmarks, 16 tasks and three closed models. The method weakens when rewards are noisy—showing only marginal gain on exploitable poker—and requires additional revision calls plus storage of raw trajectories. Revising too many reflections increases cost and the risk of reflection drift.",
   "terms": [
    {
     "gloss": "Poprawa wcześniejszych refleksji na podstawie późniejszej trajektorii.",
     "term": "backward revision"
    },
    {
     "gloss": "Uczenie online bez dostępu do przyszłych przykładów ani pełnego replay.",
     "term": "streaming protocol"
    }
   ],
   "terms_en": [
    {
     "gloss": "Revising earlier reflections based on a later trajectory.",
     "term": "backward revision"
    },
    {
     "gloss": "Online learning without future examples or full replay.",
     "term": "streaming protocol"
    }
   ],
   "prereq": [
    "continual"
   ],
   "keywords": [
    "ReHarness",
    "recurrent harness",
    "backward revision",
    "agentic continual learning",
    "reflection revision",
    "streaming adaptation"
   ],
   "source_ids": [
    "reharness-2026"
   ],
   "url": "https://aiatlasgraph.com/t/reharness",
   "markdown_url": "https://aiatlasgraph.com/t/reharness.md",
   "updated": "2026-10-30"
  },
  "rejectinference": {
   "id": "rejectinference",
   "parent_id": "creditscoring",
   "label": "Wnioskowanie o odrzuconych wnioskach (reject inference)",
   "canonical_name": "Reject inference in credit scoring",
   "aliases": [
    "reject inference",
    "sample selection bias in credit",
    "through-the-door population",
    "augmentation",
    "parcelling",
    "wnioskowanie o odrzuconych"
   ],
   "description": "Metody korekty obciążenia selekcji próby w scoringu: przypisanie wnioskowanych wyników odrzuconym wnioskom przed trenowaniem modelu.",
   "description_en": "Methods correcting sample selection bias in scoring by assigning inferred outcomes to rejected applications before model training.",
   "plain": "Zgadywanie, jak spłacaliby kredyt ludzie, którym bank go kiedyś odmówił, żeby nowy model nie był ślepy na tę grupę.",
   "plain_en": "Estimating how people the bank once turned down would have repaid, so a new model isn't blind to them.",
   "solves": "Bank zna historię spłat tylko tych, którym pożyczył, więc nowy model powiela dawne decyzje i źle ocenia osoby z granicy.",
   "solves_en": "A bank knows repayment history only for those it lent to, so a new model repeats old decisions and misjudges borderline applicants.",
   "does": "Uzupełnia brakujący fragment obrazu, jak meteorolog szacujący pogodę w miejscach bez stacji na podstawie sąsiednich.",
   "does_en": "Fills in the missing part of the picture, like a forecaster estimating weather where there are no stations from nearby ones.",
   "example": "Fintech przez lata odrzucał młodych bez historii kredytowej; przed budową nowego modelu sprawdza w biurze kredytowym, jak ci ludzie spłacali pożyczki gdzie indziej.",
   "example_en": "A fintech rejected young people without credit history for years; before a new model it checks bureau data on how they repaid loans elsewhere.",
   "for_you": [
    "budujesz nowy model scoringowy na starych decyzjach",
    "zastanawiasz się, czemu model nie ufa nowym grupom klientów"
   ],
   "for_you_en": [
    "build a new scorecard on past decisions",
    "wonder why a model distrusts new customer groups"
   ],
   "how": "Model uczony tylko na przyjętych wnioskach jest obciążony dawną polityką. Techniki to m.in. przeważanie przyjętych do rozkładu wszystkich wniosków, ekstrapolacja prawdopodobieństw na odrzuconych, przekwalifikowanie najgorszych odrzuconych jako złych oraz etykietowanie odrzuconych danymi z biura kredytowego o ich późniejszych kredytach. Skuteczność ocenia się np. współczynnikiem Giniego na maskowanych przyjętych.",
   "how_en": "A model trained only on accepted applications is biased by past policy. Techniques include reweighting accepts to the full applicant distribution, extrapolating probabilities to rejects, reclassifying the worst rejects as bad, and labelling rejects with bureau data on their later credit. Effectiveness is assessed, e.g., with Gini on masked accepts.",
   "limits": "Prawdziwych wyników odrzuconych nigdy nie znamy, więc każdej metody nie da się w pełni zweryfikować. W badaniach empirycznych część technik nie poprawia modelu względem braku korekty. Dane biurowe pokazują zachowanie przy innym kredytodawcy i produkcie.",
   "limits_en": "The true outcomes of rejects are never known, so no method can be fully verified. In empirical studies some techniques do no better than no correction. Bureau data reflect behaviour with another lender and product.",
   "terms": [
    {
     "gloss": "Błąd, gdy dane treningowe przeszły przez wcześniejsze sito decyzji.",
     "term": "obciążenie selekcji"
    },
    {
     "gloss": "Wszyscy wnioskujący, zarówno przyjęci, jak i odrzuceni.",
     "term": "through-the-door"
    },
    {
     "gloss": "Przeniesienie zależności z przyjętych na odrzuconych z korektą.",
     "term": "ekstrapolacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Error when training data passed an earlier decision filter.",
     "term": "selection bias"
    },
    {
     "gloss": "All applicants, both accepted and rejected.",
     "term": "through-the-door"
    },
    {
     "gloss": "Carrying patterns from accepts over to rejects with adjustment.",
     "term": "extrapolation"
    }
   ],
   "prereq": [
    "causalinference"
   ],
   "keywords": [
    "sample selection bias",
    "augmentation",
    "reweighting",
    "parcelling",
    "extrapolation",
    "bureau referencing",
    "semi-supervised learning",
    "Heckman model"
   ],
   "source_ids": [
    "experian-reject-inference-survey-2013"
   ],
   "url": "https://aiatlasgraph.com/t/rejectinference",
   "markdown_url": "https://aiatlasgraph.com/t/rejectinference.md",
   "updated": "2026-10-30"
  },
  "relationextraction": {
   "id": "relationextraction",
   "parent_id": "infoextraction",
   "label": "Wydobywanie relacji między encjami",
   "canonical_name": "Relation extraction",
   "aliases": [
    "relation extraction",
    "relation classification",
    "relation detection",
    "ekstrakcja relacji"
   ],
   "description": "Rozpoznawanie typowanych relacji między parami encji w tekście i zapis ich jako trójek (podmiot, relacja, obiekt).",
   "description_en": "Identifying typed relations between entity pairs in text and recording them as (subject, relation, object) triples.",
   "plain": "Program czyta zdanie i ustala, jak łączą się występujące w nim osoby, firmy i miejsca.",
   "plain_en": "Software reads a sentence and works out how the people, companies and places in it are connected.",
   "solves": "Sama lista nazwisk niewiele mówi — liczy się, kto dla kogo pracuje, kto co kupił i co gdzie leży.",
   "solves_en": "A bare list of names says little; what matters is who works for whom, who bought what and what lies where.",
   "does": "Rysuje strzałki między zaznaczonymi nazwami i podpisuje każdą: „pracuje w”, „przejął”, „urodził się w”.",
   "does_en": "It draws arrows between marked names and labels each one: 'works at', 'acquired', 'born in'.",
   "example": "Z serwisu z wiadomościami gospodarczymi powstaje tabela: która firma przejęła którą i kiedy.",
   "example_en": "Business news turns into a table showing which company acquired which, and when.",
   "for_you": [
    "budujesz bazę wiedzy z artykułów",
    "śledzisz powiązania między firmami lub osobami",
    "chcesz zadawać pytania o fakty z tekstów"
   ],
   "for_you_en": [
    "build a knowledge base from articles",
    "track links between companies or people",
    "want to query facts found in texts"
   ],
   "how": "Model koduje zdanie lub dokument z zaznaczonymi encjami i klasyfikuje relację dla każdej pary albo wspólnie wyodrębnia encje i trójki. Uczy się z ręcznych anotacji, nadzoru odległego z baz wiedzy lub generuje trójki przez LLM według schematu.",
   "how_en": "The model encodes a sentence or document with marked entities and classifies the relation for each pair, or jointly extracts entities and triples. It learns from manual labels, distant supervision from knowledge bases, or has an LLM generate schema-bound triples.",
   "limits": "Relacje rozpięte na wiele zdań i wyrażone pośrednio są trudne. Nadzór odległy wprowadza szum, a zamknięta lista typów relacji nie obejmuje nowych powiązań.",
   "limits_en": "Relations spanning several sentences or stated indirectly are hard. Distant supervision adds noise, and a closed relation set misses new kinds of links.",
   "terms": [
    {
     "gloss": "Zapis faktu jako podmiot, relacja i obiekt.",
     "term": "trójka"
    },
    {
     "gloss": "Automatyczne etykiety z bazy wiedzy dopasowanej do tekstu.",
     "term": "distant supervision"
    },
    {
     "gloss": "Relacje między encjami z różnych zdań dokumentu.",
     "term": "document-level RE"
    }
   ],
   "terms_en": [
    {
     "gloss": "A fact recorded as subject, relation and object.",
     "term": "triple"
    },
    {
     "gloss": "Automatic labels from a knowledge base aligned with text.",
     "term": "distant supervision"
    },
    {
     "gloss": "Relations between entities found in different sentences.",
     "term": "document-level RE"
    }
   ],
   "prereq": [
    "ner"
   ],
   "keywords": [
    "relation classification",
    "joint entity and relation extraction",
    "distant supervision",
    "document-level relation extraction",
    "TACRED",
    "DocRED",
    "open information extraction",
    "knowledge graph construction"
   ],
   "source_ids": [
    "zhao-2023-relation-extraction-survey"
   ],
   "url": "https://aiatlasgraph.com/t/relationextraction",
   "markdown_url": "https://aiatlasgraph.com/t/relationextraction.md",
   "updated": "2026-10-30"
  },
  "remasking": {
   "id": "remasking",
   "parent_id": "maskdiffusion",
   "label": "Próbkowanie z ponownym maskowaniem",
   "canonical_name": "Remasking samplers for masked diffusion",
   "aliases": [
    "ReMDM",
    "confidence remasking",
    "low-confidence remasking",
    "remasking sampler",
    "parallel unmasking",
    "confidence-based decoding"
   ],
   "description": "Samplery dyfuzji maskowanej, które mogą ponownie zakrywać wcześniej przewidziane tokeny i poprawiać je w kolejnych krokach.",
   "description_en": "Masked-diffusion samplers that can mask previously predicted tokens again and revise them over subsequent steps.",
   "plain": "Model zgaduje zakryte słowa, zostawia pewne, a niepewne znów zakrywa i próbuje je w następnej turze.",
   "plain_en": "The model guesses hidden words, keeps the confident ones, and hides the uncertain ones again for the next turn.",
   "solves": "Odkrycie wszystkich słów naraz daje sprzeczne sąsiady, a odkrywanie po jednym słowie marnuje równoległość.",
   "solves_en": "Revealing every word at once yields clashing neighbours, while revealing one word at a time wastes parallelism.",
   "does": "W turze sieć proponuje słowa na maskach. Zostają te z wysoką pewnością, reszta wraca pod maskę, aż tekst się domknie.",
   "does_en": "Each turn, the network proposes words for masks. High-confidence ones stay, the rest go back under a mask, until the text closes.",
   "example": "Generator notatki zostawia pewne rzeczowniki, a wahające się czasowniki zakrywa i poprawia, gdy reszta zdania jest już widoczna.",
   "example_en": "A note generator keeps confident nouns, hides hesitant verbs, and revises them once the rest of the sentence is visible.",
   "for_you": [
    "wynik ma sprzeczne sąsiednie słowa",
    "chcesz mniej kroków niż jedno słowo na turę",
    "poprawiasz szkic, zostawiając pewne fragmenty"
   ],
   "for_you_en": [
    "the draft has clashing neighbouring words",
    "want fewer steps than one word per turn",
    "revise a draft while keeping sure fragments"
   ],
   "how": "Model przewiduje tokeny dla zamaskowanych pozycji, po czym sampler decyduje, które z nich zachować, a które ponownie zamaskować. Prosta wersja odrzuca tokeny o najniższej pewności; ReMDM wyprowadza ponowne maskowanie z osobnego procesu odwrotnego. Większa liczba rund daje dodatkowy budżet na iteracyjne poprawianie wyniku.",
   "how_en": "The model predicts tokens at masked positions, then the sampler decides which to keep and which to mask again. A simple variant rejects the lowest-confidence tokens; ReMDM derives remasking from a separate reverse process. More rounds provide additional compute for iterative revision.",
   "limits": "Dodatkowe rundy zwiększają koszt i opóźnienie. Pewność modelu nie jest miarą prawdy, a dobór pozycji do ponownego maskowania może utrwalać błędy. Zyski zależą od modelu, zadania i budżetu samplowania; sampler nie naprawi słabego modelu bazowego.",
   "limits_en": "Additional rounds increase cost and latency. Model confidence is not a measure of truth, and the choice of positions to mask again can preserve errors. Gains depend on the model, task and sampling budget; a sampler cannot repair a weak base model.",
   "terms": [
    {
     "gloss": "Jak mocno sieć stawia na wybrane słowo w danym miejscu.",
     "term": "pewność"
    },
    {
     "gloss": "Ile masek wolno zdjąć w kolejnej turze.",
     "term": "harmonogram odkrywania"
    }
   ],
   "terms_en": [
    {
     "gloss": "How strongly the network bets on the chosen word at a position.",
     "term": "confidence"
    },
    {
     "gloss": "How many masks may be removed on the next turn.",
     "term": "unmasking schedule"
    }
   ],
   "prereq": [
    "tokenization",
    "distributions"
   ],
   "keywords": [
    "ReMDM",
    "remasking",
    "low-confidence remasking",
    "iterative refinement",
    "inference-time scaling",
    "parallel decoding",
    "confidence threshold",
    "unmasking schedule"
   ],
   "source_ids": [
    "nie-llada-2025",
    "wang-remdm-2025"
   ],
   "url": "https://aiatlasgraph.com/t/remasking",
   "markdown_url": "https://aiatlasgraph.com/t/remasking.md",
   "updated": "2026-10-30"
  },
  "reportingguidelines": {
   "id": "reportingguidelines",
   "parent_id": "clinicalvalidation",
   "label": "Standardy raportowania badań nad AI w medycynie",
   "canonical_name": "Reporting guidelines for clinical AI studies",
   "aliases": [
    "TRIPOD+AI",
    "CONSORT-AI",
    "SPIRIT-AI",
    "TRIPOD-LLM",
    "DECIDE-AI",
    "wytyczne raportowania"
   ],
   "description": "Wytyczne raportowania (TRIPOD+AI, CONSORT-AI, SPIRIT-AI, DECIDE-AI, TRIPOD-LLM) dla badań nad modelami predykcyjnymi i interwencjami AI w medycynie.",
   "description_en": "Reporting guidelines (TRIPOD+AI, CONSORT-AI, SPIRIT-AI, DECIDE-AI, TRIPOD-LLM) for studies of prediction models and AI interventions in medicine.",
   "plain": "Listy kontrolne mówiące autorom badań, co muszą opisać o swoim modelu medycznym, żeby inni mogli ocenić jego wiarygodność.",
   "plain_en": "Checklists telling researchers what they must describe about their medical model so others can judge how trustworthy it is.",
   "solves": "Wiele artykułów o medycznej AI pomija, skąd pochodzą dane i jak testowano model, więc nie da się ocenić, ile wynik jest wart.",
   "solves_en": "Many medical AI papers omit where the data came from and how the model was tested, so nobody can judge the result.",
   "does": "Jak lista kontrolna pilota przed startem: pilnuje, by żaden krok nie został pominięty, zanim badanie trafi do druku.",
   "does_en": "Like a pilot's pre-flight checklist: it makes sure no step is skipped before a study goes to print.",
   "example": "Recenzent czasopisma dostaje artykuł o modelu przewidującym powikłania i z listą w ręku sprawdza, czy autorzy opisali dane, braki i test w innym szpitalu.",
   "example_en": "A journal reviewer gets a paper on a complication-prediction model and, checklist in hand, checks whether the authors described the data, missing values and a test in another hospital.",
   "for_you": [
    "czytasz badania o skuteczności medycznej AI",
    "piszesz artykuł lub raport o modelu medycznym"
   ],
   "for_you_en": [
    "read studies on how well medical AI works",
    "write a paper or report on a medical model"
   ],
   "how": "TRIPOD+AI obejmuje raportowanie badań tworzących lub oceniających modele predykcyjne oparte na regresji lub uczeniu maszynowym. CONSORT-AI i SPIRIT-AI dotyczą raportów i protokołów badań klinicznych z interwencją AI, DECIDE-AI — wczesnej oceny klinicznej w rzeczywistym sposobie pracy, a TRIPOD-LLM — badań wykorzystujących duże modele językowe.",
   "how_en": "TRIPOD+AI covers reporting of studies that develop or evaluate prediction models built with regression or machine learning. CONSORT-AI and SPIRIT-AI cover reports and protocols for clinical trials of AI interventions, DECIDE-AI covers early-stage clinical evaluation in real workflows, and TRIPOD-LLM covers studies using large language models.",
   "limits": "Wytyczne dotyczą opisu badania, a nie jego jakości: dobrze opisane badanie wciąż może być słabe. Przestrzeganie bywa niepełne, a szybki rozwój modeli generatywnych wymusza kolejne rozszerzenia.",
   "limits_en": "Guidelines govern how a study is reported, not its quality: a well-reported study can still be weak. Adherence is often incomplete, and fast-moving generative models keep forcing new extensions.",
   "terms": [
    {
     "gloss": "Lista punktów, które artykuł musi zawierać.",
     "term": "checklista"
    },
    {
     "gloss": "Model szacujący u pacjenta ryzyko choroby lub przyszłego zdarzenia.",
     "term": "model predykcyjny"
    },
    {
     "gloss": "Sieć zbierająca wytyczne raportowania badań medycznych.",
     "term": "EQUATOR"
    }
   ],
   "terms_en": [
    {
     "gloss": "A list of items a paper must include.",
     "term": "checklist"
    },
    {
     "gloss": "A model estimating a patient's risk of a disease or future event.",
     "term": "prediction model"
    },
    {
     "gloss": "A network that collects reporting guidelines for health research.",
     "term": "EQUATOR"
    }
   ],
   "prereq": [
    "modeldocs",
    "splitstrategies"
   ],
   "keywords": [
    "TRIPOD+AI",
    "CONSORT-AI",
    "SPIRIT-AI",
    "DECIDE-AI",
    "TRIPOD-LLM",
    "PROBAST",
    "EQUATOR Network"
   ],
   "source_ids": [
    "tripod-ai-2024",
    "consort-spirit-ai-2020",
    "decide-ai-2022",
    "tripod-llm-2025"
   ],
   "url": "https://aiatlasgraph.com/t/reportingguidelines",
   "markdown_url": "https://aiatlasgraph.com/t/reportingguidelines.md",
   "updated": "2026-10-30"
  },
  "representations": {
   "id": "representations",
   "parent_id": "neural",
   "label": "Reprezentacje i embeddingi",
   "canonical_name": "Representation learning",
   "description": "Kodowanie znaczenia lub cech w wektorach.",
   "description_en": "Encoding meaning or features as vectors.",
   "examples": "Uczenie kontrastowe · przestrzeń latentna",
   "examples_en": "Contrastive learning · latent space",
   "plain": "To zapisywanie cech lub znaczenia danych w liczbach, które model może przetwarzać i porównywać.",
   "plain_en": "This represents data features or meaning as numbers that a model can process and compare.",
   "solves": "Komputer potrzebuje sposobu porównania tekstów lub zdjęć także wtedy, gdy różnią się słowami i wyglądem.",
   "solves_en": "Software needs to compare texts or photos even when their wording or appearance differs.",
   "does": "Uczenie układa zapisy tak, żeby cechy przydatne w zadaniu miały rozpoznawalne relacje, na przykład podobne dane leżały blisko siebie.",
   "does_en": "Training arranges representations so task-relevant features have useful relationships, such as placing similar data near each other.",
   "example": "Wyszukiwarka łączy pytanie o brak przesyłki z dokumentem opisującym opóźnioną dostawę, choć użyto innych słów.",
   "example_en": "A search tool connects a missing-parcel question to a delayed-delivery document despite different wording.",
   "for_you": [
    "szukasz podobnych tekstów lub zdjęć",
    "chcesz wiedzieć, jak model zapisuje informacje"
   ],
   "for_you_en": [
    "search for similar texts or images",
    "want to understand how a model represents information"
   ],
   "how": "Enkoder mapuje wejście na wektor, a cel treningowy ustala, jakie różnice i podobieństwa mają być zachowane. Porównania, dekodery lub predyktory używają tej geometrii, aby wykonywać zadania bez ponownej analizy surowych danych.",
   "how_en": "An encoder maps input to a vector, with its training objective determining which differences and similarities to preserve. Comparisons, decoders or predictors use this geometry to perform tasks without reanalysing raw data.",
   "limits": "Podobieństwo geometryczne zależy od celu i zbioru treningowego. Kompresja gubi część informacji; wektory mogą kodować niepożądane korelacje, a zmiana enkodera zmienia przestrzeń porównań.",
   "limits_en": "Geometric similarity depends on objectives and training data. Compression loses information; vectors can encode unwanted correlations, and changing encoders changes the comparison space.",
   "terms": [
    {
     "gloss": "Zbiór wektorów, w którym model organizuje cechy danych.",
     "term": "przestrzeń reprezentacji"
    },
    {
     "gloss": "Strata zbliżająca dopasowane przykłady i rozróżniająca niedopasowane.",
     "term": "cel kontrastywny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A vector space in which a model organises data features.",
     "term": "representation space"
    },
    {
     "gloss": "A loss bringing matching examples together and separating mismatched ones.",
     "term": "contrastive objective"
    }
   ],
   "prereq": [
    "linearalgebra",
    "unsupervised"
   ],
   "keywords": [
    "contrastive learning",
    "latent spaces",
    "metric learning",
    "InfoNCE",
    "triplet loss",
    "embedding similarity"
   ],
   "courses": [
    {
     "title": "Embedding Models: from Architecture to Implementation",
     "url": "https://www.deeplearning.ai/courses/embedding-models-from-architecture-to-implementation"
    }
   ],
   "source_ids": [
    "cs336",
    "vision",
    "cs229",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/representations",
   "markdown_url": "https://aiatlasgraph.com/t/representations.md",
   "updated": "2026-10-30"
  },
  "reranking": {
   "id": "reranking",
   "parent_id": "retrieval",
   "label": "Reranking i fuzja wyników",
   "canonical_name": "Reranking and result fusion",
   "description": "Ponowne ułożenie znalezionych fragmentów przed podaniem ich modelowi, dla trafności i różnorodności.",
   "description_en": "Re-ordering retrieved chunks before they reach the model, for relevance and diversity.",
   "examples": "reranker · RAG-fusion · klasyfikacja fragmentów",
   "examples_en": "reranker · RAG-fusion · chunk classification",
   "plain": "To ponowne porządkowanie znalezionych treści, żeby wybrać te najlepiej pasujące do pytania.",
   "plain_en": "This reorders retrieved material to choose what fits your question best.",
   "solves": "Pierwsze wyniki wyszukiwania wyglądają podobnie do pytania, ale nie zawierają informacji potrzebnych do odpowiedzi.",
   "solves_en": "The first search results look related to your question but lack the information needed to answer it.",
   "does": "Każdy znaleziony fragment ocenia względem całego pytania, a wyniki różnych wyszukiwań może połączyć we wspólną listę.",
   "does_en": "It checks each retrieved passage against the full question and can combine results from several searches into one list.",
   "example": "Pytasz o wyjątki od zasad zwrotu, a asystent wybiera fragment o wyjątkach spośród wielu podobnych zapisów regulaminu.",
   "example_en": "You ask about exceptions to a returns policy, and the assistant selects the exceptions passage from several similar policy sections.",
   "for_you": [
    "otrzymujesz wyniki związane z tematem, ale bez potrzebnej odpowiedzi",
    "chcesz wybrać przydatne fragmenty z wielu znalezionych dokumentów"
   ],
   "for_you_en": [
    "get related results that do not answer your question",
    "want useful passages selected from many retrieved documents"
   ],
   "how": "Reranker ocenia pary zapytanie–fragment w ograniczonym zbiorze kandydatów i ustala nową kolejność wyników. Fuzja rankingów łączy listy z kilku wyszukiwań na podstawie pozycji lub ocen, a dodatkowa selekcja może ograniczać powtarzalność kontekstu.",
   "how_en": "A reranker scores query–passage pairs within a limited candidate set and reorders results. Rank fusion combines lists from several searches using positions or scores, while additional selection can reduce repeated context.",
   "limits": "Reranker nie odzyska dokumentu pominiętego przy wyborze kandydatów. Dokładniejsze ocenianie zwiększa opóźnienie; trafność i różnorodność wyników mogą wymagać odmiennych kryteriów selekcji.",
   "limits_en": "A reranker cannot recover a document excluded from candidate selection. More detailed scoring increases latency; relevance and result diversity may require different selection criteria.",
   "terms": [
    {
     "gloss": "Model wspólnie oceniający tekst zapytania i kandydata.",
     "term": "cross-encoder"
    },
    {
     "gloss": "Wstępnie znalezione wyniki przekazane do dokładniejszej oceny.",
     "term": "zbiór kandydatów"
    },
    {
     "gloss": "Łączenie list przez sumowanie ocen zależnych od pozycji wyniku.",
     "term": "Reciprocal Rank Fusion"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model jointly evaluating query text and a candidate.",
     "term": "cross-encoder"
    },
    {
     "gloss": "Initially retrieved results passed on for more detailed evaluation.",
     "term": "candidate set"
    },
    {
     "gloss": "Combining lists by summing scores based on each result's rank.",
     "term": "Reciprocal Rank Fusion"
    }
   ],
   "prereq": [
    "textembeddings",
    "classmetrics"
   ],
   "keywords": [
    "cross-encoder",
    "Reciprocal Rank Fusion",
    "RAG-Fusion",
    "Maximal Marginal Relevance",
    "BGE reranker",
    "nDCG@k"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/reranking",
   "markdown_url": "https://aiatlasgraph.com/t/reranking.md",
   "updated": "2026-10-30"
  },
  "researchworldmodels": {
   "id": "researchworldmodels",
   "parent_id": "discovery",
   "label": "Modele świata badań nad AI",
   "canonical_name": "Research world models for AI experiments",
   "aliases": [
    "RWM",
    "modele świata dla agentów badawczych",
    "predykcja wyników eksperymentów AI"
   ],
   "description": "Modele przewidujące wyniki eksperymentów nad modelami AI na podstawie reprezentacji konfiguracji, stosowane do wybierania obiecujących wariantów treningu i inferencji.",
   "description_en": "Models that predict outcomes of AI-model experiments from configuration representations, used to select promising training and inference variants.",
   "plain": "Model szacuje wynik eksperymentu nad innym modelem AI przed jego kosztownym uruchomieniem.",
   "plain_en": "A model estimates the outcome of an experiment on another AI model before the costly run.",
   "solves": "Pomaga wybierać warianty pretreningu, post-treningu i inferencji, aby ograniczać koszt nietrafionych eksperymentów nad AI.",
   "solves_en": "Helps select pretraining, post-training, and inference variants to reduce the cost of unproductive AI experiments.",
   "does": "Koduje konfigurację eksperymentu nad AI, przewiduje jego metryki i wspiera ranking następnych kandydatów w pętli badawczej.",
   "does_en": "Encodes an AI experiment configuration, predicts its metrics, and supports ranking subsequent candidates in a research loop.",
   "example": "Asystent chce sprawdzić pięć wariantów treningu. Model wskazuje dwa, które najpewniej poprawią wynik, a resztę odrzuca.",
   "example_en": "An assistant wants to test five training variants. The model points to two that are most likely to improve the score and discards the rest.",
   "for_you": [
    "automatyzujesz eksperymenty obliczeniowe",
    "budżet GPU jest ograniczony",
    "chcesz szybciej wybrać co sprawdzić"
   ],
   "for_you_en": [
    "automate computational experiments",
    "GPU budget is limited",
    "want to choose what to test faster"
   ],
   "how": "Model świata uczy się z historycznych rekordów eksperymentów nad AI. Otrzymuje opis konfiguracji pretreningu, post-treningu lub inferencji i przewiduje wynik, a agent może użyć tych prognoz do rankingu kandydatów.",
   "how_en": "The world model learns from historical AI experiment records. It receives a pretraining, post-training, or inference configuration and predicts the outcome, which an agent can use to rank candidates.",
   "limits": "Dowody obejmują dziewięć środowisk badań nad AI. Generalizację między środowiskami pokazano dotąd tylko dla pretreningu autoregresyjnego; lepsza predykcja nie gwarantuje lepszego procesu badawczego, a wykonanie eksperymentu nadal pozostaje konieczne.",
   "limits_en": "Evidence covers nine AI research environments. Cross-environment generalization has so far been demonstrated only for autoregressive pretraining; better prediction does not guarantee a better research process, and experiments still have to be executed.",
   "terms": [
    {
     "gloss": "Model przewidujący wynik eksperymentu bez jego uruchamiania.",
     "term": "model świata badań"
    },
    {
     "gloss": "Różnica między wybranym a najlepszym możliwym wynikiem.",
     "term": "żal wyboru"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model predicting an experiment outcome without running it.",
     "term": "research world model"
    },
    {
     "gloss": "The gap between the chosen result and the best possible one.",
     "term": "selection regret"
    }
   ],
   "prereq": [
    "hypothesisagents",
    "worldfoundation"
   ],
   "keywords": [
    "research world models",
    "outcome prediction",
    "autoresearch",
    "experiment selection",
    "cross-environment transfer"
   ],
   "source_ids": [
    "wang-rwm-2026"
   ],
   "url": "https://aiatlasgraph.com/t/researchworldmodels",
   "markdown_url": "https://aiatlasgraph.com/t/researchworldmodels.md",
   "updated": "2026-10-30"
  },
  "residual": {
   "id": "residual",
   "parent_id": "neuralbasics",
   "label": "Połączenia resztkowe (skip connections)",
   "canonical_name": "Residual (skip) connections",
   "aliases": [
    "residual connection",
    "skip connection",
    "połączenie resztkowe",
    "residual stream",
    "strumień resztkowy"
   ],
   "description": "Połączenia skrótowe dodające wejście bloku do jego wyjścia, dzięki czemu warstwa może uczyć się korekty względem reprezentacji wejściowej. Umożliwiły skuteczne trenowanie bardzo głębokich ResNetów i są powszechnym składnikiem wielu współczesnych głębokich architektur, w tym transformerów.",
   "description_en": "Shortcut connections that add a block's input to its output, allowing the layer to learn a correction relative to the input representation. They enabled effective training of very deep ResNets and are a common component of many modern deep architectures, including transformers.",
   "examples": "blok resztkowy ResNet · strumień resztkowy (residual stream) w transformerze",
   "examples_en": "ResNet residual block · transformer residual stream",
   "plain": "To połączenia, które pozwalają informacji ominąć część warstw sieci i dołączyć do ich wyniku.",
   "plain_en": "These connections let information bypass some network layers and join their output.",
   "solves": "W bardzo głębokiej sieci informacje i sygnały potrzebne do uczenia mogą trudno docierać przez kolejne warstwy.",
   "solves_en": "In very deep networks, information and learning signals can struggle to travel through successive layers.",
   "does": "Blok dodaje wyuczoną zmianę do swojego wejścia, dzięki czemu może uczyć się korekty zamiast całego przekształcenia od początku.",
   "does_en": "A block adds a learned adjustment to its input, letting it learn a correction rather than the whole transformation from scratch.",
   "example": "Budujesz głęboki model obrazu z drogami na skróty między warstwami, żeby ułatwić jego trening.",
   "example_en": "You build a deep image model with shortcuts between layers to make it easier to train.",
   "for_you": [
    "poznajesz budowę głębokich sieci",
    "chcesz ułatwić przepływ informacji podczas treningu"
   ],
   "for_you_en": [
    "study the structure of deep networks",
    "want to improve information flow during training"
   ],
   "how": "Blok oblicza korektę reprezentacji, którą dodaje do wejścia przechodzącego ścieżką skrótową. Wsteczny gradient korzysta z obu ścieżek, a zgodność wymiarów zapewnia tożsamość lub dodatkowa projekcja.",
   "how_en": "A block computes a representation correction and adds it to input carried through a shortcut. Backward gradients use both paths, with dimensions aligned through identity mapping or an additional projection.",
   "limits": "Dodawane reprezentacje muszą mieć zgodne rozmiary i kontrolowaną skalę. Skróty ułatwiają optymalizację, ale nie gwarantują stabilności bardzo głębokiej sieci ani poprawności wyuczonej funkcji.",
   "limits_en": "Added representations need compatible dimensions and controlled scales. Shortcuts ease optimisation but cannot guarantee very deep network stability or learned-function correctness.",
   "terms": [
    {
     "gloss": "Połączenie przekazujące wejście obok głównego przekształcenia bloku.",
     "term": "ścieżka skrótowa"
    },
    {
     "gloss": "Zmiana dodawana do reprezentacji zamiast jej całkowitego zastąpienia.",
     "term": "korekta resztkowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A connection carrying input alongside a block's main transformation.",
     "term": "shortcut path"
    },
    {
     "gloss": "A change added to a representation instead of replacing it entirely.",
     "term": "residual correction"
    }
   ],
   "prereq": [
    "backprop",
    "linearalgebra"
   ],
   "keywords": [
    "ResNet blocks",
    "residual stream",
    "identity mapping",
    "pre-activation blocks",
    "gradient flow"
   ],
   "source_ids": [
    "udlbook-toc",
    "resnet-2015"
   ],
   "url": "https://aiatlasgraph.com/t/residual",
   "markdown_url": "https://aiatlasgraph.com/t/residual.md",
   "updated": "2026-10-30"
  },
  "retinalscreening": {
   "id": "retinalscreening",
   "parent_id": "medimaging",
   "label": "Przesiewowa ocena zdjęć dna oka",
   "canonical_name": "AI screening of retinal images (diabetic retinopathy)",
   "aliases": [
    "diabetic retinopathy screening AI",
    "retinopatia cukrzycowa AI",
    "autonomous retinal AI",
    "fundus image analysis",
    "analiza zdjęć dna oka"
   ],
   "description": "Klasyfikacja zdjęć dna oka (fundus) siecią konwolucyjną w celu wykrycia retinopatii cukrzycowej wymagającej skierowania, także w trybie autonomicznym.",
   "description_en": "CNN classification of fundus photographs to detect referable diabetic retinopathy, including autonomous operation without a human reader.",
   "plain": "Program ogląda zdjęcie siatkówki oka i od razu mówi, czy osoba z cukrzycą powinna pilnie trafić do okulisty.",
   "plain_en": "Software looks at a photo of the back of the eye and says right away whether a person with diabetes needs an eye specialist.",
   "solves": "Osoby z cukrzycą powinny co roku badać oczy, ale okulistów brakuje, więc uszkodzenia siatkówki wykrywa się za późno.",
   "solves_en": "People with diabetes need yearly eye checks, but eye specialists are scarce, so retinal damage is often found too late.",
   "does": "Działa jak sito przed gabinetem: przepuszcza dalej tylko tych, u których zdjęcie budzi niepokój, resztę uspokaja.",
   "does_en": "Works like a sieve in front of the clinic: only people whose photo looks worrying go on, the rest are reassured.",
   "example": "W przychodni rodzinnej pielęgniarka robi zdjęcie oka zwykłą kamerą, a po minucie pacjent wie, czy musi umówić się do okulisty.",
   "example_en": "At a family clinic a nurse photographs the eye with a simple camera, and a minute later the patient knows whether to book an eye specialist.",
   "for_you": [
    "masz cukrzycę i odkładasz wizytę u okulisty",
    "pracujesz w przychodni bez dostępu do specjalistów"
   ],
   "for_you_en": [
    "have diabetes and keep postponing the eye check",
    "work in a clinic with no specialists nearby"
   ],
   "how": "Sieć ocenia jakość zdjęcia i prosi o powtórkę, gdy jest nieczytelne, a następnie klasyfikuje obecność retinopatii powyżej łagodnej lub obrzęku plamki. W trybie autonomicznym wynik trafia do pacjenta bez oceny okulisty; skuteczność potwierdza się prospektywnie względem referencyjnych czytelni zdjęć.",
   "how_en": "The network checks image quality and asks for a retake when unreadable, then classifies more-than-mild retinopathy or macular oedema. In autonomous mode the result reaches the patient without a specialist reading; performance is confirmed prospectively against reference reading centres.",
   "limits": "Część zdjęć bywa nieczytelna (wąska źrenica, zaćma), a czułość i swoistość spadają poza populacją walidacyjną. System wykrywa tylko chorobę, na którą go trenowano, więc może przeoczyć inne schorzenia oka. Wymaga dopuszczenia jako wyrób medyczny i jasnej ścieżki skierowań.",
   "limits_en": "Some images are ungradable (small pupils, cataract), and sensitivity and specificity drop outside the validation population. The system detects only the disease it was trained for and may miss other eye conditions. It needs device clearance and a clear referral pathway.",
   "terms": [
    {
     "gloss": "Uszkodzenie naczyń siatkówki przez długotrwale wysoki cukier.",
     "term": "retinopatia cukrzycowa"
    },
    {
     "gloss": "Fotografia tylnej części oka: siatkówki, plamki i nerwu wzrokowego.",
     "term": "zdjęcie dna oka"
    },
    {
     "gloss": "System wydający wynik bez sprawdzania przez lekarza.",
     "term": "AI autonomiczne"
    },
    {
     "gloss": "Obraz zbyt słabej jakości, by system mógł go ocenić.",
     "term": "zdjęcie nieczytelne"
    }
   ],
   "terms_en": [
    {
     "gloss": "Damage to retinal blood vessels from long-term high blood sugar.",
     "term": "diabetic retinopathy"
    },
    {
     "gloss": "Picture of the back of the eye: retina, macula and optic nerve.",
     "term": "fundus photo"
    },
    {
     "gloss": "A system that gives a result without a doctor checking it.",
     "term": "autonomous AI"
    },
    {
     "gloss": "A picture too poor for the system to assess.",
     "term": "ungradable image"
    }
   ],
   "prereq": [
    "imageclassification",
    "cnn"
   ],
   "keywords": [
    "referable diabetic retinopathy",
    "fundus photography",
    "IDx-DR",
    "LumineticsCore",
    "EyeArt",
    "EyePACS",
    "APTOS",
    "diabetic macular edema"
   ],
   "source_ids": [
    "idxdr-pivotal-2018"
   ],
   "url": "https://aiatlasgraph.com/t/retinalscreening",
   "markdown_url": "https://aiatlasgraph.com/t/retinalscreening.md",
   "updated": "2026-10-30"
  },
  "retrieval": {
   "id": "retrieval",
   "parent_id": "applications",
   "label": "Wyszukiwanie i RAG",
   "canonical_name": "Retrieval-augmented generation",
   "description": "Pobieranie wiedzy i używanie jej podczas odpowiedzi.",
   "description_en": "Fetching knowledge and using it while answering.",
   "examples": "Chunking · hybrid search · reranking",
   "examples_en": "Chunking · hybrid search · reranking",
   "plain": "To odpowiadanie z pomocą dokumentów znalezionych specjalnie dla danego pytania.",
   "plain_en": "This answers a question using documents found specifically for that question.",
   "solves": "Asystent nie zna twoich dokumentów ani informacji dodanych po jego uczeniu.",
   "solves_en": "The assistant does not know your documents or information added after its training.",
   "does": "Przed odpowiedzią wyszukuje potrzebne fragmenty i podaje je modelowi jak notatki do sprawdzenia przed rozmową.",
   "does_en": "Before answering, it finds relevant passages and gives them to the model, like notes to consult before a conversation.",
   "example": "Pytasz, ile dni masz na zgłoszenie usterki, a asystent wyszukuje odpowiedni fragment w twojej umowie.",
   "example_en": "You ask how long you have to report a fault, and the assistant retrieves the relevant passage from your contract.",
   "for_you": [
    "chcesz pytać asystenta o własne dokumenty",
    "potrzebujesz odpowiedzi opartych na aktualnych materiałach"
   ],
   "for_you_en": [
    "want to ask an assistant about your own documents",
    "need answers based on current material"
   ],
   "how": "Retriever wybiera dokumenty lub fragmenty pasujące do zapytania, korzystając z indeksu słów, embeddingów albo obu podejść. Wybrane treści i ich pochodzenie trafiają do kontekstu generatora, który tworzy odpowiedź na podstawie dostarczonego materiału.",
   "how_en": "A retriever selects documents or passages matching a query using a lexical index, embeddings or both. Selected content and its provenance enter the generator's context, which produces a response from the supplied material.",
   "limits": "Brak odpowiedniego dokumentu lub błędny retrieval ogranicza odpowiedź nawet dobrego generatora. Dostarczony tekst nie gwarantuje poprawnego cytowania; potrzebne są ewaluacja wyszukiwania, kontrola dostępu i sprawdzanie oparcia odpowiedzi w źródłach.",
   "limits_en": "Missing documents or incorrect retrieval constrain even a strong generator. Supplied text does not guarantee correct citations; retrieval evaluation, access controls and checks of answer grounding are needed.",
   "terms": [
    {
     "gloss": "Komponent wybierający materiały pasujące do zapytania.",
     "term": "retriever"
    },
    {
     "gloss": "Oparcie twierdzeń odpowiedzi na dostarczonych dowodach.",
     "term": "grounding"
    },
    {
     "gloss": "Odsetek potrzebnych materiałów odnalezionych przez wyszukiwarkę.",
     "term": "recall wyszukiwania"
    }
   ],
   "terms_en": [
    {
     "gloss": "A component selecting material relevant to a query.",
     "term": "retriever"
    },
    {
     "gloss": "Supporting an answer's claims with supplied evidence.",
     "term": "grounding"
    },
    {
     "gloss": "The proportion of needed material found by the search system.",
     "term": "retrieval recall"
    }
   ],
   "prereq": [
    "textembeddings",
    "textextraction"
   ],
   "keywords": [
    "dense retrieval",
    "sparse retrieval",
    "hybrid search",
    "reranking",
    "document chunking",
    "semantic search",
    "BM25",
    "contextual compression",
    "grounding",
    "Recall@k",
    "Precision@k",
    "nDCG"
   ],
   "courses": [
    {
     "title": "Retrieval Augmented Generation (RAG)",
     "url": "https://www.deeplearning.ai/courses/retrieval-augmented-generation"
    },
    {
     "title": "Advanced Retrieval for AI with Chroma",
     "url": "https://www.deeplearning.ai/courses/advanced-retrieval-for-ai"
    }
   ],
   "source_ids": [
    "agents",
    "bootcamp",
    "dlai",
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/retrieval",
   "markdown_url": "https://aiatlasgraph.com/t/retrieval.md",
   "updated": "2026-10-30"
  },
  "retrievalmetrics": {
   "id": "retrievalmetrics",
   "parent_id": "agenteval",
   "label": "Miary jakości wyszukiwania (recall@k, MRR, nDCG)",
   "canonical_name": "Retrieval quality metrics (recall@k, MRR, nDCG)",
   "aliases": [
    "recall@k",
    "precision@k",
    "MRR",
    "nDCG",
    "mean reciprocal rank",
    "metryki wyszukiwania"
   ],
   "description": "Miary rankingowe oceniające etap retrievalu względem oznaczonych istotnych dokumentów.",
   "description_en": "Ranking metrics that grade the retrieval stage against labelled relevant documents.",
   "plain": "Mierzysz, czy wyszukiwarka w twoim systemie podaje potrzebny dokument wśród pierwszych kilku wyników i jak wysoko.",
   "plain_en": "You measure whether the search step in your system puts the needed document among the first few results, and how high.",
   "solves": "Gdy asystent odpowiada źle, nie wiadomo, czy zawiódł model, czy po prostu nie dostał właściwego dokumentu.",
   "solves_en": "When an assistant answers badly, you cannot tell whether the model failed or it simply never got the right document.",
   "does": "Ocenia sam etap szukania osobno od pisania odpowiedzi, jak sprawdzenie, czy bibliotekarz podał właściwą książkę, zanim ktoś ją streszcza.",
   "does_en": "It grades the search step apart from answer writing, like checking the librarian handed over the right book before anyone summarises it.",
   "example": "Na stu pytaniach z oznaczonymi właściwymi stronami instrukcji widzisz, że po zmianie podziału dokumentów potrzebna strona częściej trafia do pierwszej piątki.",
   "example_en": "On a hundred questions with the correct manual pages marked, you see that after re-splitting the documents the needed page lands in the top five more often.",
   "for_you": [
    "system przed odpowiedzią szuka w twoich dokumentach",
    "zmieniasz sposób dzielenia albo wyszukiwania tekstów",
    "chcesz wiedzieć, gdzie powstaje błąd"
   ],
   "for_you_en": [
    "your system searches your documents before answering",
    "you change how texts are split or searched",
    "you want to know where errors arise"
   ],
   "how": "Dla pytań z oznaczonymi istotnymi dokumentami liczy się recall@k (odsetek istotnych w top-k), precision@k, MRR (odwrotność pozycji pierwszego trafienia) oraz nDCG@k, które nagradza wysoką pozycję i obsługuje stopniowaną istotność.",
   "how_en": "For questions with labelled relevant documents, compute recall@k (share of relevant items in the top k), precision@k, MRR (inverse rank of the first hit) and nDCG@k, which rewards high positions and supports graded relevance.",
   "limits": "Wymaga etykiet istotności, które są drogie i bywają niepełne: nieoznaczony, lecz trafny dokument liczy się jako pudło. Dobre miary wyszukiwania nie gwarantują dobrej odpowiedzi końcowej.",
   "limits_en": "It needs relevance labels, which are costly and often incomplete: an unlabelled but relevant document counts as a miss. Good retrieval scores do not guarantee a good final answer.",
   "terms": [
    {
     "gloss": "Jaka część potrzebnych dokumentów trafiła do pierwszych k wyników.",
     "term": "recall@k"
    },
    {
     "gloss": "Średnia z odwrotności pozycji pierwszego trafnego wyniku.",
     "term": "MRR"
    },
    {
     "gloss": "Miara nagradzająca trafne wyniki tym bardziej, im wyżej stoją.",
     "term": "nDCG"
    }
   ],
   "terms_en": [
    {
     "gloss": "What share of the needed documents reached the first k results.",
     "term": "recall@k"
    },
    {
     "gloss": "Average of the inverse position of the first relevant result.",
     "term": "MRR"
    },
    {
     "gloss": "A score that rewards relevant results more the higher they rank.",
     "term": "nDCG"
    }
   ],
   "prereq": [
    "retrieval",
    "evalstats"
   ],
   "keywords": [
    "nDCG@10",
    "recall@k",
    "MRR",
    "precision@k",
    "MAP",
    "BEIR",
    "qrels",
    "hit rate"
   ],
   "source_ids": [
    "beir-2021"
   ],
   "url": "https://aiatlasgraph.com/t/retrievalmetrics",
   "markdown_url": "https://aiatlasgraph.com/t/retrievalmetrics.md",
   "updated": "2026-10-30"
  },
  "retrosynthesis": {
   "id": "retrosynthesis",
   "parent_id": "chemistry",
   "label": "Planowanie syntezy wstecznej (retrosynteza)",
   "canonical_name": "Retrosynthesis planning",
   "aliases": [
    "retrosynthesis",
    "computer-aided synthesis planning",
    "CASP",
    "planowanie syntezy"
   ],
   "description": "Wyszukiwanie dróg syntezy od cząsteczki docelowej do dostępnych substratów: sieci proponujące reakcje plus przeszukiwanie drzewa (MCTS, A*).",
   "description_en": "Searching synthesis routes from a target molecule back to available starting materials: networks proposing reactions plus tree search (MCTS, A*).",
   "plain": "Program, który dla wymarzonej cząsteczki szuka przepisu: z jakich dostępnych składników i w jakich krokach da się ją zrobić w laboratorium.",
   "plain_en": "A program that finds a recipe for a target molecule: which available ingredients and which steps can make it in a lab.",
   "solves": "Zaprojektowanie obiecującego leku na komputerze nic nie daje, jeśli chemik nie wie, jak go wytworzyć, a ręczne planowanie trwa tygodnie.",
   "solves_en": "Designing a promising drug on a computer means little if chemists do not know how to make it, and planning by hand takes weeks.",
   "does": "Jak cofanie się w przepisie kulinarnym od gotowego ciasta do produktów ze sklepu, sprawdzając po drodze najbardziej obiecujące ścieżki.",
   "does_en": "Like working backwards from a finished cake to shop ingredients, checking the most promising paths along the way.",
   "example": "Chemik wpisuje strukturę nowego związku i po kilku minutach dostaje trzy proponowane drogi syntezy z gotowych odczynników.",
   "example_en": "A chemist enters a new compound's structure and minutes later gets three proposed synthesis routes from purchasable reagents.",
   "for_you": [
    "projektujesz cząsteczki i musisz wiedzieć, czy da się je wytworzyć",
    "ciekawi cię planowanie z przeszukiwaniem drzewa poza grami"
   ],
   "for_you_en": [
    "design molecules and need to know whether they can be made",
    "are curious about tree-search planning beyond games"
   ],
   "how": "Sieć ekspansji, wytrenowana na milionach opublikowanych reakcji, proponuje dla cząsteczki najbardziej prawdopodobne rozłączenia (szablony reakcji lub przekształcenia bez szablonów). Druga sieć odsiewa reakcje niewykonalne, a przeszukiwanie Monte Carlo drzewa składa kroki w pełną drogę kończącą się na katalogu dostępnych substratów.",
   "how_en": "An expansion network trained on millions of published reactions proposes the most likely disconnections for a molecule (reaction templates or template-free transformations). A second network filters out infeasible reactions, and Monte Carlo tree search assembles steps into a full route ending at a catalogue of available materials.",
   "limits": "Model zna tylko reakcje z literatury, która rzadko opisuje nieudane próby, więc przecenia wykonalność. Często pomija warunki, wydajność i koszt, a proponowane drogi i tak musi zweryfikować chemik w laboratorium.",
   "limits_en": "The model only knows reactions from the literature, which rarely reports failures, so it overrates feasibility. It often ignores conditions, yield and cost, and proposed routes still need a chemist to verify them in the lab.",
   "terms": [
    {
     "gloss": "Myślowe rozcięcie cząsteczki na prostsze części, z których mogła powstać.",
     "term": "rozłączenie"
    },
    {
     "gloss": "Ogólny wzór przekształcenia wyciągnięty z wielu znanych reakcji.",
     "term": "szablon reakcji"
    },
    {
     "gloss": "Związek wyjściowy, który można kupić lub łatwo zdobyć.",
     "term": "substrat"
    }
   ],
   "terms_en": [
    {
     "gloss": "A mental cut of a molecule into simpler parts it could be made from.",
     "term": "disconnection"
    },
    {
     "gloss": "A general transformation pattern extracted from many known reactions.",
     "term": "reaction template"
    },
    {
     "gloss": "A compound that can be bought or easily obtained.",
     "term": "starting material"
    }
   ],
   "prereq": [
    "mctsplanning",
    "molproperty"
   ],
   "keywords": [
    "3N-MCTS",
    "AiZynthFinder",
    "ASKCOS",
    "USPTO reactions",
    "template-free retrosynthesis",
    "Retro*",
    "SMILES",
    "forward reaction prediction"
   ],
   "source_ids": [
    "segler-retro-2017"
   ],
   "url": "https://aiatlasgraph.com/t/retrosynthesis",
   "markdown_url": "https://aiatlasgraph.com/t/retrosynthesis.md",
   "updated": "2026-10-30"
  },
  "returnprediction": {
   "id": "returnprediction",
   "parent_id": "quanttrading",
   "label": "Przewidywanie stóp zwrotu modelami ML",
   "canonical_name": "Machine-learning return prediction",
   "aliases": [
    "empirical asset pricing with ML",
    "cross-sectional return prediction",
    "alpha models",
    "predykcja stóp zwrotu"
   ],
   "description": "Prognozowanie przekroju oczekiwanych stóp zwrotu z setek cech spółek za pomocą regresji z regularyzacją, drzew i sieci neuronowych.",
   "description_en": "Predicting the cross-section of expected returns from hundreds of company characteristics with regularised regression, trees and neural networks.",
   "plain": "Modele, które na podstawie cech spółek próbują przewidzieć, które akcje w następnym miesiącu wypadną lepiej od innych.",
   "plain_en": "Models that use company traits to predict which shares will do better than others next month.",
   "solves": "Inwestor wybiera spośród tysięcy spółek, a proste reguły pomijają to, jak różne cechy działają razem.",
   "solves_en": "An investor chooses among thousands of companies, and simple rules miss how different traits work together.",
   "does": "Nie zgaduje jutrzejszej ceny, tylko ustawia spółki w kolejce od najbardziej do najmniej obiecujących, jak ranking zawodników przed sezonem.",
   "does_en": "It does not guess tomorrow's price; it lines companies up from most to least promising, like a pre-season ranking of players.",
   "example": "Model co miesiąc ocenia wszystkie spółki z giełdy; fundusz kupuje górną dziesiątą część listy i sprzedaje dolną.",
   "example_en": "Each month a model scores every listed company; the fund buys the top tenth of the list and sells the bottom tenth.",
   "for_you": [
    "zastanawiasz się, jak fundusze ilościowe wybierają akcje",
    "budujesz model na danych giełdowych"
   ],
   "for_you_en": [
    "wonder how quant funds pick shares",
    "build a model on stock market data"
   ],
   "how": "Dla każdej spółki i miesiąca buduje się wektor cech (momentum, płynność, zmienność, wyceny) i uczy model przewidywać zwrot w kolejnym okresie. W szerokim porównaniu na rynku USA drzewa i sieci neuronowe pokonały regresje liniowe dzięki nieliniowym interakcjom cech, a najważniejsze okazały się odmiany momentum, płynności i zmienności.",
   "how_en": "For each company and month a feature vector (momentum, liquidity, volatility, valuations) is built and a model learns to predict next-period return. In a broad US-market comparison, trees and neural networks beat linear regressions thanks to non-linear feature interactions, and variations of momentum, liquidity and volatility were the dominant predictors.",
   "limits": "Stosunek sygnału do szumu jest bardzo niski, więc miesięczna trafność jest skromna, a wyniki wrażliwe na okres próby. Przewagi słabną, gdy wielu graczy używa tych samych sygnałów. Wynik na papierze pomija koszty i ograniczenia płynności.",
   "limits_en": "The signal-to-noise ratio is very low, so monthly predictive accuracy is modest and results depend on the sample period. Edges fade when many players use the same signals. Paper results ignore costs and liquidity limits.",
   "terms": [
    {
     "gloss": "Oczekiwany zwrot ponad stopę wolną od ryzyka.",
     "term": "premia za ryzyko"
    },
    {
     "gloss": "Skłonność ostatnich zwycięzców do dalszych wzrostów.",
     "term": "momentum"
    },
    {
     "gloss": "Kupno najlepszych i krótka sprzedaż najgorszych spółek.",
     "term": "portfel long–short"
    }
   ],
   "terms_en": [
    {
     "gloss": "Expected return above the risk-free rate.",
     "term": "risk premium"
    },
    {
     "gloss": "The tendency of recent winners to keep rising.",
     "term": "momentum"
    },
    {
     "gloss": "Buying the best and short-selling the worst companies.",
     "term": "long–short portfolio"
    }
   ],
   "prereq": [
    "gradientboosting",
    "biasvariance"
   ],
   "keywords": [
    "empirical asset pricing",
    "cross-sectional returns",
    "momentum",
    "gradient boosted trees",
    "neural networks",
    "factor zoo",
    "long-short portfolio",
    "out-of-sample R2"
   ],
   "source_ids": [
    "gu-kelly-xiu-2020"
   ],
   "url": "https://aiatlasgraph.com/t/returnprediction",
   "markdown_url": "https://aiatlasgraph.com/t/returnprediction.md",
   "updated": "2026-10-30"
  },
  "rewarddesign": {
   "id": "rewarddesign",
   "parent_id": "rlbasics",
   "label": "Projektowanie i kształtowanie nagrody",
   "canonical_name": "Reward design and reward shaping",
   "aliases": [
    "reward shaping",
    "reward design",
    "potential-based reward shaping",
    "PBRS",
    "reward engineering",
    "kształtowanie nagrody",
    "rzadkie nagrody"
   ],
   "description": "Ustalanie sygnału nagrody tak, by agent uczył się zamierzonego zachowania, oraz dodawanie nagród pomocniczych, które przyspieszają naukę bez zmiany celu.",
   "description_en": "Specifying the reward signal so the agent learns the intended behaviour, and adding auxiliary rewards that speed up learning without changing the goal.",
   "examples": "nagroda rzadka i gęsta · kształtowanie oparte na potencjale · nagroda za podcele",
   "examples_en": "sparse and dense rewards · potential-based shaping · subgoal rewards",
   "plain": "To ustalanie, za co program dostaje punkty, tak żeby uczył się tego, czego naprawdę chcesz.",
   "plain_en": "This decides what the software earns points for, so that it learns what you actually want.",
   "solves": "Nagroda tylko za ostateczny sukces przychodzi tak rzadko, że program prawie nie ma z czego się uczyć, a dodatkowe punkty łatwo wypaczają cel.",
   "solves_en": "A reward only for final success comes so rarely that the software has almost nothing to learn from, while extra points easily distort the goal.",
   "does": "Jak gra w ciepło–zimno: podpowiedzi prowadzą w stronę celu, ale nie dają nic za kręcenie się w kółko.",
   "does_en": "Like a game of hot and cold: hints lead towards the goal but give nothing for walking in circles.",
   "example": "Ucząc wirtualnego psa aportu, dajesz mu drobną nagrodę za zbliżanie się do piłki, a główną dopiero za jej przyniesienie.",
   "example_en": "Teaching a virtual dog to fetch, you give a small reward for approaching the ball and the main one only for bringing it back.",
   "for_you": [
    "Twój program uczy się wolno, bo sukces zdarza się rzadko",
    "zauważasz, że agent zdobywa punkty, nie robiąc tego, o co chodziło",
    "definiujesz cel zadania dla uczenia przez próby"
   ],
   "for_you_en": [
    "your software learns slowly because success is rare",
    "notice the agent scoring points without doing what you meant",
    "are defining the goal of a trial-based learning task"
   ],
   "how": "Do nagrody zadania dodaje się nagrodę pomocniczą. Kształtowanie oparte na potencjale dodaje γΦ(s′) − Φ(s) dla funkcji potencjału stanów i nie zmienia zbioru polityk optymalnych; inne dodatki mogą go zmienić, np. tworząc pętle zbierania punktów.",
   "how_en": "An auxiliary reward is added to the task reward. Potential-based shaping adds γΦ(s′) − Φ(s) for a potential function over states and leaves the set of optimal policies unchanged; other additions can change it, e.g. by creating point-farming loops.",
   "limits": "Źle dobrana nagroda pomocnicza zmienia to, czego agent się uczy, i otwiera drogę do obchodzenia celu. Nawet poprawne kształtowanie nie przyspieszy nauki przy słabej funkcji potencjału, a jej dobór wymaga wiedzy o zadaniu.",
   "limits_en": "A poorly chosen auxiliary reward changes what the agent learns and invites goal circumvention. Even correct shaping will not speed learning with a weak potential function, and choosing one requires task knowledge.",
   "terms": [
    {
     "gloss": "Sygnał pojawiający się tylko po osiągnięciu celu lub rzadkich zdarzeniach.",
     "term": "nagroda rzadka"
    },
    {
     "gloss": "Ocena stanu, której zmiana między krokami służy jako nagroda pomocnicza.",
     "term": "funkcja potencjału"
    },
    {
     "gloss": "Własność przekształcenia nagrody, które nie zmienia polityk optymalnych.",
     "term": "niezmienniczość polityki"
    }
   ],
   "terms_en": [
    {
     "gloss": "A signal that appears only on reaching the goal or rare events.",
     "term": "sparse reward"
    },
    {
     "gloss": "A state score whose change between steps serves as the auxiliary reward.",
     "term": "potential function"
    },
    {
     "gloss": "A property of reward transformations that leave optimal policies unchanged.",
     "term": "policy invariance"
    }
   ],
   "prereq": [
    "bellman"
   ],
   "keywords": [
    "potential-based reward shaping",
    "sparse rewards",
    "dense rewards",
    "reward engineering",
    "reward specification",
    "curriculum learning",
    "intrinsic motivation"
   ],
   "source_ids": [
    "ng-reward-shaping-1999"
   ],
   "url": "https://aiatlasgraph.com/t/rewarddesign",
   "markdown_url": "https://aiatlasgraph.com/t/rewarddesign.md",
   "updated": "2026-10-30"
  },
  "rewardhacking": {
   "id": "rewardhacking",
   "parent_id": "alignment",
   "label": "Obchodzenie celu: reward hacking i służalczość",
   "canonical_name": "Reward hacking, specification gaming and sycophancy",
   "description": "Model spełnia dosłowny cel treningu, ale nie intencję: wykorzystuje luki w nagrodzie (np. oszukuje testy), albo mówi użytkownikowi to, co ten chce usłyszeć zamiast prawdy. Wykrywanie i zapobieganie to dziś praktyczny problem w treningu RL.",
   "description_en": "The model satisfies the literal training objective but not its intent: it exploits loopholes in the reward (e.g. gaming tests) or tells users what they want to hear instead of the truth. Detecting and preventing this is a practical problem in RL training today.",
   "examples": "specification gaming · oszukiwanie testów w kodzie · sycophancy",
   "examples_en": "specification gaming · test gaming in coding tasks · sycophancy",
   "plain": "To zdobywanie przez model nagrody lub aprobaty w sposób, który rozmija się z zamierzonym celem.",
   "plain_en": "This occurs when a model gains reward or approval in ways that miss the intended goal.",
   "solves": "Model poprawia mierzony wynik, ale wykorzystuje lukę w ocenie albo przytakuje błędnym przekonaniom użytkownika.",
   "solves_en": "A model improves its measured score but exploits evaluation gaps or agrees with a user's mistaken beliefs.",
   "does": "Trening wzmacnia zachowania dające nagrodę; jeśli miara nie oddaje intencji, model może utrwalać korzystne dla wyniku skróty.",
   "does_en": "Training reinforces rewarded behaviour; if the measure misses the intention, the model can learn shortcuts that benefit its score.",
   "example": "Asystent zgadza się z błędną sumą podaną przez klienta, bo wcześniej nagradzano go głównie za pozytywną ocenę rozmowy.",
   "example_en": "An assistant agrees with a customer's incorrect total because earlier training mainly rewarded positive conversation ratings.",
   "for_you": [
    "wybierasz nagrody do treningu",
    "wyniki rosną, ale rzeczywista jakość nie"
   ],
   "for_you_en": [
    "choose training rewards",
    "see scores rise without better real-world quality"
   ],
   "how": "Polityka zwiększa nagrodę zastępczą, wykorzystując zależności, które nie muszą realizować rzeczywistego celu. W ocenach preferencji aprobata może premiować zgodność z opinią użytkownika, a niezależne testy rezultatów ujawniają rozbieżność między wynikiem a intencją.",
   "how_en": "A policy increases surrogate rewards through relationships that may not fulfil the true objective. Preference judgments can reward agreement with user opinions, while independent outcome tests expose gaps between scores and intent.",
   "limits": "Nie każda błędna odpowiedź jest celowym obchodzeniem nagrody. Trudno oddzielić słaby cel od słabej zdolności; optymalizacja kolejnego monitora może przenieść obchodzenie do mniej widocznej formy.",
   "limits_en": "Not every wrong answer is deliberate reward exploitation. Poor objectives and limited capabilities are hard to separate; optimising another monitor can shift exploitation into less visible forms.",
   "terms": [
    {
     "gloss": "Mierzony sygnał używany jako przybliżenie rzeczywiście pożądanego wyniku.",
     "term": "cel zastępczy"
    },
    {
     "gloss": "Dopasowywanie odpowiedzi do przekonań użytkownika kosztem trafności.",
     "term": "sycophancy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A measured signal used to approximate the genuinely desired outcome.",
     "term": "proxy objective"
    },
    {
     "gloss": "Matching answers to user beliefs at the expense of accuracy.",
     "term": "sycophancy"
    }
   ],
   "prereq": [
    "policygradient",
    "judgevalidation"
   ],
   "keywords": [
    "proxy objectives",
    "Goodhart's law",
    "test tampering",
    "reward model exploitation",
    "sycophantic agreement",
    "specification loopholes"
   ],
   "source_ids": [
    "sycophancy-sharma-2023",
    "specification-gaming-deepmind-2020",
    "cot-monitoring-reward-hacking-2025",
    "emergent-misalignment-reward-hacking-2025"
   ],
   "url": "https://aiatlasgraph.com/t/rewardhacking",
   "markdown_url": "https://aiatlasgraph.com/t/rewardhacking.md",
   "updated": "2026-10-30"
  },
  "rewardmodels": {
   "id": "rewardmodels",
   "parent_id": "preferences",
   "label": "Modele nagrody",
   "canonical_name": "Reward models",
   "description": "Model uczony na ocenach ludzi, który punktuje odpowiedzi. Służy do RL, filtrowania danych i oceny.",
   "description_en": "A model trained on human judgements that scores answers. Used for RL, data filtering and evaluation.",
   "examples": "RM z par preferencji · PRM (ocena kroków) · filtrowanie danych",
   "examples_en": "RM from preference pairs · PRM (step scoring) · data filtering",
   "plain": "To modele uczące się wystawiać oceny odpowiedzi na podstawie wcześniejszych ocen ludzi.",
   "plain_en": "These models learn to score responses from earlier human evaluations.",
   "solves": "Potrzebujesz ocenić wiele nowych odpowiedzi, a ludzie nie mogą ręcznie sprawdzić każdej z nich.",
   "solves_en": "You need to evaluate many new responses, but people cannot manually inspect every one.",
   "does": "Porównania uczą model przewidywać preferowaną jakość; jego wynik może kierować treningiem lub wyborem, ale nie zastępuje sprawdzenia poprawności.",
   "does_en": "Comparisons teach a model to predict preferred quality; its score can guide training or selection but does not replace correctness checks.",
   "example": "Model oceny porównuje nowe odpowiedzi na zgłoszenie i pomaga wybrać bardziej pomocny wariant.",
   "example_en": "An evaluator model compares new replies to a request and helps select the more helpful option.",
   "for_you": [
    "potrzebujesz wielu ocen do treningu",
    "chcesz przewidywać preferencje z wcześniejszych porównań"
   ],
   "for_you_en": [
    "need many evaluations for training",
    "want to predict preferences from earlier comparisons"
   ],
   "how": "Model przypisuje odpowiedzi wynik skalarny, a cel parowy dopasowuje różnice wyników do rankingów. Wyuczoną ocenę wykorzystuje się do selekcji próbek lub jako sygnał aktualizacji polityki generującej odpowiedzi.",
   "how_en": "A model assigns scalar scores to responses, with pairwise objectives matching score differences to rankings. Learned evaluations support sample selection or provide signals for updating the response-generating policy.",
   "limits": "Wynik odzwierciedla dane porównań, nie obiektywną prawdę. Ocena poza rozkładem i optymalizacja pod jej słabości mogą zawodzić; potrzebne są niezależne testy i kontrola preferencji oceniających.",
   "limits_en": "Scores reflect comparison data rather than objective truth. Out-of-distribution assessment and exploitation of scoring weaknesses can fail; independent tests and rater-preference checks are needed.",
   "terms": [
    {
     "gloss": "Pojedyncza liczba opisująca ocenę odpowiedzi według wyuczonego kryterium.",
     "term": "wynik skalarny"
    },
    {
     "gloss": "Cel uczący wyżej oceniać preferowaną odpowiedź w porównywanej parze.",
     "term": "strata parowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A single number rating a response under a learned criterion.",
     "term": "scalar score"
    },
    {
     "gloss": "An objective encouraging higher scores for preferred responses in compared pairs.",
     "term": "pairwise loss"
    }
   ],
   "prereq": [
    "annotation",
    "calibration"
   ],
   "keywords": [
    "Bradley-Terry model",
    "pairwise ranking loss",
    "process reward models",
    "outcome reward models",
    "reward calibration",
    "best-of-N filtering"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/rewardmodels",
   "markdown_url": "https://aiatlasgraph.com/t/rewardmodels.md",
   "updated": "2026-10-30"
  },
  "rhetoricalroles": {
   "id": "rhetoricalroles",
   "parent_id": "legalnlp",
   "label": "Podział wyroku na części (role retoryczne)",
   "canonical_name": "Rhetorical role labelling of court judgments",
   "aliases": [
    "rhetorical role labelling",
    "rhetorical roles",
    "judgment structuring",
    "legal document segmentation",
    "RR labelling",
    "strukturyzacja wyroków"
   ],
   "description": "Klasyfikacja każdego zdania wyroku do funkcjonalnej roli, np. fakty, argumenty stron, analiza, ratio decidendi i rozstrzygnięcie.",
   "description_en": "Classifying each sentence of a judgment into a functional role such as facts, party arguments, analysis, ratio decidendi and decision.",
   "plain": "Program dzieli długi wyrok na części: fakty, argumenty stron, analizę sądu, powody decyzji i samo rozstrzygnięcie.",
   "plain_en": "Software splits a long ruling into parts: the facts, each side's arguments, the court's analysis, the reasons for the decision and the decision itself.",
   "solves": "Wyrok bywa ciągłym tekstem na dziesiątki stron i trudno szybko znaleźć, co sąd sam ustalił, a co tylko streścił za stronami.",
   "solves_en": "A ruling can run to dozens of pages, and it is hard to see quickly what the court found itself and what it merely relayed.",
   "does": "Jak spis treści doklejony do książki, która go nie miała: każde zdanie dostaje etykietę rozdziału, do którego należy.",
   "does_en": "Like a table of contents added to a book that never had one: every sentence gets the label of the chapter it belongs to.",
   "example": "Aplikant otwiera wyrok i jednym kliknięciem przeskakuje do fragmentu, w którym sąd wyjaśnia, dlaczego oddalił apelację.",
   "example_en": "A trainee lawyer opens a ruling and jumps with one click to the passage where the court explains why it dismissed the appeal.",
   "for_you": [
    "czytasz długie wyroki i szukasz sedna",
    "budujesz streszczenia lub wyszukiwanie orzeczeń"
   ],
   "for_you_en": [
    "read long rulings and look for the gist",
    "build summaries or case-law search"
   ],
   "how": "To klasyfikacja sekwencji zdań: etykieta zdania zależy od sąsiadów, więc stosuje się hierarchiczne enkodery (embedding zdania z modelu typu BERT, warstwa kontekstu, np. BiLSTM) zakończone warstwą CRF. Typowy schemat ma kilkanaście ról, m.in. preambułę, fakty, kwestię prawną, argumenty stron, analizę, przywołane precedensy, ratio i rozstrzygnięcie.",
   "how_en": "It is sentence sequence classification: a sentence's label depends on its neighbours, so hierarchical encoders are used (a sentence embedding from a BERT-style model, a context layer such as a BiLSTM) topped with a CRF layer. A typical scheme has about a dozen roles, including preamble, facts, issue, party arguments, analysis, cited precedents, ratio and decision.",
   "limits": "Granice ról są subiektywne: zgodność anotatorów w referencyjnym korpusie była tylko umiarkowana. Najtrudniejsze są rzadkie role i ratio decidendi, mylona z analizą. Wyniki spadają na wyrokach spoza domeny treningowej, a korpusy obejmują głównie angielskojęzyczne wyroki indyjskie.",
   "limits_en": "Role boundaries are subjective: annotator agreement in the reference corpus was only moderate. Rare roles and the ratio decidendi, which gets confused with analysis, are hardest. Scores drop on out-of-domain rulings, and corpora mainly cover English-language Indian judgments.",
   "terms": [
    {
     "gloss": "Zasadnicze powody, dla których sąd rozstrzygnął tak, a nie inaczej.",
     "term": "ratio decidendi"
    },
    {
     "gloss": "Warstwa wybierająca najbardziej spójny ciąg etykiet dla kolejnych zdań.",
     "term": "CRF"
    },
    {
     "gloss": "Miara zgodności wielu anotatorów ponad przypadkową.",
     "term": "Fleiss' kappa"
    }
   ],
   "terms_en": [
    {
     "gloss": "The essential reasons why the court decided the way it did.",
     "term": "ratio decidendi"
    },
    {
     "gloss": "A layer that picks the most consistent label sequence for consecutive sentences.",
     "term": "CRF"
    },
    {
     "gloss": "A measure of agreement among several annotators beyond chance.",
     "term": "Fleiss' kappa"
    }
   ],
   "prereq": [
    "textclassification"
   ],
   "keywords": [
    "LegalEval rhetorical roles",
    "SciBERT-HSLN",
    "hierarchical sequential labelling",
    "CRF",
    "BiLSTM",
    "sentence classification",
    "ratio decidendi"
   ],
   "source_ids": [
    "modi-semeval2023-legaleval",
    "kalamkar-legal-structuring-2022"
   ],
   "url": "https://aiatlasgraph.com/t/rhetoricalroles",
   "markdown_url": "https://aiatlasgraph.com/t/rhetoricalroles.md",
   "updated": "2026-10-30"
  },
  "riskframeworks": {
   "id": "riskframeworks",
   "parent_id": "governance",
   "label": "Ramy zarządzania ryzykiem AI (NIST AI RMF, ISO/IEC 42001)",
   "canonical_name": "AI risk management frameworks",
   "description": "Dobrowolne ramy i normy, według których organizacja porządkuje zarządzanie ryzykiem AI: kto odpowiada, jak mapować i mierzyć ryzyka, jak reagować. ISO/IEC 42001 opisuje system zarządzania AI w firmie.",
   "description_en": "Voluntary frameworks and standards for organising AI risk management: who is accountable, how to map and measure risks, how to respond. ISO/IEC 42001 specifies an organisational AI management system.",
   "examples": "Govern · Map · Measure · Manage · profil GenAI (NIST AI 600-1) · ISO/IEC 42001",
   "examples_en": "Govern · Map · Measure · Manage · GenAI profile (NIST AI 600-1) · ISO/IEC 42001",
   "plain": "To uporządkowane ramy pomagające organizacji rozpoznawać, oceniać i ograniczać ryzyko używania modeli.",
   "plain_en": "These structured frameworks help organisations identify, assess and reduce risks from model use.",
   "solves": "Ryzyka są omawiane przypadkowo, więc łatwo pominąć ważny problem lub nie przypisać mu właściciela.",
   "solves_en": "Risks are discussed inconsistently, making it easy to overlook an important issue or leave it without an owner.",
   "does": "Ramy prowadzą przez opis zastosowania, pomiar ryzyka, wybór działań i stały nadzór, a normy porządkują system zarządzania.",
   "does_en": "Frameworks guide use-case mapping, risk measurement, action selection and ongoing oversight, while standards organise the management system.",
   "example": "Przy wdrożeniu asystenta zespół zapisuje ryzyko błędnych odpowiedzi, sposób jego pomiaru i osobę odpowiedzialną za ograniczenia.",
   "example_en": "When introducing an assistant, a team records incorrect-answer risks, how to measure them and who is responsible for controls.",
   "for_you": [
    "potrzebujesz powtarzalnego sposobu oceny ryzyka",
    "koordynujesz użycie modeli w organizacji"
   ],
   "for_you_en": [
    "need a repeatable way to assess risk",
    "coordinate model use in an organisation"
   ],
   "how": "Ramy porządkują określanie kontekstu, identyfikację, pomiar i obsługę ryzyka pod wspólnym nadzorem organizacji. System zarządzania ustanawia odpowiedzialność, procedury i dowody przeglądu, a iteracyjne oceny dostosowują kontrole do zmian zastosowania.",
   "how_en": "Frameworks organise context definition, risk identification, measurement and handling under organisational oversight. A management system establishes accountability, procedures and review evidence, while iterative assessments adapt controls to changing applications.",
   "limits": "Przyjęcie ram nie oznacza spełnienia wszystkich przepisów ani bezpieczeństwa modelu. Skuteczność zależy od zakresu, danych i egzekwowania; standard zarządzania ocenia proces, a nie bezbłędność każdej odpowiedzi.",
   "limits_en": "Adopting frameworks establishes neither full legal compliance nor model safety. Effectiveness depends on scope, data and enforcement; management standards assess processes rather than every answer's correctness.",
   "terms": [
    {
     "gloss": "Procedury i odpowiedzialność kierujące rozwojem, użyciem oraz kontrolą systemów AI.",
     "term": "system zarządzania AI"
    },
    {
     "gloss": "Ryzyko pozostające po zastosowaniu wybranych zabezpieczeń.",
     "term": "ryzyko rezydualne"
    }
   ],
   "terms_en": [
    {
     "gloss": "Procedures and accountability governing AI development, use and control.",
     "term": "AI management system"
    },
    {
     "gloss": "Risk remaining after selected safeguards have been applied.",
     "term": "residual risk"
    }
   ],
   "prereq": [
    "evalsets",
    "monitoring"
   ],
   "keywords": [
    "NIST AI RMF",
    "NIST AI 600-1",
    "ISO/IEC 42001",
    "Govern Map Measure Manage",
    "residual risk",
    "AI management system"
   ],
   "source_ids": [
    "nist-ai-rmf-core",
    "iso-iec-42001-2023"
   ],
   "url": "https://aiatlasgraph.com/t/riskframeworks",
   "markdown_url": "https://aiatlasgraph.com/t/riskframeworks.md",
   "updated": "2026-10-30"
  },
  "rlalgorithms": {
   "id": "rlalgorithms",
   "parent_id": "decisions",
   "label": "Algorytmy RL",
   "canonical_name": "Reinforcement learning algorithms",
   "description": "Metody uczenia wartości i polityki.",
   "description_en": "Methods for learning values and policies.",
   "examples": "Q-learning · policy gradient · actor–critic",
   "examples_en": "Q-learning · policy gradient · actor–critic",
   "plain": "To metody poprawiania wyborów programu na podstawie ocen dotychczasowych działań.",
   "plain_en": "These methods improve a program's choices using assessments of its previous actions.",
   "solves": "Program zbiera doświadczenia, ale potrzebuje sposobu przełożenia ich na lepsze decyzje w kolejnych próbach.",
   "solves_en": "Software collects experience but needs a way to turn it into better decisions on subsequent trials.",
   "does": "Uczy ocen możliwych działań, bezpośrednio zmienia sposób ich wybierania albo łączy oba podejścia na podstawie rezultatów prób.",
   "does_en": "It learns action values, directly changes how actions are chosen or combines both approaches using trial outcomes.",
   "example": "Program sterujący postacią wykorzystuje wyniki rozegranych prób, żeby częściej wybierać ruchy prowadzące do ukończenia poziomu.",
   "example_en": "Software controlling a character uses previous trial outcomes to choose moves leading to level completion more often.",
   "for_you": [
    "masz środowisko prób i sposób oceny wyniku",
    "chcesz porównać metody uczenia kolejnych decyzji"
   ],
   "for_you_en": [
    "have a trial environment and a way to score outcomes",
    "want to compare methods for learning sequential decisions"
   ],
   "how": "Algorytmy aktualizują wartości przez cele oparte na zwrocie lub równaniu Bellmana, a polityki przez gradient lub wybór najlepiej ocenionych akcji. Bufory doświadczeń i harmonogram zbierania danych określają sposób wykorzystania interakcji.",
   "how_en": "Algorithms update values using return-based or Bellman targets, and policies through gradients or choosing highly valued actions. Experience buffers and collection schedules determine how interactions are used.",
   "limits": "Dane z wcześniejszej polityki nie zawsze można ponownie wykorzystać bez korekty. Eksploracja, wariancja estymatorów i niestabilna aproksymacja wartości ograniczają efektywność.",
   "limits_en": "Earlier-policy data cannot always be reused without correction. Exploration, estimator variance and unstable value approximation limit efficiency.",
   "terms": [
    {
     "gloss": "Uczenie wykorzystujące doświadczenia odpowiadające aktualizowanej polityce.",
     "term": "on-policy"
    },
    {
     "gloss": "Uczenie polityki z doświadczeń zebranych także przez inne strategie.",
     "term": "off-policy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Learning from experience corresponding to the policy being updated.",
     "term": "on-policy"
    },
    {
     "gloss": "Learning a policy from experience also collected by other strategies.",
     "term": "off-policy"
    }
   ],
   "prereq": [
    "bellman",
    "optimization"
   ],
   "keywords": [
    "DQN",
    "Double DQN",
    "REINFORCE",
    "A2C",
    "A3C",
    "PPO",
    "SAC",
    "TD3",
    "on-policy learning",
    "off-policy learning"
   ],
   "source_ids": [
    "rl",
    "cs221"
   ],
   "url": "https://aiatlasgraph.com/t/rlalgorithms",
   "markdown_url": "https://aiatlasgraph.com/t/rlalgorithms.md",
   "updated": "2026-10-30"
  },
  "rlaugmentation": {
   "id": "rlaugmentation",
   "parent_id": "rlgeneralization",
   "label": "Augmentacja obserwacji w RL z obrazu",
   "canonical_name": "Data augmentation for pixel-based reinforcement learning",
   "aliases": [
    "image augmentation RL",
    "augmentacja w RL"
   ],
   "description": "Regularyzacja RL z obserwacji wizualnych przez losowe przekształcenia obrazów z bufora doświadczeń, poprawiająca efektywność próbkową i odporność.",
   "description_en": "Regularising RL from visual observations through random transformations of replay-buffer images, improving sample efficiency and robustness.",
   "plain": "Agent uczący się z obrazu ogląda te same klatki lekko przesunięte lub zmienione, żeby nie przywiązywać się do szczegółów.",
   "plain_en": "An agent learning from images sees the same frames slightly shifted or altered, so it doesn't cling to details.",
   "solves": "Agent uczący się z obrazu potrzebuje bardzo wielu prób i łatwo zapamiętuje przypadkowe piksele zamiast tego, co ważne.",
   "solves_en": "An agent learning from images needs a great many trials and easily memorises incidental pixels instead of what matters.",
   "does": "Jak nauka rozpoznawania ptaków ze zdjęć robionych pod różnymi kątami: uwaga przenosi się z tła na samego ptaka.",
   "does_en": "Like learning birds from photos taken at different angles: attention moves from the background to the bird itself.",
   "example": "Robot uczący się chwytać z kamery działa dalej, gdy kamerę ktoś lekko przestawi lub zmieni się oświetlenie.",
   "example_en": "A robot learning to grasp from a camera keeps working when someone nudges the camera or the lighting changes.",
   "for_you": [
    "twój agent uczy się bezpośrednio z obrazu z kamery",
    "masz mało prób i chcesz wycisnąć z nich więcej"
   ],
   "for_you_en": [
    "your agent learns directly from camera images",
    "you have few trials and want to get more from them"
   ],
   "how": "Obrazy pobierane z bufora są losowo przekształcane, najskuteczniej przez przesunięcie o kilka pikseli z dopełnieniem krawędzi. W DrQ cel i oszacowanie Q uśrednia się po kilku augmentacjach, bez dodatkowych strat ani pretreningu; metodę stosuje się do SAC i DQN.",
   "how_en": "Images sampled from the buffer are randomly transformed, most effectively by shifting a few pixels with edge padding. DrQ averages Q targets and estimates over several augmentations without auxiliary losses or pretraining; it applies to SAC and DQN.",
   "limits": "Przekształcenie musi zachowywać sens zadania: przesunięcie szkodzi, gdy pozycja piksela ma znaczenie. Nie zastępuje różnorodności środowisk i słabo chroni przed dużymi zmianami wyglądu.",
   "limits_en": "The transformation must preserve task meaning: shifting hurts when pixel position matters. It does not replace environment diversity and protects poorly against large appearance changes.",
   "terms": [
    {
     "gloss": "Przesunięcie obrazu o kilka pikseli z dopełnieniem krawędzi.",
     "term": "random shift"
    },
    {
     "gloss": "Jak dużo agent osiąga przy danej liczbie prób.",
     "term": "sample efficiency"
    }
   ],
   "terms_en": [
    {
     "gloss": "Shifting an image by a few pixels with edge padding.",
     "term": "random shift"
    },
    {
     "gloss": "How much an agent achieves for a given number of trials.",
     "term": "sample efficiency"
    }
   ],
   "prereq": [
    "classicaugmentation"
   ],
   "keywords": [
    "DrQ",
    "DrQ-v2",
    "RAD",
    "CURL",
    "random shift",
    "DeepMind Control Suite",
    "Atari 100k"
   ],
   "source_ids": [
    "drq-2020"
   ],
   "url": "https://aiatlasgraph.com/t/rlaugmentation",
   "markdown_url": "https://aiatlasgraph.com/t/rlaugmentation.md",
   "updated": "2026-10-30"
  },
  "rlbasics": {
   "id": "rlbasics",
   "parent_id": "decisions",
   "label": "Podstawy RL",
   "canonical_name": "Reinforcement learning fundamentals",
   "description": "Stany, akcje, nagrody i strategie działania.",
   "description_en": "States, actions, rewards and policies.",
   "examples": "MDP · policy · value function",
   "examples_en": "MDP · policy · value function",
   "plain": "To opis uczenia przez działanie: sytuacja, możliwe ruchy, ich oceny i sposób wybierania kolejnych kroków.",
   "plain_en": "This describes learning through action: the situation, available moves, their scores and how to choose the next steps.",
   "solves": "Zanim program zacznie się uczyć, musisz określić, co widzi, co może zrobić i po czym rozpoznać dobry wynik.",
   "solves_en": "Before software can learn, you must define what it observes, what it can do and how to recognise a good outcome.",
   "does": "Zapisuje sytuacje, działania i oceny skutków, łącząc bieżący wybór z oczekiwaną korzyścią z dalszych kroków.",
   "does_en": "It records situations, actions and outcome scores, connecting a current choice with expected benefits from later steps.",
   "example": "W grze określasz pozycję postaci, dozwolone ruchy i punktowanie dotarcia do celu, żeby program miał z czego się uczyć.",
   "example_en": "In a game, you define the character's position, allowed moves and scoring for reaching the goal so software has a learning setup.",
   "for_you": [
    "chcesz opisać zadanie uczenia przez próby",
    "musisz określić działania, obserwacje i ocenę wyniku"
   ],
   "for_you_en": [
    "want to describe a trial based learning task",
    "need to define actions, observations and outcome scores"
   ],
   "how": "Interakcję zapisuje się jako przejścia między stanami po wybraniu akcji. Cel uczenia określa oczekiwany zwrot, a polityka i funkcja wartości reprezentują odpowiednio wybór działań oraz ocenę przyszłych rezultatów.",
   "how_en": "Interactions are recorded as state transitions after actions are selected. The learning objective specifies expected return, while policies and value functions represent action choices and evaluations of future outcomes.",
   "limits": "Obserwacja może nie ujawniać pełnego stanu. Nagrody opóźnione lub rzadkie utrudniają przypisanie zasługi, a maksymalizacja zwrotu zależy od przyjętego horyzontu.",
   "limits_en": "Observations may not reveal the full state. Delayed or sparse rewards complicate credit assignment, and return maximisation depends on the chosen horizon.",
   "terms": [
    {
     "gloss": "Informacja opisująca sytuację istotną dla przyszłych przejść i nagród.",
     "term": "stan"
    },
    {
     "gloss": "Zmniejszanie udziału późniejszych nagród w obliczanym zwrocie.",
     "term": "dyskontowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Information describing a situation relevant to future transitions and rewards.",
     "term": "state"
    },
    {
     "gloss": "Reducing later rewards' contribution to the computed return.",
     "term": "discounting"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "MDP",
    "POMDP",
    "Bellman equations",
    "value functions",
    "discounted returns",
    "exploration-exploitation",
    "temporal-difference learning",
    "Gymnasium"
   ],
   "source_ids": [
    "rl",
    "cs221"
   ],
   "url": "https://aiatlasgraph.com/t/rlbasics",
   "markdown_url": "https://aiatlasgraph.com/t/rlbasics.md",
   "updated": "2026-10-30"
  },
  "rlenvs": {
   "id": "rlenvs",
   "parent_id": "rlbasics",
   "label": "Środowiska i symulatory do RL",
   "canonical_name": "RL environments and simulators",
   "description": "Standardowy interfejs reset/step i gotowe środowiska, w których agent ćwiczy; także symulatory fizyki dla robotów.",
   "description_en": "The standard reset/step interface and ready-made environments where agents practise; also physics simulators for robots.",
   "examples": "Gymnasium · MuJoCo · Atari · Unity ML-Agents · Isaac Lab",
   "examples_en": "Gymnasium · MuJoCo · Atari · Unity ML-Agents · Isaac Lab",
   "plain": "To otoczenia i symulatory, w których program ćwiczy działania i otrzymuje informacje o wynikach.",
   "plain_en": "These environments and simulators let software practise actions and receive information about their outcomes.",
   "solves": "Uczenie przez próby wymaga powtarzalnego sposobu rozpoczynania zadań, wykonywania ruchów i obserwowania ich skutków.",
   "solves_en": "Learning through trials needs a repeatable way to start tasks, perform moves and observe their effects.",
   "does": "Udostępnia rozpoczęcie próby i kolejne kroki z obserwacją oraz oceną, czasem odtwarzając ruch i fizykę w symulacji.",
   "does_en": "It provides trial starts and successive steps with observations and scores, sometimes reproducing movement and physics in simulation.",
   "example": "Program ćwiczy chodzenie robota w symulatorze, rozpoczynając nowe próby po upadku i otrzymując informacje o kolejnych ruchach.",
   "example_en": "Software practises robot walking in a simulator, starting new trials after falls and receiving information about successive movements.",
   "for_you": [
    "chcesz przeprowadzać wiele porównywalnych prób działania",
    "potrzebujesz symulacji zamiast każdej próby na prawdziwym sprzęcie"
   ],
   "for_you_en": [
    "want many comparable action trials",
    "need simulation instead of trying everything on real hardware"
   ],
   "how": "Interfejs środowiska inicjuje epizod i zwraca obserwację, nagrodę oraz informację o zakończeniu po działaniu. Symulator oblicza przejścia według reguł lub dynamiki, umożliwiając zbieranie trajektorii i powtarzalną ocenę.",
   "how_en": "An environment interface starts episodes and returns observations, rewards and termination information after actions. A simulator computes transitions using rules or dynamics, enabling trajectory collection and repeatable evaluation.",
   "limits": "Błędy resetu, zakończenia i skalowania akcji zmieniają zadanie. Symulator odzwierciedla wybrane założenia, więc wynik w nim nie gwarantuje poprawnego działania poza nim.",
   "limits_en": "Reset, termination and action-scaling errors change the task. A simulator reflects selected assumptions, so success there does not guarantee correct behaviour elsewhere.",
   "terms": [
    {
     "gloss": "Odcinek interakcji od inicjalizacji do warunku zakończenia.",
     "term": "epizod"
    },
    {
     "gloss": "Zbiór działań dopuszczonych przez interfejs środowiska.",
     "term": "przestrzeń akcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "An interaction segment from initialisation to a termination condition.",
     "term": "episode"
    },
    {
     "gloss": "The set of actions permitted by an environment interface.",
     "term": "action space"
    }
   ],
   "prereq": [
    "mdp"
   ],
   "keywords": [
    "Gymnasium",
    "MuJoCo",
    "Atari Learning Environment",
    "Unity ML-Agents",
    "Isaac Lab"
   ],
   "source_ids": [
    "hf-deep-rl-course",
    "legged-gym-2021",
    "gymnasium-docs"
   ],
   "url": "https://aiatlasgraph.com/t/rlenvs",
   "markdown_url": "https://aiatlasgraph.com/t/rlenvs.md",
   "updated": "2026-10-30"
  },
  "rlgeneralization": {
   "id": "rlgeneralization",
   "parent_id": "decisions",
   "label": "Uogólnianie i adaptacja w RL",
   "canonical_name": "Generalisation and adaptation in reinforcement learning",
   "aliases": [
    "generalization in RL",
    "RL generalisation",
    "adaptacja agentów RL",
    "zero-shot generalization RL"
   ],
   "description": "Rodzina metod RL dotyczących przenoszenia polityk na nowe środowiska, szybkiej adaptacji do zadań i uczenia w warunkach niestacjonarnych.",
   "description_en": "A family of RL methods concerned with transferring policies to new environments, rapid task adaptation and learning under nonstationarity.",
   "plain": "Chodzi o agentów, którzy radzą sobie w nowych sytuacjach, szybko się przystosowują i nie tracą zdolności do dalszej nauki.",
   "plain_en": "This is about agents that cope with new situations, adapt quickly and keep the ability to learn further.",
   "solves": "Agent świetny na poziomach z treningu często gubi się na nowym poziomie, a po długiej nauce przestaje przyswajać nowe rzeczy.",
   "solves_en": "An agent that excels on its training levels often gets lost on a new one, and after long training stops picking up new things.",
   "does": "Jak kierowca, który uczył się w wielu miastach i w różnych warunkach, więc w nowym mieście też sobie poradzi.",
   "does_en": "Like a driver who learned in many cities and conditions, so a new city poses no great problem.",
   "example": "Robot odkurzający, trenowany na wielu wygenerowanych układach mieszkań, sprawnie sprząta mieszkanie, którego nigdy nie widział.",
   "example_en": "A robot vacuum trained on many generated flat layouts cleans a flat it has never seen with ease.",
   "for_you": [
    "twój agent działa dobrze tylko na tym, na czym ćwiczył",
    "zadanie zmienia się z czasem i agent musi nadążać",
    "chcesz, by agent uczył się nowych zadań z kilku prób"
   ],
   "for_you_en": [
    "your agent only works well on what it practised",
    "your task changes over time and the agent must keep up",
    "you want an agent to learn new tasks from few trials"
   ],
   "how": "Uogólnianie mierzy się na rozdzielnych zbiorach poziomów treningowych i testowych, np. generowanych proceduralnie. Poprawia je różnorodność środowisk i automatyczne programy nauczania, augmentacja obserwacji, meta-uczenie na rozkładzie zadań oraz techniki podtrzymujące plastyczność sieci przy ciągłym uczeniu.",
   "how_en": "Generalisation is measured on disjoint training and test levels, often procedurally generated. It improves with environment diversity and automatic curricula, observation augmentation, meta-learning over task distributions and techniques that preserve network plasticity during continual learning.",
   "limits": "Brak jednolitej definicji i benchmarków utrudnia porównania. Metody często wymagają symulatora z kontrolowanymi parametrami środowiska, a poprawa na jednych testach nie przenosi się na inne rodzaje zmian.",
   "limits_en": "No unified definition or benchmark makes comparison hard. Methods often need a simulator with controllable environment parameters, and gains on one test rarely carry over to other kinds of shift.",
   "terms": [
    {
     "gloss": "Rodzina zadań różniących się ukrytym parametrem, np. układem poziomu.",
     "term": "contextual MDP"
    },
    {
     "gloss": "Automatyczne tworzenie wielu wariantów poziomów lub scen do treningu.",
     "term": "procedural generation"
    },
    {
     "gloss": "Działanie w nowym środowisku bez dodatkowego treningu.",
     "term": "zero-shot transfer"
    }
   ],
   "terms_en": [
    {
     "gloss": "A family of tasks differing in a hidden parameter, such as level layout.",
     "term": "contextual MDP"
    },
    {
     "gloss": "Automatically creating many level or scene variants for training.",
     "term": "procedural generation"
    },
    {
     "gloss": "Acting in a new environment without extra training.",
     "term": "zero-shot transfer"
    }
   ],
   "prereq": [
    "mdp",
    "biasvariance"
   ],
   "keywords": [
    "Procgen",
    "contextual MDP",
    "meta-RL",
    "domain randomization",
    "unsupervised environment design",
    "PAIRED",
    "Prioritized Level Replay",
    "DrQ",
    "loss of plasticity",
    "continual RL",
    "XLand",
    "Craftax"
   ],
   "source_ids": [
    "metarl-survey-2023",
    "paired-ued-2020",
    "continual-rl-review-2020"
   ],
   "url": "https://aiatlasgraph.com/t/rlgeneralization",
   "markdown_url": "https://aiatlasgraph.com/t/rlgeneralization.md",
   "updated": "2026-10-30"
  },
  "rlhfppo": {
   "id": "rlhfppo",
   "parent_id": "rlpolicy",
   "label": "Klasyczny RLHF: SFT → model nagrody → PPO",
   "canonical_name": "Classic RLHF pipeline with PPO",
   "aliases": [
    "RLHF",
    "RLHF with PPO",
    "InstructGPT pipeline",
    "reinforcement learning from human feedback"
   ],
   "description": "Trzyetapowa receptura RLHF spopularyzowana przez InstructGPT: dostrajanie na demonstracjach, uczenie modelu nagrody z rankingów ludzi, a następnie optymalizacja polityki przez PPO z ograniczeniem odchylenia od modelu referencyjnego.",
   "description_en": "The three-stage RLHF recipe popularised by InstructGPT: supervised fine-tuning on demonstrations, training a reward model from human rankings, then policy optimisation with PPO while constraining divergence from a reference model.",
   "examples": "InstructGPT · rankingi odpowiedzi · PPO z modelem wartości · kara KL",
   "examples_en": "InstructGPT · answer rankings · PPO with a value model · KL penalty",
   "plain": "To trening modelu łączący wzorcowe odpowiedzi, oceny ludzi i dalszą naukę z wyuczoną nagrodą.",
   "plain_en": "This trains a model through reference responses, human evaluations and further learning with a learned reward.",
   "solves": "Model umie odpowiadać, ale potrzebujesz systematycznie zbliżyć jego zachowanie do preferencji ludzi.",
   "solves_en": "A model can answer, but you need to systematically align its behaviour with human preferences.",
   "does": "Najpierw model ćwiczy demonstracje, osobny model uczy się ocen, a trening z nagrodą poprawia odpowiedzi z kontrolą odchylenia od bazy.",
   "does_en": "First a model learns demonstrations, a separate evaluator learns preferences, then reward-based training improves responses while limiting deviation from the base.",
   "example": "Ludzie porównują odpowiedzi asystenta, model oceny uczy się tych wyborów, a kolejny trening korzysta z jego ocen.",
   "example_en": "People compare assistant responses, an evaluator learns their choices, and further training uses its scores.",
   "for_you": [
    "masz demonstracje oraz porównania od ludzi",
    "poznajesz klasyczny wieloetapowy trening preferencji"
   ],
   "for_you_en": [
    "have demonstrations and human comparisons",
    "study a classic multi-stage preference-training process"
   ],
   "how": "Demonstracje inicjalizują politykę, a porównania ludzkie uczą model nagrody oceniający jej odpowiedzi. PPO aktualizuje politykę na generowanych próbkach, używając estymatora przewagi oraz kontroli odchylenia od wcześniejszej i referencyjnej polityki.",
   "how_en": "Demonstrations initialise the policy, while human comparisons train a reward model scoring its responses. PPO updates the policy on generated samples using advantage estimates and controls on departure from previous and reference policies.",
   "limits": "Wiele współpracujących modeli zwiększa pamięć i koszt operacyjny. Jakość nadzoru oraz estymacji przewagi wpływa na stabilność; maksymalizacja wyuczonej nagrody może rozchodzić się z rzeczywistymi preferencjami ludzi.",
   "limits_en": "Multiple cooperating models increase memory and operational costs. Supervision and advantage-estimation quality affect stability; maximising learned rewards can diverge from actual human preferences.",
   "terms": [
    {
     "gloss": "Model przewidujący wartość stanu, pomocny w estymacji przewagi.",
     "term": "krytyk"
    },
    {
     "gloss": "Ocena, o ile wynik działania przewyższa wybrany punkt odniesienia.",
     "term": "przewaga"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model predicting state value to help estimate advantages.",
     "term": "critic"
    },
    {
     "gloss": "An estimate of how much an action outcome exceeds a baseline.",
     "term": "advantage"
    }
   ],
   "prereq": [
    "sft",
    "ppo",
    "rewardmodels"
   ],
   "keywords": [
    "InstructGPT",
    "human preference rankings",
    "PPO",
    "value model",
    "KL penalty",
    "generalized advantage estimation",
    "clipped surrogate objective"
   ],
   "source_ids": [
    "instructgpt-2022",
    "rlhfbook"
   ],
   "url": "https://aiatlasgraph.com/t/rlhfppo",
   "markdown_url": "https://aiatlasgraph.com/t/rlhfppo.md",
   "updated": "2026-10-30"
  },
  "rlpolicy": {
   "id": "rlpolicy",
   "parent_id": "preferences",
   "label": "RL z nagrodą",
   "canonical_name": "Reinforcement learning with rewards",
   "description": "Iteracyjne poprawianie polityki modelu pod nagrodę bez oddalania się od zachowania wyjściowego. Droższe i wrażliwe na hiperparametry.",
   "description_en": "Iteratively improving the model's policy against a reward while staying close to its starting behaviour. Costlier and sensitive to hyperparameters.",
   "examples": "PPO · GRPO · model nagrody lub funkcja nagrody · modele rozumujące",
   "examples_en": "PPO · GRPO · reward model or reward function · reasoning models",
   "plain": "To poprawianie sposobu odpowiadania modelu przez nagrody za generowane próby.",
   "plain_en": "This improves a model's response behaviour through rewards for generated attempts.",
   "solves": "Same wzorcowe odpowiedzi nie pokazują, jak model ma zmienić swoje własne próby na bardziej użyteczne.",
   "solves_en": "Reference answers alone do not show how a model should turn its own attempts into more useful ones.",
   "does": "Model generuje odpowiedzi, otrzymuje ocenę i aktualizuje ustawienia, często z kontrolą odchylenia od zachowania wyjściowego.",
   "does_en": "A model generates responses, receives scores and updates parameters, often with limits on deviation from its starting behaviour.",
   "example": "W treningu model proponuje rozwiązania zadania, a nagroda za poprawny wynik wpływa na jego kolejne próby.",
   "example_en": "During training, a model proposes task solutions, and rewards for correct results influence subsequent attempts.",
   "for_you": [
    "potrafisz nadawać nagrody za próby modelu",
    "chcesz zmieniać zachowanie na podstawie wyników"
   ],
   "for_you_en": [
    "can assign rewards to model attempts",
    "want behaviour to change based on results"
   ],
   "how": "Polityka generuje odpowiedzi, którym weryfikator lub model nagrody przypisuje wyniki. Gradient polityki zwiększa prawdopodobieństwo korzystnych próbek, a ograniczenia aktualizacji i kary za odejście od odniesienia regulują zmianę zachowania.",
   "how_en": "Policies generate responses scored by verifiers or reward models. Policy gradients increase favourable-sample probabilities, while update constraints and penalties for reference divergence regulate behavioural change.",
   "limits": "Generowanie i ocena próbek zwiększają koszt oraz wariancję uczenia. Nagroda może mieć luki; zbyt silna optymalizacja lub słaba regularizacja prowadzą do utraty jakości poza ocenianym zadaniem.",
   "limits_en": "Generating and evaluating samples increases costs and learning variance. Rewards can have loopholes; excessive optimisation or weak regularisation can degrade quality outside evaluated tasks.",
   "terms": [
    {
     "gloss": "Próbka zachowania wygenerowana przez aktualną politykę do oceny i uczenia.",
     "term": "rollout"
    },
    {
     "gloss": "Koszt ograniczający różnicę rozkładów polityki i modelu odniesienia.",
     "term": "kara KL"
    }
   ],
   "terms_en": [
    {
     "gloss": "A behaviour sample generated by the current policy for evaluation and learning.",
     "term": "rollout"
    },
    {
     "gloss": "A cost limiting distribution differences between policy and reference models.",
     "term": "KL penalty"
    }
   ],
   "prereq": [
    "policygradient",
    "decoding"
   ],
   "keywords": [
    "policy gradients",
    "rollout sampling",
    "verifiable rewards",
    "learned reward functions",
    "KL penalty",
    "PPO",
    "GRPO",
    "reward normalization"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/rlpolicy",
   "markdown_url": "https://aiatlasgraph.com/t/rlpolicy.md",
   "updated": "2026-10-30"
  },
  "rlprocesscontrol": {
   "id": "rlprocesscontrol",
   "parent_id": "processcontrol",
   "label": "Sterowanie instalacjami z uczeniem ze wzmocnieniem",
   "canonical_name": "Reinforcement learning for industrial and building control",
   "aliases": [
    "RL for process control",
    "RL HVAC control",
    "data center cooling RL",
    "industrial reinforcement learning",
    "sterowanie RL",
    "RL w przemyśle"
   ],
   "description": "Uczenie ze wzmocnieniem sterujące rzeczywistymi instalacjami (chłodzenie, HVAC, procesy), z naciskiem na naukę z danych offline, ograniczenia operacyjne i ewaluację.",
   "description_en": "Reinforcement learning controlling real installations (cooling, HVAC, processes), with emphasis on learning from offline data, operational constraints and evaluation.",
   "plain": "Program, który ucząc się na skutkach własnych decyzji, sam dobiera ustawienia chłodzenia, pieców czy pomp w prawdziwej instalacji.",
   "plain_en": "Software that learns from the results of its own decisions to choose settings for cooling, furnaces or pumps in a real installation.",
   "solves": "Wielkie instalacje chłodzenia i ogrzewania mają setki pokręteł, które wpływają na siebie nawzajem, i ludzie nie umieją ustawić ich optymalnie.",
   "solves_en": "Large cooling and heating plants have hundreds of knobs that affect each other, and people cannot set them optimally.",
   "does": "Jak kierowca, który z każdym przejazdem lepiej zna trasę i jeździ oszczędniej, a pasażer obok pilnuje, żeby nie przekroczył przepisów.",
   "does_en": "Like a driver who knows the route better with each trip and drives more economically, while a passenger makes sure no rules are broken.",
   "example": "W dużym biurowcu system co kilka minut zmienia ustawienia agregatów chłodniczych i przez lato zużywa mniej prądu przy tym samym komforcie.",
   "example_en": "In a large office building the system adjusts the chillers every few minutes and uses less electricity over the summer with the same comfort.",
   "for_you": [
    "zarządzasz budynkiem, serwerownią lub energochłonną instalacją",
    "chcesz wiedzieć, czy uczący się system może sterować sprzętem"
   ],
   "for_you_en": [
    "manage a building, server room or energy-hungry installation",
    "wonder whether a learning system can control equipment"
   ],
   "how": "Polityka wybiera nastawy na podstawie stanu instalacji; uczy się najpierw z danych historycznych i modeli, potem ostrożnie w obiekcie. Akcje przechodzą przez warstwę ograniczeń operacyjnych. Kluczowe są ocena polityki przed wdrożeniem i porównanie zużycia energii z sytuacją bez systemu.",
   "how_en": "A policy chooses setpoints from the installation's state; it learns first from historical data and models, then cautiously on site. Actions pass through a layer of operational constraints. Evaluating the policy before deployment and comparing energy use against operation without it are key.",
   "limits": "Eksploracja na prawdziwym sprzęcie jest ryzykowna, a dane historyczne pokrywają mało stanów. Trudno uczciwie ocenić oszczędności, bo pogoda i obciążenie ciągle się zmieniają. Wdrożenie wymaga integracji z systemem zarządzania budynkiem lub zakładem.",
   "limits_en": "Exploring on real equipment is risky and historical data cover few states. Savings are hard to measure fairly because weather and load keep changing. Deployment requires integration with the building or plant management system.",
   "terms": [
    {
     "gloss": "Uczenie polityki z zapisanych danych, bez nowych prób.",
     "term": "offline RL"
    },
    {
     "gloss": "Wartość docelowa, którą regulator ma utrzymać, np. temperatura wody.",
     "term": "nastawa"
    },
    {
     "gloss": "Ogrzewanie, wentylacja i klimatyzacja budynku.",
     "term": "HVAC"
    }
   ],
   "terms_en": [
    {
     "gloss": "Learning a policy from recorded data, without new trials.",
     "term": "offline RL"
    },
    {
     "gloss": "The target value a controller must hold, e.g. water temperature.",
     "term": "setpoint"
    },
    {
     "gloss": "Heating, ventilation and air conditioning of a building.",
     "term": "HVAC"
    }
   ],
   "prereq": [
    "offline",
    "mdp"
   ],
   "keywords": [
    "data center cooling",
    "HVAC control",
    "offline RL",
    "safe RL",
    "constrained RL",
    "off-policy evaluation",
    "building management system",
    "model predictive control"
   ],
   "source_ids": [
    "luo-rl-cooling-2022"
   ],
   "url": "https://aiatlasgraph.com/t/rlprocesscontrol",
   "markdown_url": "https://aiatlasgraph.com/t/rlprocesscontrol.md",
   "updated": "2026-10-30"
  },
  "rltrading": {
   "id": "rltrading",
   "parent_id": "quanttrading",
   "label": "Uczenie ze wzmocnieniem w handlu i alokacji portfela",
   "canonical_name": "Reinforcement learning for trading and portfolio allocation",
   "aliases": [
    "deep reinforcement learning trading",
    "DRL portfolio",
    "FinRL",
    "RL w tradingu"
   ],
   "description": "Handel i alokacja portfela jako MDP oraz trenowanie agentów głębokiego RL (PPO, SAC, DDPG) w środowiskach rynkowych z kosztami transakcyjnymi.",
   "description_en": "Trading and portfolio allocation as an MDP, training deep RL agents (PPO, SAC, DDPG) in market environments with transaction costs.",
   "plain": "Agent uczy się kupować, sprzedawać i rozkładać pieniądze między aktywa metodą prób i błędów w symulacji rynku.",
   "plain_en": "An agent learns to buy, sell and spread money across assets by trial and error in a market simulation.",
   "solves": "Inwestowanie to ciąg decyzji, w którym każdy ruch zmienia kolejne możliwości, a sama prognoza nie mówi, co zrobić.",
   "solves_en": "Investing is a chain of decisions where each move changes the next options, and a forecast alone does not say what to do.",
   "does": "Jak gracz trenujący na powtórkach meczów: setki razy rozgrywa historię rynku i wzmacnia ruchy, które dawały zysk przy rozsądnym ryzyku.",
   "does_en": "Like a player training on match replays: replays market history hundreds of times and reinforces moves that paid off at sensible risk.",
   "example": "Studentka uruchamia otwartą bibliotekę, trenuje agenta na notowaniach z kilku lat i porównuje jego wynik z prostym kupnem indeksu.",
   "example_en": "A student runs an open library, trains an agent on several years of prices and compares it with simply buying the index.",
   "for_you": [
    "uczysz się uczenia ze wzmocnieniem na praktycznym przykładzie",
    "eksperymentujesz z automatycznym inwestowaniem"
   ],
   "for_you_en": [
    "are learning reinforcement learning on a practical example",
    "experiment with automated investing"
   ],
   "how": "Stan obejmuje ceny, wskaźniki i bieżący portfel, akcją jest zmiana pozycji, a nagrodą zmiana wartości portfela pomniejszona o koszty i karę za ryzyko. Agentów trenuje się algorytmami głębokiego RL w środowiskach zbudowanych z danych historycznych i ocenia backtestem na okresie spoza treningu.",
   "how_en": "The state holds prices, indicators and current holdings, the action changes positions, and the reward is the change in portfolio value minus costs and a risk penalty. Agents are trained with deep RL algorithms in environments built from historical data and judged by backtests on a held-out period.",
   "limits": "Środowisko z danych historycznych nie reaguje na zlecenia agenta, więc pomija wpływ na cenę. Agent łatwo przeucza się do jednego okresu rynkowego, a wyniki bywają niestabilne między uruchomieniami. Większość publikowanych wyników to backtesty, nie handel na żywo.",
   "limits_en": "An environment built from history does not react to the agent's orders, so it ignores price impact. Agents easily overfit one market regime, and results vary between runs. Most published results are backtests, not live trading.",
   "terms": [
    {
     "gloss": "Opis problemu jako stanów, akcji i nagród w czasie.",
     "term": "MDP"
    },
    {
     "gloss": "Liczba mówiąca agentowi, czy ruch był dobry.",
     "term": "funkcja nagrody"
    },
    {
     "gloss": "Różnica między ceną oczekiwaną a ceną wykonania.",
     "term": "poślizg cenowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Describing a problem as states, actions and rewards over time.",
     "term": "MDP"
    },
    {
     "gloss": "A number telling the agent whether a move was good.",
     "term": "reward function"
    },
    {
     "gloss": "Gap between the expected price and the execution price.",
     "term": "slippage"
    }
   ],
   "prereq": [
    "mdp",
    "ppo"
   ],
   "keywords": [
    "FinRL",
    "deep reinforcement learning",
    "PPO",
    "SAC",
    "DDPG",
    "portfolio allocation",
    "trading environment",
    "optimal execution"
   ],
   "source_ids": [
    "finrl-2020"
   ],
   "url": "https://aiatlasgraph.com/t/rltrading",
   "markdown_url": "https://aiatlasgraph.com/t/rltrading.md",
   "updated": "2026-10-30"
  },
  "rlvr": {
   "id": "rlvr",
   "parent_id": "reasoningtraining",
   "label": "RL z weryfikowalnymi nagrodami (RLVR)",
   "canonical_name": "Reinforcement learning with verifiable rewards",
   "description": "Model dostaje nagrodę na podstawie automatycznie weryfikowalnego sygnału — np. poprawności wyniku, przejścia testów kodu lub spełnienia sprawdzalnego warunku — zamiast polegać wyłącznie na wyuczonym modelu preferencji. RLVR jest ważnym podejściem do post-treningu modeli rozumujących, szczególnie w domenach z jednoznaczną weryfikacją.",
   "description_en": "The model receives reward from an automatically verifiable signal — such as answer correctness, passing code tests, or satisfying a checkable condition — rather than relying only on a learned preference model. RLVR is an important post-training approach for reasoning models, especially in domains with unambiguous verification.",
   "examples": "nagroda za poprawność i format · GRPO · zadania matematyczne i kodowe",
   "examples_en": "accuracy and format rewards · GRPO · maths and coding tasks",
   "plain": "To uczenie modelu przez nagradzanie odpowiedzi, których poprawność da się automatycznie sprawdzić.",
   "plain_en": "This trains a model by rewarding answers whose correctness can be checked automatically.",
   "solves": "Przekonujący styl nie mówi, czy obliczenie lub program faktycznie działa poprawnie.",
   "solves_en": "A convincing style does not tell you whether a calculation or program actually works correctly.",
   "does": "Model próbuje rozwiązań, a test lub jednoznaczny warunek wyznacza nagrodę, która wpływa na kolejne aktualizacje jego ustawień.",
   "does_en": "A model attempts solutions, while a test or definite condition determines the reward that influences subsequent parameter updates.",
   "example": "Podczas treningu model pisze mały program, a nagrodę otrzymuje za przejście przygotowanych testów działania.",
   "example_en": "During training, a model writes a small program and receives a reward for passing prepared functional tests.",
   "for_you": [
    "potrafisz automatycznie sprawdzić wynik zadania",
    "chcesz nagradzać poprawność zamiast samego stylu"
   ],
   "for_you_en": [
    "can automatically check a task's result",
    "want to reward correctness beyond writing style"
   ],
   "how": "Model próbuje rozwiązań, które wykonują testy, porównania wzorców lub inne automatyczne sprawdzenia. Wynik zamienia się na nagrodę aktualizującą politykę generowania, zwiększając prawdopodobieństwo ścieżek przechodzących dany weryfikator.",
   "how_en": "A model attempts solutions evaluated through tests, reference comparisons or other automated checks. Results become rewards updating the generation policy, increasing the probability of paths passing that verifier.",
   "limits": "Nagroda obejmuje tylko sprawdzalne właściwości i może mieć luki. Rzadkie sukcesy utrudniają uczenie; optymalizacja testu nie dowodzi poprawności poza jego zakresem ani wierności śladu.",
   "limits_en": "Rewards cover only checkable properties and can have loopholes. Rare successes impede learning; optimising tests proves neither correctness beyond their scope nor trace faithfulness.",
   "terms": [
    {
     "gloss": "Sygnał obliczany przez sprawdzalny warunek zamiast samej opinii modelu.",
     "term": "nagroda weryfikowalna"
    },
    {
     "gloss": "Uzyskiwanie wysokiej nagrody przez wykorzystanie luk celu zamiast realizacji zadania.",
     "term": "reward hacking"
    }
   ],
   "terms_en": [
    {
     "gloss": "A signal calculated from a checkable condition rather than model opinion alone.",
     "term": "verifiable reward"
    },
    {
     "gloss": "Obtaining high rewards through objective loopholes instead of fulfilling the task.",
     "term": "reward hacking"
    }
   ],
   "prereq": [
    "policygradient",
    "codeevals"
   ],
   "keywords": [
    "GRPO",
    "rule-based rewards",
    "mathematical verification",
    "code execution rewards",
    "format rewards",
    "reward hacking"
   ],
   "source_ids": [
    "deepseek-r1-2025",
    "tulu3-2024"
   ],
   "url": "https://aiatlasgraph.com/t/rlvr",
   "markdown_url": "https://aiatlasgraph.com/t/rlvr.md",
   "updated": "2026-10-30"
  },
  "rnn": {
   "id": "rnn",
   "parent_id": "cnn",
   "label": "Sieci rekurencyjne (RNN)",
   "canonical_name": "Recurrent neural networks (RNN)",
   "aliases": [
    "RNN",
    "recurrent neural network",
    "sieć rekurencyjna",
    "BPTT",
    "seq2seq"
   ],
   "description": "Sieci przetwarzające sekwencję krok po kroku i przenoszące stan ukryty z poprzedniego kroku. Klasyczne RNN mogą mieć trudność z uczeniem długich zależności z powodu zanikających lub eksplodujących gradientów; LSTM i GRU łagodzą ten problem, a transformery zastąpiły RNN w wielu zadaniach tekstowych.",
   "description_en": "Networks that process a sequence step by step while carrying a hidden state from the previous step. Classical RNNs can struggle to learn long dependencies because gradients vanish or explode; LSTMs and GRUs mitigate the problem, and transformers have replaced RNNs in many text tasks.",
   "examples": "stan ukryty · propagacja wsteczna w czasie (BPTT) · zanikający gradient · enkoder–dekoder RNN",
   "examples_en": "hidden state · backpropagation through time (BPTT) · vanishing gradients · RNN encoder–decoder",
   "plain": "To sieć, która przetwarza kolejne elementy danych, przenosząc między nimi skrót wcześniejszych informacji.",
   "plain_en": "This network processes data in sequence, carrying a summary of earlier information between steps.",
   "solves": "Obecny dźwięk lub pomiar może mieć znaczenie dopiero w połączeniu z tym, co wystąpiło wcześniej.",
   "solves_en": "A current sound or measurement may make sense only alongside what came before it.",
   "does": "Każdy krok aktualizuje wewnętrzny stan na podstawie nowego elementu i poprzedniego stanu, podobnie do bieżącej notatki.",
   "does_en": "Each step updates an internal state using the new element and previous state, like a running note.",
   "example": "Model analizuje kolejne pomiary zużycia prądu, uwzględniając wcześniejszy przebieg dnia.",
   "example_en": "A model analyses successive electricity readings while accounting for the earlier course of the day.",
   "for_you": [
    "pracujesz z danymi napływającymi po kolei",
    "chcesz przechowywać skrót wcześniejszych obserwacji"
   ],
   "for_you_en": [
    "work with data arriving in sequence",
    "want to retain a summary of earlier observations"
   ],
   "how": "Stan w każdym kroku powstaje z bieżącego wejścia i poprzedniego stanu przy współdzielonych wagach. Rozwinięcie rekurencji w czasie pozwala obliczyć stratę sekwencji i propagować gradient przez kolejne aktualizacje pamięci.",
   "how_en": "Each step's state combines current input with previous state using shared weights. Unrolling recurrence through time enables sequence-loss calculation and gradient propagation across successive memory updates.",
   "limits": "Przetwarzanie zależy od kolejności kroków, ograniczając równoległość. Długie ścieżki gradientu mogą zanikać lub eksplodować; stan o skończonym rozmiarze nie zachowuje całej historii.",
   "limits_en": "Processing depends on step order, limiting parallelism. Long gradient paths can vanish or explode; finite-sized state cannot preserve the entire history.",
   "terms": [
    {
     "gloss": "Aktualizacja korzystająca z wyniku poprzedniego kroku tego samego mechanizmu.",
     "term": "rekurencja"
    },
    {
     "gloss": "Liczenie gradientów po grafie rozwiniętym na kolejne kroki sekwencji.",
     "term": "propagacja wsteczna w czasie"
    }
   ],
   "terms_en": [
    {
     "gloss": "An update using the previous step's result from the same mechanism.",
     "term": "recurrence"
    },
    {
     "gloss": "Calculating gradients through a graph unrolled across sequence steps.",
     "term": "backpropagation through time"
    }
   ],
   "prereq": [
    "linearalgebra",
    "backprop"
   ],
   "keywords": [
    "hidden state",
    "BPTT",
    "vanishing gradients",
    "exploding gradients",
    "recurrent encoder-decoder"
   ],
   "source_ids": [
    "d2l-toc",
    "colah-lstm-2015",
    "cho-gru-2014"
   ],
   "url": "https://aiatlasgraph.com/t/rnn",
   "markdown_url": "https://aiatlasgraph.com/t/rnn.md",
   "updated": "2026-10-30"
  },
  "robotcontrol": {
   "id": "robotcontrol",
   "parent_id": "robotics",
   "label": "Kinematyka i sterowanie robotem",
   "canonical_name": "Robot kinematics and control",
   "aliases": [
    "robot control",
    "robot kinematics",
    "sterowanie robotem",
    "kinematyka robota"
   ],
   "description": "Klasyczny rdzeń robotyki: opis geometrii ruchu, planowanie bezkolizyjnych trajektorii i sterowanie napędami w pętli zamkniętej.",
   "description_en": "The classical core of robotics: describing motion geometry, planning collision-free trajectories and closed-loop actuator control.",
   "plain": "Matematyka i programy, które zamieniają pożądany ruch robota na konkretne polecenia dla jego silników.",
   "plain_en": "The maths and software that turn a robot's desired movement into concrete commands for its motors.",
   "solves": "Chcesz, żeby chwytak trafił w konkretne miejsce, ale silniki rozumieją tylko kąty i siły, a ramię się chwieje.",
   "solves_en": "You want the gripper at a specific spot, but motors only understand angles and forces, and the arm wobbles.",
   "does": "Działa jak tłumacz między celem a mięśniami: przelicza miejsce na ustawienia stawów i stale poprawia ruch według pomiarów.",
   "does_en": "Like an interpreter between goal and muscles, it converts a target into joint settings and keeps correcting motion from measurements.",
   "example": "Ramię w fabryce przenosi detal z taśmy do pudełka po gładkim torze, omijając słupek i nie rysując obudowy.",
   "example_en": "A factory arm moves a part from the belt into a box along a smooth path, avoiding a post without scratching the casing.",
   "for_you": [
    "programujesz ruchy ramienia lub robota mobilnego",
    "chcesz rozumieć, czemu robot drga albo nie trafia",
    "łączysz model uczony z prawdziwym sprzętem"
   ],
   "for_you_en": [
    "program movements of an arm or mobile robot",
    "want to understand why a robot jitters or misses",
    "connect a learned model to real hardware"
   ],
   "how": "Kinematyka wiąże kąty stawów z pozycją końcówki, dynamika – momenty z przyspieszeniami. Planer wyznacza trajektorię w przestrzeni konfiguracji, a regulator (np. PID, MPC, sterowanie impedancyjne) śledzi ją, korygując błąd na podstawie enkoderów i czujników siły.",
   "how_en": "Kinematics links joint angles to end-effector pose; dynamics links torques to accelerations. A planner computes a trajectory in configuration space, and a controller (e.g. PID, MPC, impedance control) tracks it, correcting error from encoders and force sensors.",
   "limits": "Modele wymagają dokładnych parametrów robota; tarcie, luzy i kontakt z otoczeniem psują przewidywania. Planowanie w wielu wymiarach jest kosztowne, a sztywne sterowanie bywa niebezpieczne przy ludziach.",
   "limits_en": "Models need accurate robot parameters; friction, backlash and contact spoil predictions. Planning in many dimensions is costly, and stiff control can be unsafe around people.",
   "terms": [
    {
     "gloss": "Zbiór wszystkich możliwych ustawień stawów robota.",
     "term": "przestrzeń konfiguracji"
    },
    {
     "gloss": "Narzędzie na końcu ramienia, np. chwytak lub przyssawka.",
     "term": "efektor końcowy"
    },
    {
     "gloss": "Sterowanie, które stale porównuje pomiar z celem i poprawia polecenia.",
     "term": "pętla zamknięta"
    }
   ],
   "terms_en": [
    {
     "gloss": "The set of all possible joint settings of a robot.",
     "term": "configuration space"
    },
    {
     "gloss": "The tool at the arm's tip, such as a gripper or suction cup.",
     "term": "end effector"
    },
    {
     "gloss": "Control that keeps comparing measurement with target and adjusting commands.",
     "term": "closed loop"
    }
   ],
   "prereq": [
    "linearalgebra",
    "calculus"
   ],
   "keywords": [
    "forward kinematics",
    "inverse kinematics",
    "Jacobian",
    "trajectory optimization",
    "PID control",
    "model predictive control",
    "impedance control",
    "ROS 2",
    "MoveIt",
    "Pinocchio"
   ],
   "source_ids": [
    "modern-robotics-2017",
    "robotics"
   ],
   "url": "https://aiatlasgraph.com/t/robotcontrol",
   "markdown_url": "https://aiatlasgraph.com/t/robotcontrol.md",
   "updated": "2026-10-30"
  },
  "robotdata": {
   "id": "robotdata",
   "parent_id": "robotics",
   "label": "Dane i symulacja dla robotów",
   "canonical_name": "Robot data and simulation",
   "aliases": [
    "robot data",
    "robot learning data",
    "robot simulation",
    "dane robotyczne",
    "symulatory robotów"
   ],
   "description": "Źródła danych do uczenia robotów – teleoperacja, symulacja fizyki i nagrania ludzi – oraz metody przenoszenia wiedzy między nimi.",
   "description_en": "Data sources for robot learning—teleoperation, physics simulation and human recordings—and methods for transferring between them.",
   "plain": "Skąd roboty biorą przykłady do nauki: z pokazów ludzi, nagrań wideo i wirtualnych światów.",
   "plain_en": "Where robots get learning examples: human demonstrations, video recordings and virtual worlds.",
   "solves": "W internecie są miliardy tekstów i zdjęć, ale prawie nie ma zapisów ruchów robotów, a każda prawdziwa próba kosztuje czas i sprzęt.",
   "solves_en": "The internet holds billions of texts and photos but almost no records of robot movement, and every real trial costs time and hardware.",
   "does": "Łączy trzy źródła jak kucharz uczący się z praktyki, filmów kulinarnych i symulatora kuchni, żeby uzbierać dość doświadczenia.",
   "does_en": "It mixes three sources, like a cook learning from practice, cooking videos and a kitchen simulator, to gather enough experience.",
   "example": "Zespół nagrywa godzinę sterowania ramieniem, dokłada tysiące wirtualnych prób i filmy ludzi składających ubrania, by nauczyć robota składania koszulek.",
   "example_en": "A team records an hour of steering an arm, adds thousands of virtual trials and videos of people folding clothes to teach a robot to fold shirts.",
   "for_you": [
    "planujesz, skąd wziąć dane do nauki robota",
    "zastanawiasz się, czy wystarczy sama symulacja",
    "chcesz wykorzystać filmy z ludźmi do nauki maszyn"
   ],
   "for_you_en": [
    "plan where to get robot training data",
    "wonder whether simulation alone is enough",
    "want to use videos of people to teach machines"
   ],
   "how": "Teleoperacja daje pary obserwacja–akcja, ale jest kosztowna. Symulatory fizyki generują próby na dużą skalę, lecz transfer wymaga ograniczania różnic między symulacją i sprzętem. Wideo ludzi nie zawiera akcji robota, ale może służyć do pretreningu reprezentacji wizualnych.",
   "how_en": "Teleoperation provides observation–action pairs but is costly. Physics simulators generate trials at scale, yet transfer requires reducing mismatch between simulation and hardware. Human video lacks robot actions but can pretrain visual representations.",
   "limits": "Każde źródło ma lukę: teleoperacja słabo się skaluje, symulacja niedokładnie oddaje kontakt i wygląd, a wideo nie zawiera akcji robota. Wspólne formaty pomagają, lecz znaczenie akcji, kalibracje i częstotliwości sterowania nadal różnią się między platformami.",
   "limits_en": "Each source has a gap: teleoperation scales poorly, simulation approximates contact and appearance, and video lacks robot actions. Shared formats help, but action semantics, calibration and control rates still differ across platforms.",
   "terms": [
    {
     "gloss": "Zapis tego, co robot widział, i ruchu, który wtedy wykonał.",
     "term": "para obserwacja–akcja"
    },
    {
     "gloss": "Program liczący ruch, kontakty i siły w wirtualnym świecie.",
     "term": "symulator fizyki"
    },
    {
     "gloss": "Różnica między zachowaniem w symulacji a w prawdziwym świecie.",
     "term": "luka rzeczywistości"
    }
   ],
   "terms_en": [
    {
     "gloss": "A record of what the robot saw and the move it made then.",
     "term": "observation–action pair"
    },
    {
     "gloss": "Software computing motion, contacts and forces in a virtual world.",
     "term": "physics simulator"
    },
    {
     "gloss": "The difference between behaviour in simulation and in the real world.",
     "term": "reality gap"
    }
   ],
   "prereq": [
    "rlenvs",
    "dataversioning"
   ],
   "keywords": [
    "teleoperation",
    "MuJoCo",
    "Isaac Sim",
    "Isaac Lab",
    "domain randomization",
    "LeRobotDataset",
    "Open X-Embodiment",
    "DROID",
    "Ego4D"
   ],
   "source_ids": [
    "r3m-2022",
    "lerobot-docs",
    "domain-randomization-2017",
    "open-x-embodiment-2023"
   ],
   "url": "https://aiatlasgraph.com/t/robotdata",
   "markdown_url": "https://aiatlasgraph.com/t/robotdata.md",
   "updated": "2026-10-30"
  },
  "robotevals": {
   "id": "robotevals",
   "parent_id": "robotdata",
   "label": "Testowanie polityk robota w symulacji i benchmarkach",
   "canonical_name": "Robot policy evaluation and benchmarks",
   "aliases": [
    "robot policy evaluation",
    "robot learning benchmarks",
    "simulated evaluation",
    "ewaluacja polityk robotów",
    "benchmarki robotyczne"
   ],
   "description": "Ocena polityk manipulacji i nawigacji: benchmarki zadań w symulacji, symulacje odwzorowujące rzeczywiste stanowiska i protokoły testów na sprzęcie.",
   "description_en": "Evaluating manipulation and navigation policies: simulated task benchmarks, simulations mirroring real setups, and hardware test protocols.",
   "plain": "Sposoby sprawdzania, jak dobrze działa wytrenowany robot, bez wielogodzinnych testów na prawdziwym sprzęcie po każdej zmianie.",
   "plain_en": "Ways of checking how well a trained robot works without hours of real-hardware tests after every change.",
   "solves": "Każdy test na prawdziwym robocie wymaga ręcznego ustawiania sceny, a wyniki z różnych laboratoriów trudno porównać, bo każde ma inne warunki.",
   "solves_en": "Every real-robot test needs the scene reset by hand, and results from different labs are hard to compare because conditions differ.",
   "does": "Jak tor próbny dla samochodów: ustalone zadania, sceny i liczenie sukcesów, które można powtórzyć tyle razy, ile trzeba.",
   "does_en": "Like a test track for cars: fixed tasks, scenes and success counting that can be repeated as often as needed.",
   "example": "Przed wdrożeniem nowej wersji modelu zespół puszcza tysiąc prób w wirtualnej kuchni i sprawdza, czy robot nie zaczął gorzej podnosić puszek.",
   "example_en": "Before rolling out a new model version, a team runs a thousand trials in a virtual kitchen to check the robot has not got worse at lifting cans.",
   "for_you": [
    "porównujesz kilka modeli sterowania robotem",
    "nie masz dostępu do wielu prawdziwych robotów",
    "chcesz wiarygodnie mierzyć postęp trenowania"
   ],
   "for_you_en": [
    "compare several robot control models",
    "lack access to many real robots",
    "want to measure training progress reliably"
   ],
   "how": "Benchmarki definiują zestawy zadań, warianty scen i miarę skuteczności, np. odsetek udanych prób. Symulacje dopasowane do typowych prawdziwych stanowisk zmniejszają różnice sterowania i wyglądu, tak by ranking modeli w symulacji zgadzał się z rankingiem w rzeczywistości. Testy na sprzęcie wymagają stałych scen, ślepych porównań i wielu powtórzeń.",
   "how_en": "Benchmarks define task suites, scene variations and a success metric, e.g. the share of successful trials. Simulations matched to common real setups reduce control and visual gaps so that model rankings in simulation agree with real-world rankings. Hardware tests need fixed scenes, blind comparisons and many repetitions.",
   "limits": "Dobry wynik w symulacji nie gwarantuje sukcesu na sprzęcie, zwłaszcza przy kontakcie i miękkich przedmiotach. Popularne benchmarki się nasycają i przestają rozróżniać modele. Testy rzeczywiste są kosztowne i mało powtarzalne między laboratoriami.",
   "limits_en": "A good simulation score does not guarantee hardware success, especially with contact and soft objects. Popular benchmarks saturate and stop separating models. Real tests are costly and poorly reproducible across labs.",
   "terms": [
    {
     "gloss": "Jaki procent prób robot wykonał poprawnie.",
     "term": "odsetek sukcesów"
    },
    {
     "gloss": "Na ile wyniki w symulacji przewidują wyniki na sprzęcie.",
     "term": "korelacja sim–real"
    },
    {
     "gloss": "Stan, w którym wszystkie modele mają prawie maksymalny wynik.",
     "term": "nasycenie benchmarku"
    }
   ],
   "terms_en": [
    {
     "gloss": "The percentage of trials the robot completed correctly.",
     "term": "success rate"
    },
    {
     "gloss": "How well simulation scores predict hardware scores.",
     "term": "sim-real correlation"
    },
    {
     "gloss": "When all models score near the maximum.",
     "term": "benchmark saturation"
    }
   ],
   "prereq": [
    "rlenvs"
   ],
   "keywords": [
    "SIMPLER",
    "robot policy evaluation",
    "sim-real correlation",
    "success rate",
    "real-world evaluation protocol",
    "simulation benchmark"
   ],
   "source_ids": [
    "simpler-2024"
   ],
   "url": "https://aiatlasgraph.com/t/robotevals",
   "markdown_url": "https://aiatlasgraph.com/t/robotevals.md",
   "updated": "2026-10-30"
  },
  "robotfoundation": {
   "id": "robotfoundation",
   "parent_id": "robotics",
   "label": "Modele bazowe dla robotów",
   "canonical_name": "Robot foundation models",
   "aliases": [
    "robot foundation models",
    "generalist robot policies",
    "embodied foundation models",
    "modele bazowe w robotyce",
    "ogólne polityki robotów"
   ],
   "description": "Pretrenowane modele (VLA, LLM, VLM) używane w robotyce do percepcji, planowania zadań i generowania akcji na wielu platformach.",
   "description_en": "Pretrained models (VLA, LLM, VLM) used in robotics for perception, task planning and action generation across many platforms.",
   "plain": "Duże modele uczone na danych z wielu robotów i z internetu, które mają pomagać robotom w wielu różnych zadaniach.",
   "plain_en": "Large models trained on data from many robots and the internet, meant to help robots with many different tasks.",
   "solves": "Dotąd każde zadanie i każdy robot wymagały osobnego, żmudnie trenowanego programu, który psuł się przy małej zmianie otoczenia.",
   "solves_en": "Until recently every task and robot needed its own laboriously trained program that broke when the surroundings changed slightly.",
   "does": "Łączy wiedzę z wielu zbiorów i zadań, a następnie dostosowuje model do nowej platformy lub zastosowania.",
   "does_en": "It combines knowledge from multiple datasets and tasks, then adapts the model to a new platform or application.",
   "example": "Model wstępnie uczony na danych z wielu ramion robotycznych zostaje dostrojony do nowego ramienia i wykonuje polecenia typu „posprzątaj stół”.",
   "example_en": "A model pretrained on data from multiple robot arms is fine-tuned to a new arm and follows instructions such as “clear the table”.",
   "for_you": [
    "śledzisz, dokąd zmierza robotyka ogólnego przeznaczenia",
    "chcesz douczyć gotowy model na swoim robocie",
    "porównujesz roboty sterowane poleceniami słownymi"
   ],
   "for_you_en": [
    "follow where general-purpose robotics is heading",
    "want to fine-tune a ready model on your robot",
    "compare robots controlled by spoken instructions"
   ],
   "how": "Modele wizja–język wspierają rozpoznawanie scen, modele językowe dzielą polecenia na kroki lub generują kod sterujący, a polityki VLA trenowane na danych z wielu robotów bezpośrednio przewidują akcje.",
   "how_en": "Vision-language models support scene understanding, language models split instructions into steps or generate control code, and VLA policies trained on data from multiple robots directly predict actions.",
   "limits": "Danych robotycznych jest znacznie mniej niż tekstu i obrazów z internetu. Brakuje gwarancji bezpieczeństwa i oceny niepewności, a duże modele z trudem spełniają wymagania działania w czasie rzeczywistym.",
   "limits_en": "Robot data is far scarcer than internet text and images. Safety guarantees and uncertainty estimates are lacking, and large models struggle with real-time requirements.",
   "terms": [
    {
     "gloss": "Jeden model sterujący wieloma zadaniami zamiast osobnego dla każdego.",
     "term": "polityka generalistyczna"
    },
    {
     "gloss": "Powiązanie słów z tym, co robot widzi i może fizycznie zrobić.",
     "term": "ugruntowanie (grounding)"
    },
    {
     "gloss": "Wolny model planujący nad szybkim modelem wykonującym ruchy.",
     "term": "system dwupoziomowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "One model controlling many tasks instead of one per task.",
     "term": "generalist policy"
    },
    {
     "gloss": "Linking words to what the robot sees and can physically do.",
     "term": "grounding"
    },
    {
     "gloss": "A slow planning model above a fast movement model.",
     "term": "dual-system architecture"
    }
   ],
   "prereq": [
    "vlm",
    "imitation"
   ],
   "keywords": [
    "RT-2",
    "Octo",
    "OpenVLA",
    "pi0",
    "Gemini Robotics",
    "GR00T",
    "Open X-Embodiment",
    "SayCan",
    "Code as Policies",
    "LeRobot"
   ],
   "source_ids": [
    "foundation-models-robotics-2023",
    "octo-2024",
    "vla-survey-2025",
    "open-x-embodiment-2023"
   ],
   "url": "https://aiatlasgraph.com/t/robotfoundation",
   "markdown_url": "https://aiatlasgraph.com/t/robotfoundation.md",
   "updated": "2026-10-30"
  },
  "robotics": {
   "id": "robotics",
   "parent_id": null,
   "label": "Robotyka i embodied AI",
   "canonical_name": "Robotics and embodied AI",
   "aliases": [
    "robotics",
    "embodied AI",
    "robot learning",
    "robotyka",
    "AI ucieleśnione",
    "uczenie robotów"
   ],
   "description": "Dziedzina łącząca percepcję, planowanie, sterowanie i uczenie maszyn działających w świecie fizycznym: ramion, robotów mobilnych i humanoidów.",
   "description_en": "The field combining perception, planning, control and learning for machines acting in the physical world: arms, mobile robots and humanoids.",
   "examples": "Manipulacja · nawigacja · sim-to-real",
   "examples_en": "Manipulation · navigation · sim-to-real",
   "plain": "To łączenie rozpoznawania otoczenia z ruchem i wykonywaniem zadań przez maszyny w świecie fizycznym.",
   "plain_en": "This connects perception with movement and task execution by machines in the physical world.",
   "solves": "Rzeczywiste przedmioty zmieniają położenie, pomiary są niedokładne, a wykonany ruch musi uwzględniać otoczenie i ograniczenia sprzętu.",
   "solves_en": "Real objects change position, measurements are imperfect and movements must account for surroundings and hardware limits.",
   "does": "Łączy obrazy i czujniki z wyborem oraz sterowaniem ruchów, ucząc zadania z pokazów, prób lub symulacji.",
   "does_en": "It connects images and sensors with action selection and movement control, learning tasks from demonstrations, trials or simulations.",
   "example": "Robot widzi kubek na stole, dobiera chwyt i dostosowuje ruch ramienia do jego położenia oraz odczytów czujników.",
   "example_en": "A robot sees a cup on a table, chooses a grip and adjusts its arm movement to the cup's position and sensor readings.",
   "for_you": [
    "chcesz, żeby maszyna działała w rzeczywistym otoczeniu",
    "łączysz rozpoznawanie sytuacji z wykonywaniem ruchów"
   ],
   "for_you_en": [
    "want a machine to act in real surroundings",
    "connect situation recognition with physical movements"
   ],
   "how": "Percepcja estymuje stan z sensorów, a planowanie wyznacza cel i sekwencję ruchów. Sterownik przelicza je na sygnały wykonawcze, wykorzystując feedback do korekty dynamiki oraz błędów obserwacji.",
   "how_en": "Perception estimates state from sensors, while planning defines objectives and movement sequences. A controller converts them into actuator signals, using feedback to correct dynamics and observation errors.",
   "limits": "Opóźnienia, kontakt i ograniczenia napędów wpływają na stabilność. Błędy percepcji mogą wywoływać błędy ruchu; modele uczone potrzebują kontroli wykonalności i testów sprzętowych.",
   "limits_en": "Latency, contact and actuator limits affect stability. Perception errors can cause movement errors; learned models need feasibility checks and hardware testing.",
   "terms": [
    {
     "gloss": "Korygowanie sterowania na podstawie pomiaru skutków poprzednich działań.",
     "term": "pętla sprzężenia zwrotnego"
    },
    {
     "gloss": "Zależność ruchu od sił, sterowania i stanu układu.",
     "term": "dynamika"
    },
    {
     "gloss": "Liczba niezależnych ruchów, które robot lub jego część może wykonać.",
     "term": "stopnie swobody (DoF)"
    }
   ],
   "terms_en": [
    {
     "gloss": "Correcting control based on measured effects of previous actions.",
     "term": "feedback loop"
    },
    {
     "gloss": "How motion depends on forces, control and system state.",
     "term": "dynamics"
    },
    {
     "gloss": "The number of independent motions a robot or its part can make.",
     "term": "degrees of freedom (DoF)"
    }
   ],
   "prereq": [
    "linearalgebra",
    "mdp"
   ],
   "keywords": [
    "robot manipulation",
    "inverse kinematics",
    "motion planning",
    "model predictive control",
    "humanoid robots",
    "legged locomotion",
    "vision-language-action models",
    "robot foundation models",
    "imitation learning",
    "sim-to-real",
    "teleoperation",
    "ROS 2",
    "MuJoCo",
    "Isaac Lab",
    "LeRobot"
   ],
   "source_ids": [
    "rl",
    "robotics",
    "foundation-models-robotics-2023",
    "modern-robotics-2017",
    "tedrake-manipulation",
    "humanoid-hlm-survey-2026"
   ],
   "url": "https://aiatlasgraph.com/t/robotics",
   "markdown_url": "https://aiatlasgraph.com/t/robotics.md",
   "updated": "2026-10-30"
  },
  "robotnav": {
   "id": "robotnav",
   "parent_id": "robotics",
   "label": "Nawigacja robotów mobilnych",
   "canonical_name": "Mobile robot navigation",
   "aliases": [
    "robot navigation",
    "mobile robots",
    "embodied navigation",
    "nawigacja robota",
    "roboty mobilne"
   ],
   "description": "Lokalizacja, mapowanie i planowanie ścieżki robotów mobilnych, od klasycznego stosu nawigacyjnego po nawigację uczoną i sterowaną językiem.",
   "description_en": "Localisation, mapping and path planning for mobile robots, from the classical navigation stack to learned and language-guided navigation.",
   "plain": "Jak robot na kołach lub nogach ustala, gdzie jest, i znajduje drogę do celu w budynku czy na zewnątrz.",
   "plain_en": "How a robot on wheels or legs works out where it is and finds its way to a goal indoors or outdoors.",
   "solves": "Wnętrza się zmieniają, ludzie chodzą, a mapy bywają nieaktualne, więc robot nie może jeździć po sztywno wyznaczonej trasie.",
   "solves_en": "Interiors change, people walk around and maps go stale, so a robot can't just follow a fixed, pre-drawn route.",
   "does": "Łączy mapę, rozpoznawanie otoczenia i planowanie trasy jak kurier, który zna dzielnicę, ale omija każdy nowy remont.",
   "does_en": "It combines a map, scene recognition and route planning, like a courier who knows the area but detours around new roadworks.",
   "example": "Robot dostarczający leki w szpitalu sam jedzie windą, omija łóżka na korytarzu i trafia do właściwej sali.",
   "example_en": "A hospital delivery robot rides the lift, steers around beds in the corridor and reaches the right ward on its own.",
   "for_you": [
    "wdrażasz roboty dostarczające lub sprzątające",
    "chcesz, by robot znajdował rzeczy po opisie",
    "interesuje cię, jak maszyny poruszają się wśród ludzi"
   ],
   "for_you_en": [
    "deploy delivery or cleaning robots",
    "want a robot to find things from a description",
    "wonder how machines move among people"
   ],
   "how": "Klasyczny stos łączy lokalizację lub SLAM, mapę kosztu, planer wyznaczający globalną ścieżkę i kontroler śledzący trasę oraz reagujący na lokalne przeszkody. Osobną rodzinę stanowią metody łączące obrazy z instrukcjami językowymi, rozwijane m.in. na trasach w skanach prawdziwych budynków.",
   "how_en": "A classical stack combines localisation or SLAM, a costmap, a planner computing a global path, and a controller following the route while reacting to local obstacles. A separate family combines visual input with language instructions and is developed, among other settings, on routes through scans of real buildings.",
   "limits": "Tłumy, szkło, schody i zmiany oświetlenia mylą czujniki. Polityki uczone w symulacji tracą skuteczność w prawdziwych budynkach. Bezpieczeństwo przy ludziach wymaga zachowawczych limitów prędkości.",
   "limits_en": "Crowds, glass, stairs and lighting changes confuse sensors. Simulation-trained policies lose effectiveness in real buildings. Safety around people requires conservative speed limits.",
   "terms": [
    {
     "gloss": "Pierwszy wyznacza trasę na mapie, drugi omija przeszkody na bieżąco.",
     "term": "planer globalny i lokalny"
    },
    {
     "gloss": "Szacowanie przebytej drogi z obrotów kół lub ruchu obrazu.",
     "term": "odometria"
    },
    {
     "gloss": "Zadanie typu: znajdź krzesło w nieznanym domu.",
     "term": "nawigacja do obiektu"
    }
   ],
   "terms_en": [
    {
     "gloss": "The first plans a route on the map, the second dodges obstacles live.",
     "term": "global and local planner"
    },
    {
     "gloss": "Estimating distance travelled from wheel turns or image motion.",
     "term": "odometry"
    },
    {
     "gloss": "A task such as: find a chair in an unfamiliar home.",
     "term": "object-goal navigation"
    }
   ],
   "prereq": [
    "slam",
    "astar"
   ],
   "keywords": [
    "Nav2",
    "ROS 2",
    "SLAM",
    "localization",
    "costmap",
    "global planner",
    "local controller",
    "vision-and-language navigation"
   ],
   "source_ids": [
    "r2r-vln-2017",
    "nav2-navigation-concepts-2026"
   ],
   "url": "https://aiatlasgraph.com/t/robotnav",
   "markdown_url": "https://aiatlasgraph.com/t/robotnav.md",
   "updated": "2026-10-30"
  },
  "robotperception": {
   "id": "robotperception",
   "parent_id": "robotics",
   "label": "Percepcja robota do działania",
   "canonical_name": "Robot perception for action",
   "aliases": [
    "robot perception",
    "embodied perception",
    "perception for manipulation",
    "percepcja robotów",
    "percepcja do manipulacji"
   ],
   "description": "Percepcja zorientowana na działanie: estymacja pozy 6D, afordancji i stanu kontaktu z obrazu, głębi, chmur punktów i czujników dotykowych.",
   "description_en": "Action-oriented perception: estimating 6D pose, affordances and contact state from images, depth, point clouds and tactile sensors.",
   "plain": "Robot musi nie tylko zobaczyć przedmiot, ale też wiedzieć, gdzie dokładnie leży, jak go chwycić i jak mocno go dotyka.",
   "plain_en": "A robot must not only see an object but know exactly where it is, how to hold it and how hard it is touching it.",
   "solves": "Rozpoznanie „to jest kubek” nie wystarcza ręce robota, która musi trafić w ucho kubka z dokładnością do milimetrów.",
   "solves_en": "Knowing “this is a mug” is not enough for a robot hand that must hit the mug's handle within millimetres.",
   "does": "Zamienia obraz z kamer i sygnały z czujników nacisku na liczby, z których planer ruchu może od razu skorzystać.",
   "does_en": "It turns camera images and pressure-sensor signals into numbers a motion planner can use straight away.",
   "example": "Ramię w magazynie wyjmuje z pojemnika pomieszane paczki, za każdym razem ustawiając chwytak pod innym kątem.",
   "example_en": "A warehouse arm pulls jumbled parcels out of a bin, angling its gripper differently for each one.",
   "for_you": [
    "budujesz robota, który ma podnosić różne przedmioty",
    "zastanawiasz się, czemu roboty wciąż upuszczają rzeczy",
    "łączysz widzenie komputerowe z ruchem maszyny"
   ],
   "for_you_en": [
    "are building a robot that must pick up varied objects",
    "wonder why robots still drop things",
    "connect computer vision with machine movement"
   ],
   "how": "Wejściem są obrazy RGB-D, chmury punktów i odczyty dotykowe. Modele szacują pozę obiektu w układzie robota, miejsca nadające się do chwytu lub użycia oraz siły i poślizg w kontakcie. Wyniki trafiają do planera chwytu i ruchu albo bezpośrednio do uczonej polityki jako jej obserwacje.",
   "how_en": "Inputs are RGB-D images, point clouds and tactile readings. Models estimate object pose in the robot frame, regions suitable for grasping or use, and contact forces and slip. Outputs feed grasp and motion planners or serve directly as observations for a learned policy.",
   "limits": "Odblaski, przezroczyste i błyszczące przedmioty oraz zasłonięcie przez samą rękę psują odczyty. Błąd kalibracji kamery względem ramienia przenosi się wprost na chybiony chwyt. Czujniki dotyku wciąż są drogie i mało trwałe.",
   "limits_en": "Reflections, transparent or shiny objects and occlusion by the hand itself corrupt readings. Camera-to-arm calibration error turns directly into missed grasps. Tactile sensors remain costly and not very durable.",
   "terms": [
    {
     "gloss": "Położenie (3 liczby) i obrót (3 liczby) przedmiotu w przestrzeni.",
     "term": "poza 6D"
    },
    {
     "gloss": "Co da się z przedmiotem zrobić i którą jego częścią.",
     "term": "afordancja"
    },
    {
     "gloss": "Wyznaczenie, gdzie kamera jest względem chwytaka robota.",
     "term": "kalibracja ręka–oko"
    }
   ],
   "terms_en": [
    {
     "gloss": "An object's position (3 numbers) and rotation (3 numbers) in space.",
     "term": "6D pose"
    },
    {
     "gloss": "What can be done with an object, and with which part.",
     "term": "affordance"
    },
    {
     "gloss": "Finding where the camera sits relative to the robot gripper.",
     "term": "hand-eye calibration"
    }
   ],
   "prereq": [
    "objectdetection",
    "pointclouds"
   ],
   "keywords": [
    "6D object pose estimation",
    "FoundationPose",
    "BOP benchmark",
    "affordance learning",
    "visuotactile sensing",
    "GelSight",
    "DIGIT",
    "RGB-D",
    "point cloud segmentation",
    "hand-eye calibration"
   ],
   "source_ids": [
    "foundationpose-2023",
    "visuotactile-review-2024",
    "embodied-objectcentric-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/robotperception",
   "markdown_url": "https://aiatlasgraph.com/t/robotperception.md",
   "updated": "2026-10-30"
  },
  "robustness": {
   "id": "robustness",
   "parent_id": "evaluation",
   "label": "Odporność i niepewność",
   "canonical_name": "Robustness and calibration",
   "description": "Zachowanie na nietypowych danych i wiarygodność pewności.",
   "description_en": "Behaviour on unusual data, and how trustworthy the confidence is.",
   "examples": "Distribution shift · kalibracja · wykrywanie OOD · halucynacje · abstencja",
   "examples_en": "Distribution shift · calibration · OOD detection · hallucinations · abstention",
   "plain": "To sprawdzanie modelu na nietypowych danych i ocenianie, czy jego pewności można ufać.",
   "plain_en": "This tests a model on unusual data and assesses whether its confidence is reliable.",
   "solves": "Nowy rodzaj pytania lub danych może wywołać pewną odpowiedź, choć model nie radzi sobie z taką sytuacją.",
   "solves_en": "A new kind of question or data can produce a confident answer even when the model cannot handle the situation.",
   "does": "Porównuje deklarowaną pewność z trafnością, szuka nieznanych przypadków i sprawdza zgodność twierdzeń z dostępnymi dowodami.",
   "does_en": "It compares confidence with accuracy, looks for unfamiliar cases and checks claims against available evidence.",
   "example": "Asystent dostaje pytanie o nową zasadę sklepu; sprawdzasz źródło i kierujesz niepewną sprawę do człowieka.",
   "example_en": "An assistant receives a question about a new shop policy; you check the source and refer the uncertain case to a person.",
   "for_you": [
    "twoje dane lub pytania zmieniają się w czasie",
    "chcesz rozpoznawać, kiedy odpowiedź wymaga dodatkowej kontroli"
   ],
   "for_you_en": [
    "have data or questions that change over time",
    "want to recognise answers needing additional checking"
   ],
   "how": "Kontrolowane perturbacje, zmiany rozkładu i nowe przypadki sprawdzają stabilność zachowania. Wyniki zestawia się z pewnością predykcji oraz polityką wstrzymania odpowiedzi, badając kompromis między pokryciem a ryzykiem błędu.",
   "how_en": "Controlled perturbations, distribution shifts and novel cases test behavioural stability. Outcomes are compared with prediction confidence and abstention policies, examining trade-offs between coverage and error risk.",
   "limits": "Odporność na wybrane zakłócenia nie obejmuje wszystkich zmian. Pewność może być myląca poza rozkładem, a wstrzymywanie odpowiedzi zmniejsza dostępność systemu.",
   "limits_en": "Robustness to selected disturbances does not cover every shift. Confidence can mislead outside the distribution, while abstention reduces system availability.",
   "terms": [
    {
     "gloss": "Kontrolowana zmiana wejścia służąca do badania stabilności predykcji.",
     "term": "perturbacja"
    },
    {
     "gloss": "Rezygnacja z odpowiedzi, gdy kryterium pewności lub bezpieczeństwa nie jest spełnione.",
     "term": "abstencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A controlled input modification used to test prediction stability.",
     "term": "perturbation"
    },
    {
     "gloss": "Withholding an answer when confidence or safety criteria are unmet.",
     "term": "abstention"
    }
   ],
   "prereq": [
    "evalsets",
    "distributions"
   ],
   "keywords": [
    "distribution shift",
    "adversarial perturbations",
    "selective prediction",
    "abstention",
    "risk-coverage curves",
    "uncertainty estimation",
    "OOD scoring",
    "reliability diagrams"
   ],
   "source_ids": [
    "fsdl",
    "agents",
    "cs229",
    "hamel-evals-faq"
   ],
   "url": "https://aiatlasgraph.com/t/robustness",
   "markdown_url": "https://aiatlasgraph.com/t/robustness.md",
   "updated": "2026-10-30"
  },
  "roofline": {
   "id": "roofline",
   "parent_id": "hardware",
   "label": "Model roofline: obliczenia czy przepustowość pamięci",
   "canonical_name": "Roofline model and arithmetic intensity",
   "aliases": [
    "roofline",
    "roofline model",
    "arithmetic intensity",
    "intensywność arytmetyczna",
    "compute-bound vs memory-bound"
   ],
   "description": "Prosty model wydajności: osiągalna szybkość jest ograniczona przez minimum ze szczytowej mocy obliczeniowej i iloczynu przepustowości pamięci przez intensywność arytmetyczną (operacje na bajt). W zakresie założeń modelu pozwala ocenić, czy operacja jest ograniczona obliczeniami czy przepustowością pamięci.",
   "description_en": "A simple performance model: attainable throughput is bounded by the minimum of peak compute and memory bandwidth multiplied by arithmetic intensity (operations per byte). Within the model's assumptions, it helps determine whether an operation is compute-bound or memory-bandwidth-bound.",
   "examples": "intensywność arytmetyczna · punkt grzbietu (ridge point) · compute-bound vs memory-bound · wpływ rozmiaru batcha na matmul",
   "examples_en": "arithmetic intensity · ridge point · compute-bound vs memory-bound · effect of batch size on matmuls",
   "plain": "To sposób oszacowania, czy szybkość obliczenia ogranicza moc sprzętu, czy dostarczanie danych z pamięci.",
   "plain_en": "This estimates whether hardware computing capacity or data delivery from memory limits an operation's speed.",
   "solves": "Nie wiesz, czy warto poprawiać obliczenia, czy zmniejszać ilość przesyłanych danych.",
   "solves_en": "You do not know whether to improve computation or reduce transferred data.",
   "does": "Zestawia liczbę działań na porcję danych z przepustowością pamięci i mocą obliczeniową, wskazując przybliżony pułap wydajności.",
   "does_en": "It compares operations per amount of data with memory bandwidth and computing capacity to indicate an approximate performance ceiling.",
   "example": "Analizując mnożenie tabel liczb, sprawdzasz, czy program częściej czeka na pamięć, czy wykorzystuje wszystkie jednostki obliczeniowe.",
   "example_en": "When analysing array multiplication, you check whether the program mainly waits for memory or fully uses the computation units.",
   "for_you": [
    "wybierasz kierunek optymalizacji",
    "chcesz porównać pomiar z możliwościami sprzętu"
   ],
   "for_you_en": [
    "choose what to optimise",
    "want to compare measurements with hardware limits"
   ],
   "how": "Intensywność arytmetyczną mnoży się przez zmierzoną lub założoną przepustowość pamięci, tworząc limit transferowy. Minimum tego limitu i mocy obliczeniowej daje pułap wydajności, z którym porównuje się kernel oraz możliwości zwiększenia ponownego użycia danych.",
   "how_en": "Arithmetic intensity is multiplied by measured or assumed memory bandwidth to form a transfer bound. The minimum of this bound and compute capacity gives a performance ceiling against which kernels and data-reuse improvements are assessed.",
   "limits": "Model upraszcza opóźnienia, komunikację, zależności instrukcji i efekty cache. Pułap zależy od precyzji oraz poziomu pamięci; operacja poniżej niego może wymagać dalszej analizy zamiast samego zwiększenia intensywności.",
   "limits_en": "The model simplifies latency, communication, instruction dependencies and cache effects. Ceilings depend on precision and memory levels; operations below them may need further analysis rather than merely greater intensity.",
   "terms": [
    {
     "gloss": "Maksymalna szybkość odpowiednich operacji przy założonej precyzji.",
     "term": "pułap obliczeniowy"
    },
    {
     "gloss": "Limit wydajności wynikający z przepustowości i intensywności arytmetycznej.",
     "term": "pułap transferowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "The maximum relevant-operation rate at an assumed precision.",
     "term": "compute ceiling"
    },
    {
     "gloss": "A performance bound determined by bandwidth and arithmetic intensity.",
     "term": "bandwidth ceiling"
    }
   ],
   "prereq": [
    "gemm",
    "gpuprog"
   ],
   "keywords": [
    "arithmetic intensity",
    "ridge point",
    "compute ceiling",
    "bandwidth ceiling",
    "compute-bound kernels",
    "memory-bound kernels",
    "data reuse"
   ],
   "source_ids": [
    "scaling-book-rooflines",
    "roofline-williams-2009",
    "horace-he-brrr-2022"
   ],
   "url": "https://aiatlasgraph.com/t/roofline",
   "markdown_url": "https://aiatlasgraph.com/t/roofline.md",
   "updated": "2026-10-30"
  },
  "routing": {
   "id": "routing",
   "parent_id": "agentsnode",
   "label": "Routing między modelami",
   "canonical_name": "Model and harness routing",
   "description": "Dobór modelu i środowiska do rodzaju zadania i jego kosztu.",
   "description_en": "Matching the model and runtime to the kind of task and its cost.",
   "examples": "drogi model do planu i recenzji · tani do rutyny",
   "examples_en": "premium tier for planning and review · cheap tier for routine",
   "plain": "To dobieranie modelu i miejsca jego pracy do konkretnego zadania.",
   "plain_en": "This matches each task to a model and the environment where it will run.",
   "solves": "Proste prośby kosztują zbyt dużo, a trudne trafiają do modelu lub narzędzi, które sobie z nimi nie radzą.",
   "solves_en": "Simple requests cost too much, while difficult ones reach a model or tools that cannot handle them well.",
   "does": "Według ustalonych reguł kieruje rutynowe zadania do tańszego modelu, a trudniejsze do mocniejszego modelu z odpowiednimi narzędziami.",
   "does_en": "Chosen rules send routine work to a cheaper model and harder tasks to a stronger model with suitable tools.",
   "example": "Asystent do korespondencji używa prostszego modelu do sortowania wiadomości, a mocniejszego do przygotowania trudnej odpowiedzi.",
   "example_en": "An email assistant uses a simpler model to sort messages and a stronger one to draft a difficult reply.",
   "for_you": [
    "płacisz za każde zapytanie do modelu",
    "masz zadania o bardzo różnym poziomie trudności"
   ],
   "for_you_en": [
    "pay for each request to a model",
    "have tasks that vary greatly in difficulty"
   ],
   "how": "Router ocenia typ i trudność zadania oraz wymagania dotyczące narzędzi, kosztu i opóźnienia. Reguły lub wyuczony klasyfikator wybierają model i środowisko wykonawcze, a wynik może uruchomić eskalację do innej konfiguracji.",
   "how_en": "A router evaluates task type and difficulty alongside tool, cost and latency requirements. Rules or a trained classifier select a model and runtime, and the result can trigger escalation to another configuration.",
   "limits": "Błędny routing może oszczędzić koszt wywołania, ale zwiększyć koszt poprawek. Router wymaga reprezentatywnych testów, a wyniki i uprawnienia muszą pozostać zgodne między różnymi środowiskami.",
   "limits_en": "Incorrect routing can reduce call cost while increasing correction costs. The router needs representative tests, and outputs and permissions must remain compatible across runtimes.",
   "terms": [
    {
     "gloss": "Komponent wybierający ścieżkę wykonania dla danego wejścia.",
     "term": "router"
    },
    {
     "gloss": "Przekazanie zadania do innej konfiguracji po niespełnieniu kryterium.",
     "term": "eskalacja"
    },
    {
     "gloss": "Limit kosztu, czasu lub liczby wywołań zadania.",
     "term": "budżet wykonania"
    }
   ],
   "terms_en": [
    {
     "gloss": "A component choosing an execution path for an input.",
     "term": "router"
    },
    {
     "gloss": "Passing a task to another configuration after a criterion fails.",
     "term": "escalation"
    },
    {
     "gloss": "A task's limit on cost, time or number of calls.",
     "term": "execution budget"
    }
   ],
   "prereq": [
    "evalsets",
    "costestimation"
   ],
   "keywords": [
    "RouteLLM",
    "FrugalGPT",
    "LLM cascades",
    "cost-aware routing",
    "fallback chains"
   ],
   "source_ids": [
    "machina-x-agents"
   ],
   "url": "https://aiatlasgraph.com/t/routing",
   "markdown_url": "https://aiatlasgraph.com/t/routing.md",
   "updated": "2026-10-30"
  },
  "rsvlm": {
   "id": "rsvlm",
   "parent_id": "geofm",
   "label": "Modele wizja–język dla zdjęć satelitarnych",
   "canonical_name": "Remote sensing vision-language models",
   "aliases": [
    "remote sensing VLM",
    "geospatial multimodal LLM",
    "RS VLM",
    "czat ze zdjęciem satelitarnym",
    "remote sensing visual question answering"
   ],
   "description": "Modele łączące enkoder obrazów teledetekcyjnych z modelem językowym: kontrastowe (wyszukiwanie obraz–tekst) i generatywne (opisy, VQA, uziemienie w ramkach).",
   "description_en": "Models linking a remote-sensing image encoder with a language model: contrastive (image–text retrieval) and generative (captions, VQA, box grounding).",
   "plain": "Modele, którym można zadać pytanie o zdjęcie satelitarne zwykłym językiem i dostać odpowiedź, opis albo zaznaczony na obrazie obiekt.",
   "plain_en": "Models you can ask about a satellite image in plain language and get an answer, a description or an object marked on the picture.",
   "solves": "Analiza zdjęć z satelity wymagała specjalistycznych programów i osobnego modelu do każdego pytania, niedostępnych dla zwykłych użytkowników.",
   "solves_en": "Analysing satellite images used to need specialist software and a separate model for each question, out of reach for ordinary users.",
   "does": "Jak rozmowa z analitykiem nad mapą: pytasz, ile tu jest boisk, a on liczy i pokazuje je palcem.",
   "does_en": "Like talking to an analyst over a map: you ask how many sports pitches there are, and they count and point to them.",
   "example": "Dziennikarka pyta model, ile statków stoi w porcie na zdjęciu, i prosi o zaznaczenie rozpoznanych jednostek.",
   "example_en": "A journalist asks how many ships are in the harbour image and asks the model to mark the vessels it identifies.",
   "for_you": [
    "chcesz pytać o zdjęcia satelitarne bez znajomości programów do map",
    "budujesz asystenta do analizy zdjęć z góry"
   ],
   "for_you_en": [
    "want to ask about satellite images without knowing mapping software",
    "are building an assistant for analysing overhead images"
   ],
   "how": "Modele kontrastowe uczą wspólnej przestrzeni zdjęć satelitarnych i opisów, co pozwala wyszukiwać i klasyfikować bez przykładów. Generatywne łączą enkoder wizyjny z modelem językowym przez adapter i dostrajają go na danych instrukcyjnych tworzonych z istniejących zbiorów etykiet, także z ramkami zapisanymi jako tekst.",
   "how_en": "Contrastive models learn a shared space for satellite images and captions, enabling zero-shot retrieval and classification. Generative models connect a vision encoder to a language model through an adapter and fine-tune on instruction data built from existing labelled datasets, including boxes written as text.",
   "limits": "Większość działa tylko na zdjęciach RGB, bez kanałów spektralnych i radaru. Słabo radzą sobie z małymi obiektami i wieloma ramkami naraz, a dane instrukcyjne są generowane automatycznie. Potrafią zmyślać obiekty, których nie ma.",
   "limits_en": "Most work only on RGB images, without spectral bands or radar. They struggle with small objects and many boxes at once, and instruction data are generated automatically. They can hallucinate objects that are not there.",
   "terms": [
    {
     "gloss": "Wskazanie na obrazie miejsca, którego dotyczy odpowiedź.",
     "term": "uziemienie (grounding)"
    },
    {
     "gloss": "Odpowiadanie na pytania zadane o konkretny obraz.",
     "term": "VQA"
    },
    {
     "gloss": "Pary polecenie–odpowiedź używane do dostrajania modelu.",
     "term": "dane instrukcyjne"
    }
   ],
   "terms_en": [
    {
     "gloss": "Pointing to the spot on the image an answer refers to.",
     "term": "grounding"
    },
    {
     "gloss": "Answering questions asked about a specific image.",
     "term": "VQA"
    },
    {
     "gloss": "Instruction–response pairs used to fine-tune a model.",
     "term": "instruction data"
    }
   ],
   "prereq": [
    "vlm"
   ],
   "keywords": [
    "GeoChat",
    "RemoteCLIP",
    "SkyScript",
    "RSVQA",
    "LLaVA",
    "visual grounding",
    "remote sensing image captioning",
    "EarthGPT"
   ],
   "source_ids": [
    "xiao-rs-foundation-models-survey-2024",
    "kuckreja-geochat-2023",
    "weng-rs-vlm-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/rsvlm",
   "markdown_url": "https://aiatlasgraph.com/t/rsvlm.md",
   "updated": "2026-10-30"
  },
  "rubricgrading": {
   "id": "rubricgrading",
   "parent_id": "judges",
   "label": "Ocena według rubryki i listy kontrolnej",
   "canonical_name": "Rubric-based and checklist grading",
   "aliases": [
    "rubric grading",
    "score rubric",
    "checklist evaluation",
    "natural language assertions",
    "rubryka oceny"
   ],
   "description": "Ocena odpowiedzi według jawnych kryteriów z opisem poziomów lub binarnych punktów kontrolnych, wykonywana przez ludzi lub sędziego LLM.",
   "description_en": "Grading answers against explicit criteria with level descriptions or binary checklist items, done by people or an LLM judge.",
   "plain": "Zamiast pytać „czy to dobre?”, rozpisujesz, co dokładnie musi się znaleźć w dobrej odpowiedzi, i sprawdzasz punkt po punkcie.",
   "plain_en": "Instead of asking 'is this good?', you spell out what a good answer must contain and check it point by point.",
   "solves": "Ogólne pytanie o jakość daje chwiejne, niezrozumiałe oceny, z których nie wiadomo, co poprawić.",
   "solves_en": "A vague quality question gives shaky, opaque scores that do not tell you what to fix.",
   "does": "Jak klucz egzaminacyjny z opisem każdej oceny: oceniający, człowiek albo model, przyznaje punkty za konkretne, nazwane elementy.",
   "does_en": "Like an exam key that describes each grade: the grader, human or model, awards points for specific, named elements.",
   "example": "Odpowiedź o zwrocie towaru dostaje punkt za podanie terminu, punkt za link do formularza i punkt za brak obietnic sprzecznych z regulaminem.",
   "example_en": "A reply about a product return earns a point for stating the deadline, one for linking the form and one for making no promises against the policy.",
   "for_you": [
    "wiesz, czego oczekujesz, ale trudno to zapisać regułą",
    "chcesz wiedzieć, który element odpowiedzi zawodzi",
    "oceny różnych osób się rozjeżdżają"
   ],
   "for_you_en": [
    "you know what you expect but cannot write it as a rule",
    "you want to know which part of an answer fails",
    "different people's ratings disagree"
   ],
   "how": "Rubryka wymienia kryteria i opisuje, jak wygląda każdy poziom oceny, często z odpowiedzią wzorcową. Wariant listy kontrolnej rozbija oczekiwania na niezależne twierdzenia tak/nie, które sumuje się w częściową punktację. Te same rubryki mogą służyć jako sygnał nagrody w treningu.",
   "how_en": "A rubric lists criteria and describes each score level, often with a reference answer. The checklist variant splits expectations into independent yes/no assertions summed into partial credit. The same rubrics can also serve as a reward signal in training.",
   "limits": "Rubryka jest tak dobra jak jej autor: pomija to, czego nie przewidział. Zbyt szczegółowe punkty karzą poprawne, ale inne rozwiązania. Pisanie rubryk dla wielu zadań wymaga wiedzy dziedzinowej i czasu.",
   "limits_en": "A rubric is only as good as its author and misses what they did not foresee. Over-specific items penalise valid but different solutions. Writing rubrics for many tasks takes domain expertise and time.",
   "terms": [
    {
     "gloss": "Kryteria oceny z opisem, jak wygląda każdy poziom punktacji.",
     "term": "rubryka"
    },
    {
     "gloss": "Punkty za spełnione elementy zamiast jednej oceny za całość.",
     "term": "częściowa punktacja"
    },
    {
     "gloss": "Pojedyncze twierdzenie o odpowiedzi, które sędzia uznaje za spełnione lub nie.",
     "term": "asercja w języku naturalnym"
    }
   ],
   "terms_en": [
    {
     "gloss": "Grading criteria describing what each score level looks like.",
     "term": "rubric"
    },
    {
     "gloss": "Points for satisfied elements instead of one grade for the whole.",
     "term": "partial credit"
    },
    {
     "gloss": "A single statement about an answer that the judge marks met or not.",
     "term": "natural language assertion"
    }
   ],
   "prereq": [
    "annotationguidelines",
    "promptstructure"
   ],
   "keywords": [
    "score rubric",
    "Prometheus",
    "checklist evaluation",
    "partial credit",
    "rubrics as rewards",
    "natural language assertions"
   ],
   "source_ids": [
    "prometheus-rubric-2023",
    "anthropic-agent-evals-2026"
   ],
   "url": "https://aiatlasgraph.com/t/rubricgrading",
   "markdown_url": "https://aiatlasgraph.com/t/rubricgrading.md",
   "updated": "2026-10-30"
  },
  "rulebasedplanning": {
   "id": "rulebasedplanning",
   "parent_id": "adplanning",
   "label": "Klasyczne planowanie trajektorii",
   "canonical_name": "Classical trajectory planning",
   "aliases": [
    "classical motion planning",
    "rule-based trajectory planning",
    "search-based planning",
    "sampling-based planning",
    "klasyczne planowanie ruchu"
   ],
   "description": "Planowanie toru jazdy przy użyciu jawnego modelu ruchu, przeszukiwania, próbkowania lub optymalizacji oraz ręcznie zdefiniowanej funkcji kosztu.",
   "description_en": "Planning a driving path with an explicit motion model, search, sampling or optimisation and a hand-defined cost function.",
   "plain": "Wyznaczanie toru jazdy według jasnych reguł i obliczeń: sprawdź wiele możliwych ruchów i wybierz najbezpieczniejszy.",
   "plain_en": "Working out a driving path with clear rules and calculations: try many possible moves and choose the safest.",
   "solves": "Zachowanie auta musi być przewidywalne i możliwe do wyjaśnienia, a modele uczone potrafią zaskoczyć dziwną decyzją.",
   "solves_en": "A car's behaviour must be predictable and explainable, while learned models can surprise with an odd decision.",
   "does": "Jak rozważny szachista: rozpisuje kilka ruchów, odrzuca te prowadzące do kolizji i z reszty wybiera najlepiej ocenione.",
   "does_en": "Like a careful chess player, it lays out several moves, discards those leading to a crash and picks the best-scoring one.",
   "example": "Na zwężeniu drogi auto rozważa kilkadziesiąt łuków omijania i wybiera ten, który mija pachołki z zapasem.",
   "example_en": "Where the road narrows, the car weighs dozens of curves around the cones and chooses the one with the most clearance.",
   "for_you": [
    "cenisz rozwiązania, które da się wytłumaczyć krok po kroku",
    "pracujesz z robotami lub automatyką",
    "porównujesz reguły z uczeniem maszynowym"
   ],
   "for_you_en": [
    "value solutions you can explain step by step",
    "work with robots or automation",
    "compare rules with machine learning"
   ],
   "how": "Planer generuje dopuszczalne kandydatury trajektorii, odrzuca kolizyjne i ocenia pozostałe według bezpieczeństwa, zgodności z trasą, komfortu i postępu. Wybrany tor trafia do regulatora pojazdu.",
   "how_en": "The planner generates feasible trajectory candidates, rejects colliding ones and scores the rest for safety, route compliance, comfort and progress. The selected path goes to the vehicle controller.",
   "limits": "Strojenie wag i reguł jest pracochłonne i nie skaluje się na wszystkie sytuacje. W gęstym ruchu planer bywa zbyt ostrożny, bo nie zakłada, że inni ustąpią.",
   "limits_en": "Tuning weights and rules is laborious and does not scale to every situation. In dense traffic the planner can be overly cautious because it does not expect others to yield.",
   "terms": [
    {
     "gloss": "Jeden z dopuszczalnych torów rozważanych przez planer.",
     "term": "kandydat trajektorii"
    },
    {
     "gloss": "Reguła punktująca bezpieczeństwo, komfort i postęp trajektorii.",
     "term": "funkcja kosztu"
    },
    {
     "gloss": "Ograniczenia opisujące, jak pojazd może zmieniać położenie i prędkość.",
     "term": "model ruchu"
    }
   ],
   "terms_en": [
    {
     "gloss": "One feasible path considered by the planner.",
     "term": "trajectory candidate"
    },
    {
     "gloss": "A rule scoring a trajectory's safety, comfort and progress.",
     "term": "cost function"
    },
    {
     "gloss": "Constraints describing how the vehicle can change pose and speed.",
     "term": "motion model"
    }
   ],
   "prereq": [
    "astar"
   ],
   "keywords": [
    "classical motion planning",
    "trajectory optimisation",
    "search-based planning",
    "sampling-based planning",
    "cost function",
    "vehicle model",
    "PDM"
   ],
   "source_ids": [
    "paden-2016",
    "pdm-2023"
   ],
   "url": "https://aiatlasgraph.com/t/rulebasedplanning",
   "markdown_url": "https://aiatlasgraph.com/t/rulebasedplanning.md",
   "updated": "2026-10-30"
  },
  "rulesascode": {
   "id": "rulesascode",
   "parent_id": "computationallaw",
   "label": "Prawo jako kod",
   "canonical_name": "Rules as code",
   "aliases": [
    "rules as code",
    "RaC",
    "law as code",
    "machine-consumable legislation",
    "executable legislation",
    "Catala",
    "prawo jako kod"
   ],
   "description": "Tworzenie maszynowo wykonywalnej wersji przepisów obok tekstu prawnego, w specjalnych językach lub frameworkach, najlepiej już na etapie legislacji.",
   "description_en": "Creating a machine-executable version of legislation alongside the legal text, in dedicated languages or frameworks, ideally at the drafting stage.",
   "plain": "Przepisy, które coś wyliczają, np. podatek albo zasiłek, pisze się równolegle jako tekst dla ludzi i jako program dla komputera.",
   "plain_en": "Rules that compute something, such as a tax or benefit, are written in parallel as text for people and as a program for computers.",
   "solves": "Każdy urząd i firma osobno tłumaczy te same przepisy na kod, z różnymi błędami, więc obywatel dostaje różne wyniki w różnych systemach.",
   "solves_en": "Every agency and firm separately translates the same rules into code, with different bugs, so citizens get different results in different systems.",
   "does": "Jedna oficjalna, sprawdzalna wersja w kodzie staje się wspólnym wzorcem, a każdy artykuł ustawy ma w niej swój odpowiednik, więc łatwo znaleźć rozbieżność.",
   "does_en": "One official, checkable code version becomes the shared reference, with every article mapped to its counterpart, so mismatches are easy to find.",
   "example": "Rodzice wpisują dochód i liczbę dzieci w kalkulatorze świadczeń, który korzysta z tej samej wersji przepisów co urząd przyznający pieniądze.",
   "example_en": "Parents enter their income and number of children into a benefits calculator that uses the same version of the rules as the paying agency.",
   "for_you": [
    "budujesz kalkulator podatków, świadczeń lub opłat",
    "pracujesz przy tworzeniu przepisów w administracji"
   ],
   "for_you_en": [
    "build a tax, benefits or fees calculator",
    "help draft rules in public administration"
   ],
   "how": "Języki takie jak Catala zapisują przepis artykuł po artykule z regułami domyślnymi i wyjątkami, a kompilator generuje kod do systemów. Frameworki mikrosymulacji modelują podatki i świadczenia jako zmienne zależne od daty. Testy z przykładami prawników wykrywają różnice między intencją a implementacją.",
   "how_en": "Languages such as Catala encode a provision article by article with default rules and exceptions, and a compiler generates code for systems. Microsimulation frameworks model taxes and benefits as date-dependent variables. Tests with lawyers' examples catch gaps between intent and implementation.",
   "limits": "Działa dla przepisów o charakterze algorytmu, a nie dla ocennych. Wymaga współpracy prawników z programistami i utrzymania kodu przy każdej nowelizacji. Nie rozstrzygnięto, która wersja wiąże, gdy tekst i kod się różnią.",
   "limits_en": "It works for algorithm-like rules, not for discretionary ones. It needs lawyers and programmers to collaborate and code maintenance with every amendment. It is unresolved which version binds when text and code differ.",
   "terms": [
    {
     "gloss": "Reguła stosowana, dopóki nie zachodzi wskazany wyjątek.",
     "term": "reguła domyślna"
    },
    {
     "gloss": "Liczenie skutków przepisów dla wielu modelowych gospodarstw domowych.",
     "term": "mikrosymulacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule that applies unless a stated exception holds.",
     "term": "default rule"
    },
    {
     "gloss": "Computing the effects of rules for many model households.",
     "term": "microsimulation"
    }
   ],
   "prereq": [
    "fol",
    "specdriven"
   ],
   "keywords": [
    "Catala",
    "OpenFisca",
    "OECD OPSI Cracking the Code",
    "Better Rules",
    "default logic",
    "executable legislation",
    "Blawx"
   ],
   "source_ids": [
    "merigoux-catala-2021",
    "oecd-cracking-the-code-2020",
    "catala-exceptions-docs"
   ],
   "url": "https://aiatlasgraph.com/t/rulesascode",
   "markdown_url": "https://aiatlasgraph.com/t/rulesascode.md",
   "updated": "2026-10-30"
  },
  "rulprediction": {
   "id": "rulprediction",
   "parent_id": "predictivemaint",
   "label": "Szacowanie pozostałego czasu życia (RUL)",
   "canonical_name": "Remaining useful life (RUL) prediction",
   "aliases": [
    "RUL",
    "remaining useful life",
    "RUL estimation",
    "prognostics",
    "prognostyka",
    "pozostały czas eksploatacji"
   ],
   "description": "Regresja liczby cykli lub czasu pracy pozostałych do osiągnięcia progu uszkodzenia, na podstawie wielowymiarowych szeregów czasowych z czujników.",
   "description_en": "Regressing the cycles or operating time left before a failure threshold, from multivariate sensor time series.",
   "plain": "Szacowanie, ile jeszcze godzin, cykli albo kilometrów urządzenie popracuje, zanim zużyje się na tyle, że trzeba je naprawić.",
   "plain_en": "Estimating how many more hours, cycles or kilometres a device will run before it wears out enough to need repair.",
   "solves": "Wiedza, że część się zużywa, nie wystarcza: planista musi wiedzieć, czy wymienić ją jutro, za miesiąc, czy przy najbliższym postoju.",
   "solves_en": "Knowing a part is wearing is not enough: the planner must know whether to replace it tomorrow, next month or at the next stop.",
   "does": "Jak wskaźnik zasięgu w samochodzie elektrycznym: z dotychczasowego zużycia i warunków jazdy wylicza, ile drogi jeszcze zostało.",
   "does_en": "Like the range display in an electric car: from past consumption and driving conditions it works out how far you can still go.",
   "example": "Przewoźnik planuje wymianę części silnika na najbliższy nocny postój samolotu, bo prognoza pokazuje, że do granicy zużycia zostało niewiele lotów.",
   "example_en": "An airline schedules an engine part swap for the plane's next overnight stop, because the forecast shows only a few flights left before the wear limit.",
   "for_you": [
    "planujesz wymianę drogich części w samolotach, pociągach lub turbinach",
    "chcesz wiedzieć, jak pewna jest prognoza awarii"
   ],
   "for_you_en": [
    "plan replacement of costly parts in aircraft, trains or turbines",
    "want to know how certain a failure forecast is"
   ],
   "how": "Model dostaje okno ostatnich pomiarów z wielu czujników i warunków pracy i przewiduje liczbę cykli do awarii. Używa się sieci rekurencyjnych, konwolucyjnych i transformerów, także modeli hybrydowych z fizyką degradacji. Standardowym benchmarkiem jest symulowany zbiór silników turbowentylatorowych z przebiegami do awarii przy różnych warunkach i trybach uszkodzeń.",
   "how_en": "The model takes a window of recent readings from many sensors and operating settings and predicts cycles to failure. Recurrent, convolutional and transformer networks are used, as well as hybrid models with degradation physics. The standard benchmark is a simulated turbofan engine dataset with run-to-failure trajectories under various conditions and fault modes.",
   "limits": "Do uczenia potrzeba przebiegów aż do awarii, których w realnej flocie prawie nie ma, dlatego popularny benchmark jest symulacją. Sama liczba bez przedziału niepewności jest ryzykowna przy decyzjach o bezpieczeństwie. Zmiana warunków pracy psuje prognozę.",
   "limits_en": "Training needs run-to-failure records, which real fleets barely have, so the popular benchmark is a simulation. A single number without an uncertainty interval is risky for safety decisions. Changing operating conditions degrade the forecast.",
   "terms": [
    {
     "gloss": "Pozostały czas użytecznej pracy urządzenia do progu awarii.",
     "term": "RUL"
    },
    {
     "gloss": "Jedna liczba opisująca, jak bardzo urządzenie jest już zużyte.",
     "term": "wskaźnik zdrowia"
    },
    {
     "gloss": "Konkretny sposób, w jaki część się psuje, np. zużycie sprężarki.",
     "term": "tryb uszkodzenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A device's remaining useful operating time before the failure threshold.",
     "term": "RUL"
    },
    {
     "gloss": "A single number describing how worn a device already is.",
     "term": "health indicator"
    },
    {
     "gloss": "A specific way a part fails, e.g. compressor degradation.",
     "term": "fault mode"
    }
   ],
   "prereq": [
    "classicforecasting",
    "cnn"
   ],
   "keywords": [
    "C-MAPSS",
    "PHM08",
    "LSTM",
    "temporal convolutional network",
    "health indicator",
    "degradation modeling",
    "uncertainty quantification",
    "transfer learning"
   ],
   "source_ids": [
    "saxena-cmapss-2008",
    "chen-rul-llm-2024"
   ],
   "url": "https://aiatlasgraph.com/t/rulprediction",
   "markdown_url": "https://aiatlasgraph.com/t/rulprediction.md",
   "updated": "2026-10-30"
  },
  "ruluncertainty": {
   "id": "ruluncertainty",
   "parent_id": "rulprediction",
   "label": "Prognoza czasu do awarii z estymacją niepewności",
   "canonical_name": "Uncertainty-aware remaining useful life prediction",
   "aliases": [
    "probabilistic RUL",
    "uncertainty quantification for RUL",
    "Bayesian RUL prediction",
    "RUL prediction intervals",
    "niepewność prognozy RUL",
    "probabilistyczna prognostyka"
   ],
   "description": "Prognozowanie rozkładu, a nie tylko wartości, pozostałego czasu życia, np. głębokimi procesami gaussowskimi, zespołami sieci lub dropoutem Monte Carlo.",
   "description_en": "Forecasting a distribution, not just a value, of remaining useful life, e.g. with deep Gaussian processes, network ensembles or Monte Carlo dropout.",
   "plain": "Prognoza, która mówi nie tylko, ile urządzenie jeszcze popracuje, ale też jak bardzo można tej liczbie ufać.",
   "plain_en": "A forecast that says not only how long a device will keep running but also how far that number can be trusted.",
   "solves": "Jedna liczba typu „zostało 40 cykli” nie pozwala ocenić ryzyka: przy częściach krytycznych za późna wymiana bywa groźna, za wczesna marnuje pieniądze.",
   "solves_en": "A single number like '40 cycles left' says nothing about risk: for critical parts a late swap can be dangerous, an early one wastes money.",
   "does": "Jak prognoza pogody podająca szansę opadów: zamiast obietnicy daje widełki, według których sam decydujesz, czy brać parasol.",
   "does_en": "Like a weather forecast giving a chance of rain: instead of a promise it offers a range you use to decide about the umbrella.",
   "example": "Planista widzi, że do awarii zostało najpewniej 60 lotów, ale może już 35, więc planuje wymianę przed dolnym końcem widełek.",
   "example_en": "A planner sees most likely 60 flights left before failure, but possibly only 35, so schedules the swap before the low end of the range.",
   "for_you": [
    "decydujesz o wymianie części krytycznych dla bezpieczeństwa",
    "musisz wytłumaczyć, jak pewna jest prognoza awarii",
    "porównujesz koszt przestoju z kosztem wcześniejszej wymiany"
   ],
   "for_you_en": [
    "decide on replacing safety-critical parts",
    "must explain how certain a failure forecast is",
    "weigh downtime cost against early replacement"
   ],
   "how": "Model zwraca rozkład przewidywanego czasu do awarii, z którego odczytuje się przedziały predykcji. Stosuje się głębokie procesy gaussowskie z przybliżonym wnioskowaniem wariacyjnym, zespoły niezależnie trenowanych sieci, bayesowskie sieci neuronowe i dropout Monte Carlo. Wariancja prognozy zasila planowanie obsługi uwzględniające ryzyko.",
   "how_en": "The model returns a distribution of predicted time to failure, from which prediction intervals are derived. Deep Gaussian processes with approximate variational inference, ensembles of independently trained networks, Bayesian neural networks and Monte Carlo dropout are used. Predictive variance feeds risk-aware maintenance planning.",
   "limits": "Wiarygodność przedziałów zależy od metody przybliżonego wnioskowania i trzeba ją sprawdzać kalibracją. Wyniki pokazywane są głównie na symulowanych danych silników, nie na prawdziwych flotach. Metody bayesowskie i zespoły kosztują więcej obliczeń niż pojedyncza sieć.",
   "limits_en": "Interval reliability depends on the approximate inference method and must be checked by calibration. Results are shown mainly on simulated engine data, not real fleets. Bayesian methods and ensembles cost more compute than a single network.",
   "terms": [
    {
     "gloss": "Widełki, w których z zadaną szansą znajdzie się prawdziwa wartość.",
     "term": "przedział predykcji"
    },
    {
     "gloss": "Kilka sieci uczonych osobno; ich rozrzut pokazuje niepewność.",
     "term": "zespół modeli"
    },
    {
     "gloss": "Wiele przebiegów sieci z losowo wyłączanymi neuronami, by zmierzyć rozrzut.",
     "term": "dropout Monte Carlo"
    }
   ],
   "terms_en": [
    {
     "gloss": "A range that contains the true value with a stated chance.",
     "term": "prediction interval"
    },
    {
     "gloss": "Several separately trained networks; their spread shows uncertainty.",
     "term": "ensemble"
    },
    {
     "gloss": "Many network passes with randomly dropped neurons to measure spread.",
     "term": "Monte Carlo dropout"
    }
   ],
   "prereq": [
    "calibration",
    "bayesinference"
   ],
   "keywords": [
    "deep Gaussian processes",
    "deep ensembles",
    "Monte Carlo dropout",
    "Bayesian neural networks",
    "N-CMAPSS",
    "prediction interval calibration",
    "conformal prediction"
   ],
   "source_ids": [
    "biggio-uncertainty-rul-dgp-2021"
   ],
   "url": "https://aiatlasgraph.com/t/ruluncertainty",
   "markdown_url": "https://aiatlasgraph.com/t/ruluncertainty.md",
   "updated": "2026-10-30"
  },
  "sacua": {
   "id": "sacua",
   "parent_id": "computeruse",
   "label": "Granica zaufania SA-CUA dla agentów komputerowych",
   "canonical_name": "SA-CUA trust boundary for computer-use agents",
   "aliases": [
    "SA-CUA",
    "safe autonomy for computer use",
    "dual-LLM trust boundary"
   ],
   "description": "Architektura z dwoma modelami, która domyślnie maskuje ekran, odsłania zaufane regiony według reguł z drzewa dostępności i osobno zatwierdza wartości z niezaufanych treści.",
   "description_en": "A dual-model architecture that masks the screen by default, reveals trusted regions using accessibility-tree rules, and separately endorses values from untrusted content.",
   "plain": "Sposób, by agent klikający na ekranie sam oddzielał zaufane części interfejsu od niezaufanych treści i działał bez ciągłych pytań.",
   "plain_en": "A way for a screen-clicking agent to separate trusted interface parts from untrusted content on its own and act without constant questions.",
   "solves": "Agent widzący cały ekran może wykonać polecenie ukryte w niezaufanej treści, a ciągłe potwierdzenia męczą użytkownika.",
   "solves_en": "An agent seeing the whole screen can follow an instruction hidden in untrusted content, while constant confirmations tire the user.",
   "does": "Oddziela zaufany planer od modelu czytającego niezaufany ekran, blokuje istotne działania na niezaufanych regionach i weryfikuje wartości przed ich użyciem.",
   "does_en": "It separates a trusted planner from a model that reads the untrusted screen, blocks consequential actions on untrusted regions, and verifies values before use.",
   "example": "Agent wypełnia formularz na stronie: warstwa ochronna ukrywa treść z maila i pozwala użyć numeru konta dopiero po sprawdzeniu go w niezależnym, zaufanym źródle.",
   "example_en": "An agent fills a form on a page: the protection layer hides email content and allows an account number to be used only after checking it against an independent trusted source.",
   "for_you": [
    "agent steruje komputerem i widzi treści od innych",
    "chcesz ograniczyć ryzyko prompt injection w interfejsie",
    "chcesz uniknąć ciągłego potwierdzania każdego kliknięcia"
   ],
   "for_you_en": [
    "let an agent control the computer and see content from others",
    "want to limit prompt injection risk in the interface",
    "want to avoid confirming every click"
   ],
   "how": "Offline model proponujący reguły (RP-LLM) analizuje oczyszczone drzewo AT-SPI bez tekstu strony. W czasie działania deterministyczne reguły odsłaniają tylko zaufane regiony, zanim zrzut trafi do uprzywilejowanego planera (P-LLM). Model kwarantannowy (Q-LLM) może czytać pełny ekran, lecz nie wywołuje narzędzi. Wartości przekraczające granicę pozostają ukryte, dopóki robust endorsement nie porówna ich deterministycznie z oczekiwaniem wyprowadzonym niezależnie z zaufanych źródeł. Kliknięcia i wpisywanie w niezaufanych regionach są blokowane.",
   "how_en": "Offline, a rule-proposing model (RP-LLM) analyzes a sanitized AT-SPI tree without page text. At runtime, deterministic rules reveal only trusted regions before the screenshot reaches the privileged planner (P-LLM). A quarantined model (Q-LLM) may read the full screen but cannot call tools. Values crossing the boundary stay redacted until robust endorsement deterministically checks them against an expectation derived independently from trusted sources. Clicks and typing in untrusted regions are blocked.",
   "limits": "Metoda zależy od kompletności drzewa dostępności oraz reguł przygotowanych dla aplikacji lub szablonu adresu; konserwatywne maskowanie może obniżać użyteczność. W zadeklarowanym modelu zagrożeń chroni integralność, nie poufność, i zakłada zaufane domeny lub kontakty. Nie obejmuje przejęcia zaufanego źródła ani wszystkich aplikacji i zadań.",
   "limits_en": "The method depends on accessibility-tree completeness and rules prepared for an application or URL template; conservative masking can reduce utility. Under its stated threat model it protects integrity, not confidentiality, and assumes trusted domains or contacts. It does not cover compromise of a trusted source or every application and task.",
   "terms": [
    {
     "gloss": "Podział ekranu na regiony zaufane i niezaufane z użyciem reguł opartych na drzewie dostępności.",
     "term": "granica zaufania"
    },
    {
     "gloss": "Deterministyczne zatwierdzenie wartości po porównaniu jej z oczekiwaniem wyprowadzonym niezależnie z zaufanych źródeł.",
     "term": "robust endorsement"
    },
    {
     "gloss": "Interfejs udostępniający drzewo dostępności elementów systemu i aplikacji.",
     "term": "AT-SPI"
    }
   ],
   "terms_en": [
    {
     "gloss": "A division of the screen into trusted and untrusted regions using accessibility-tree rules.",
     "term": "trust boundary"
    },
    {
     "gloss": "Deterministic approval of a value after comparing it with an expectation derived independently from trusted sources.",
     "term": "robust endorsement"
    },
    {
     "gloss": "An interface exposing the accessibility tree of system and application elements.",
     "term": "AT-SPI"
    }
   ],
   "prereq": [
    "agentsecurity"
   ],
   "keywords": [
    "SA-CUA",
    "computer use agents",
    "trust boundary",
    "accessibility tree",
    "dual LLM",
    "endorsement channel",
    "prompt injection",
    "CUA safety",
    "AT-SPI",
    "CaMeL-CUA"
   ],
   "source_ids": [
    "sacua-arxiv-2610.18508"
   ],
   "url": "https://aiatlasgraph.com/t/sacua",
   "markdown_url": "https://aiatlasgraph.com/t/sacua.md",
   "updated": "2026-10-30"
  },
  "sae": {
   "id": "sae",
   "parent_id": "mechinterp",
   "label": "Rzadkie autoenkodery (SAE) i słowniki cech",
   "canonical_name": "Sparse autoencoders and dictionary learning",
   "aliases": [
    "SAE",
    "sparse autoencoders",
    "dictionary learning",
    "transcoders",
    "monosemanticity",
    "rzadkie autoenkodery"
   ],
   "description": "Rozkładanie aktywacji modelu na wiele rzadko aktywnych cech, z których część daje się powiązać ze zrozumiałymi pojęciami. Interpretowalność cech i użyteczność SAE w zadaniach praktycznych nie są gwarantowane.",
   "description_en": "Decomposing model activations into many sparsely active features, some of which can be associated with understandable concepts. Feature interpretability and practical downstream usefulness are not guaranteed.",
   "examples": "rzadkie autoenkodery (SAE) · słowniki cech · automatyczne opisywanie cech · porównanie z sondą liniową",
   "examples_en": "sparse autoencoders (SAEs) · feature dictionaries · automated feature descriptions · comparison with a linear probe",
   "plain": "To narzędzia rozkładające mieszane sygnały modelu na składniki, z których tylko nieliczne są naraz aktywne.",
   "plain_en": "These tools separate mixed model signals into components with only a few active at once.",
   "solves": "Pojedynczy wewnętrzny sygnał może mieszać wiele znaczeń, więc trudno powiązać go z konkretnym pojęciem.",
   "solves_en": "One internal signal can mix many meanings, making it difficult to connect with a specific concept.",
   "does": "Uczy zestaw składników odtwarzających wewnętrzne liczby przy nielicznych aktywnych elementach; część składników można interpretować, ale nie jest to gwarantowane.",
   "does_en": "It learns components reconstructing internal numbers with few active elements; some components may be interpretable, but that is not guaranteed.",
   "example": "Przy różnych opisach ogrodu szukasz powtarzalnego składnika związanego z roślinami i sprawdzasz, czy reaguje także na inne treści.",
   "example_en": "Across garden descriptions, you seek a recurring component associated with plants and check whether it also responds to other content.",
   "for_you": [
    "chcesz rozdzielać mieszane sygnały wewnątrz modelu",
    "potrzebujesz składników do dalszych eksperymentów interpretacyjnych"
   ],
   "for_you_en": [
    "want to separate mixed signals inside a model",
    "need components for further interpretation experiments"
   ],
   "how": "Enkoder mapuje aktywacje na rzadki kod, a dekoder rekonstruuje z niego oryginalną reprezentację. Cel łączy błąd rekonstrukcji z ograniczeniem liczby aktywnych cech, ucząc obszerny słownik kierunków.",
   "how_en": "An encoder maps activations to a sparse code, and a decoder reconstructs the original representation. The objective combines reconstruction error with active-feature constraints to learn an extensive dictionary of directions.",
   "limits": "Cechy mogą być wieloznaczne, martwe albo podzielone między wiele jednostek. Dobór rzadkości zmienia rekonstrukcję i słownik; czytelna cecha nie gwarantuje użytecznego sterowania.",
   "limits_en": "Features may be ambiguous, inactive or split across units. Sparsity choices change reconstruction and dictionaries; a readable feature does not guarantee useful control.",
   "terms": [
    {
     "gloss": "Reprezentacja, w której dla przykładu aktywna jest mała część składowych.",
     "term": "rzadki kod"
    },
    {
     "gloss": "Zestaw wyuczonych kierunków służących do rekonstrukcji aktywacji.",
     "term": "słownik cech"
    }
   ],
   "terms_en": [
    {
     "gloss": "A representation with only a small fraction of components active per example.",
     "term": "sparse code"
    },
    {
     "gloss": "Learned directions used to reconstruct activations.",
     "term": "feature dictionary"
    }
   ],
   "prereq": [
    "neuralbasics",
    "linearalgebra"
   ],
   "keywords": [
    "sparse coding",
    "feature dictionaries",
    "L1 sparsity",
    "reconstruction loss",
    "monosemantic features",
    "TopK autoencoders"
   ],
   "source_ids": [
    "open-problems-mechinterp-2025",
    "anthropic-scaling-monosemanticity-2024",
    "gdm-sae-negative-2025"
   ],
   "url": "https://aiatlasgraph.com/t/sae",
   "markdown_url": "https://aiatlasgraph.com/t/sae.md",
   "updated": "2026-10-30"
  },
  "saferl": {
   "id": "saferl",
   "parent_id": "rlalgorithms",
   "label": "Bezpieczne RL i RL z ograniczeniami",
   "canonical_name": "Safe and constrained reinforcement learning",
   "aliases": [
    "safe RL",
    "safe reinforcement learning",
    "constrained RL",
    "constrained MDP",
    "CMDP",
    "constrained policy optimization",
    "CPO",
    "bezpieczne uczenie ze wzmocnieniem"
   ],
   "description": "Uczenie polityk, które maksymalizują nagrodę, a jednocześnie mają utrzymywać koszt lub ryzyko w wyznaczonych granicach w czasie nauki lub wdrożenia, np. przez osobny limit oczekiwanego kosztu zamiast wbudowywania kar w nagrodę. Gwarancje dotyczą zwykle wartości oczekiwanych, nie każdego przebiegu.",
   "description_en": "Learning policies that maximise reward while aiming to keep cost or risk within set limits during training or deployment, e.g. through a separate cap on expected cost instead of folding penalties into the reward. Guarantees usually hold in expectation, not for every run.",
   "examples": "procesy decyzyjne z ograniczeniami · metody lagranżowskie · osłony bezpieczeństwa · RL wrażliwe na ryzyko",
   "examples_en": "constrained MDPs · Lagrangian methods · safety shields · risk-sensitive RL",
   "plain": "To uczenie programu działania tak, by osiągał cel, a przy tym trzymał ryzyko w ustalonych granicach – zwykle średnio, a nie z pewnością w każdej sytuacji.",
   "plain_en": "This teaches software to reach its goal while keeping risk within set limits – usually on average, not with certainty in every situation.",
   "solves": "Uczenie przez próby oznacza błędy, a niektóre z nich są tak kosztowne, że ich częstość trzeba ograniczać już w trakcie nauki, a nie tylko karać po fakcie.",
   "solves_en": "Learning through trials means making mistakes, and some are so costly that their frequency has to be limited during learning, not just punished after the fact.",
   "does": "Jak nauka jazdy z limitem punktów karnych: ćwiczysz, żeby jeździć lepiej, a instruktor pilnuje, by suma przewinień nie przekroczyła ustalonego progu.",
   "does_en": "Like driving lessons with a penalty-point cap: you practise to drive better while the instructor makes sure your total offences stay under a set threshold.",
   "example": "Robot magazynowy uczy się szybciej rozwozić paczki, a osobny licznik ryzykownych zbliżeń do ludzi ma średnio nie przekraczać ustalonego progu; obok działają niezależne zabezpieczenia, bo sama nauka nie daje pewności.",
   "example_en": "A warehouse robot learns to deliver parcels faster while a separate count of risky approaches to people should stay under a set threshold on average; independent safeguards run alongside, because learning alone gives no certainty.",
   "for_you": [
    "Twój system działa fizycznie obok ludzi lub drogiego sprzętu",
    "chcesz kontrolować ryzyko osobnym limitem, a nie tylko karą wliczoną w nagrodę",
    "odpowiadasz za wdrożenie programu uczącego się w prawdziwym świecie"
   ],
   "for_you_en": [
    "your system physically operates near people or expensive equipment",
    "want to control risk with a separate limit, not only a penalty folded into the reward",
    "are responsible for deploying a learning system in the real world"
   ],
   "how": "Zadanie zapisuje się jako proces decyzyjny z ograniczeniami: obok nagrody jest koszt, którego oczekiwana suma ma nie przekroczyć progu. Metody lagranżowskie dostrajają karę automatycznie, a CPO aktualizuje politykę w obszarze zaufania z gwarancją bliskiego spełnienia ograniczeń w każdej iteracji. Przegląd z 2015 r. dzieli podejścia na zmianę kryterium optymalności i zmianę procesu eksploracji.",
   "how_en": "The task is written as a constrained MDP: besides the reward there is a cost whose expected sum must stay under a threshold. Lagrangian methods tune the penalty automatically, while CPO updates the policy within a trust region with near-constraint-satisfaction guarantees at each iteration. A 2015 survey splits approaches into changing the optimality criterion and changing the exploration process.",
   "limits": "Gwarancje dotyczą zwykle wartości oczekiwanych, a w przypadku CPO – bliskiego spełnienia ograniczeń w każdej iteracji, nie każdego pojedynczego przebiegu; zakładają też poprawny model kosztu. Bezpieczeństwo w czasie nauki jest trudniejsze niż po nauce, a ograniczenia spełnione w symulacji nie przenoszą się automatycznie na świat rzeczywisty, dlatego w systemach fizycznych łączy się te metody z niezależnymi zabezpieczeniami.",
   "limits_en": "Guarantees usually hold in expectation – for CPO, near-constraint satisfaction at each iteration – not for every single run, and assume a correct cost model. Safety during training is harder than after it, and constraints met in simulation do not automatically transfer to the real world, so physical systems pair these methods with independent safeguards.",
   "terms": [
    {
     "gloss": "Proces Markowa z dodatkowym kosztem, którego oczekiwana suma ma limit.",
     "term": "proces decyzyjny z ograniczeniami"
    },
    {
     "gloss": "Zamiana ograniczenia na karę z automatycznie dostrajanym mnożnikiem.",
     "term": "relaksacja lagranżowska"
    },
    {
     "gloss": "Zbieranie doświadczeń bez wchodzenia w zakazane stany.",
     "term": "bezpieczna eksploracja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A Markov process with an extra cost whose expected sum is capped.",
     "term": "constrained MDP"
    },
    {
     "gloss": "Turning a constraint into a penalty with an automatically tuned multiplier.",
     "term": "Lagrangian relaxation"
    },
    {
     "gloss": "Gathering experience without entering forbidden states.",
     "term": "safe exploration"
    }
   ],
   "prereq": [
    "ppo",
    "mdp"
   ],
   "keywords": [
    "constrained MDP",
    "Constrained Policy Optimization",
    "Lagrangian methods",
    "safe exploration",
    "shielding",
    "Safety Gym",
    "risk-sensitive RL",
    "CVaR"
   ],
   "source_ids": [
    "cpo-2017",
    "garcia-safe-rl-survey-2015"
   ],
   "url": "https://aiatlasgraph.com/t/saferl",
   "markdown_url": "https://aiatlasgraph.com/t/saferl.md",
   "updated": "2026-10-30"
  },
  "safety": {
   "id": "safety",
   "parent_id": null,
   "label": "Bezpieczeństwo i governance",
   "canonical_name": "AI safety, security and governance",
   "description": "Ryzyko, zabezpieczenia i odpowiedzialność za system AI.",
   "description_en": "Risk, safeguards and responsibility for an AI system.",
   "examples": "Alignment · red teaming · prompt injection · prywatność · AI Act",
   "examples_en": "Alignment · red teaming · prompt injection · privacy · AI Act",
   "plain": "To ograniczanie szkód powodowanych przez modele oraz ustalanie, kto odpowiada za ich działanie.",
   "plain_en": "This limits harm from models and establishes who is responsible for their operation.",
   "solves": "Model może ujawnić dane, potraktować ludzi nierówno lub wykonać szkodliwe działanie, mimo że zwykle odpowiada poprawnie.",
   "solves_en": "A model can reveal data, treat people unequally or perform harmful actions even when its responses are usually correct.",
   "does": "Łączy ocenę ryzyka, trening, ochronę danych, ograniczenia działania i nadzór; skuteczność sprawdza się również po udostępnieniu systemu.",
   "does_en": "It combines risk assessment, training, data protection, action limits and oversight; effectiveness is also checked after a system is released.",
   "example": "Przed uruchomieniem asystenta sprawdzasz ujawnianie danych, dostęp do narzędzi i sposób zgłaszania błędów przez użytkowników.",
   "example_en": "Before launching an assistant, you check data exposure, tool access and how users can report mistakes.",
   "for_you": [
    "udostępniasz model innym osobom",
    "jego odpowiedzi lub działania mogą komuś zaszkodzić"
   ],
   "for_you_en": [
    "make a model available to other people",
    "use outputs or actions that could harm someone"
   ],
   "how": "Model zagrożeń łączy możliwości systemu, dostępne dane i uprawnienia z możliwymi szkodami. Ewaluacje, ograniczenia wykonania oraz proces odpowiedzialności tworzą warstwy kontroli, aktualizowane na podstawie incydentów i zmian systemu.",
   "how_en": "A threat model connects system capabilities, available data and permissions to possible harms. Evaluations, execution constraints and accountability processes form control layers updated from incidents and system changes.",
   "limits": "Żaden pojedynczy test lub filtr nie obejmuje wszystkich szkód. Zabezpieczenia zależą od środowiska i zakresu uprawnień; zmiany modelu, narzędzi lub użytkowników wymagają ponownej oceny.",
   "limits_en": "No single test or filter covers every harm. Controls depend on environments and permission scope; model, tool or user changes require reassessment.",
   "terms": [
    {
     "gloss": "Opis chronionych zasobów, przeciwników i możliwych dróg szkody.",
     "term": "model zagrożeń"
    },
    {
     "gloss": "Łączenie zabezpieczeń działających na różnych etapach i granicach systemu.",
     "term": "kontrola warstwowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A description of protected assets, adversaries and potential harm pathways.",
     "term": "threat model"
    },
    {
     "gloss": "Combining safeguards across different system stages and boundaries.",
     "term": "layered control"
    }
   ],
   "prereq": [
    "evalsets",
    "workflows"
   ],
   "keywords": [
    "NIST AI RMF",
    "OWASP LLM Top 10",
    "EU AI Act",
    "RLHF",
    "Constitutional AI",
    "AI red teaming",
    "differential privacy",
    "Fairlearn",
    "C2PA",
    "Llama Guard",
    "model cards",
    "responsible scaling policies",
    "prompt injection"
   ],
   "source_ids": [
    "nist",
    "fsdl",
    "international-ai-safety-report-2026"
   ],
   "url": "https://aiatlasgraph.com/t/safety",
   "markdown_url": "https://aiatlasgraph.com/t/safety.md",
   "updated": "2026-10-30"
  },
  "safetyclassifiers": {
   "id": "safetyclassifiers",
   "parent_id": "guardrails",
   "label": "Klasyfikatory bezpieczeństwa wejścia i wyjścia",
   "canonical_name": "Input and output safety classifiers",
   "description": "Osobne, zwykle mniejsze modele, które oceniają prompt i odpowiedź według taksonomii zagrożeń i blokują to, co niedozwolone. Można je dostosować do własnej listy kategorii.",
   "description_en": "Separate, usually smaller models that score the prompt and the response against a harm taxonomy and block what is not allowed. They can be adapted to a custom category list.",
   "examples": "Llama Guard · klasyfikatory konstytucyjne · API moderacji",
   "examples_en": "Llama Guard · constitutional classifiers · moderation APIs",
   "plain": "To osobne modele przypisujące treści do kategorii zagrożeń, żeby pomóc zdecydować, czy ją dopuścić.",
   "plain_en": "These separate models assign content to risk categories to help decide whether it should be allowed.",
   "solves": "Ręczne sprawdzanie każdej wiadomości i odpowiedzi nie nadąża za liczbą rozmów.",
   "solves_en": "Manually checking every message and response cannot keep up with the number of conversations.",
   "does": "Klasyfikator ocenia wejście lub odpowiedź według ustalonych kategorii, a aplikacja wykorzystuje wynik do blokowania lub dalszej kontroli.",
   "does_en": "A classifier evaluates input or output against defined categories, and the application uses the result to block or review it.",
   "example": "Przed pokazaniem odpowiedzi mały model oznacza potencjalną groźbę i przekazuje ją do dodatkowej kontroli.",
   "example_en": "Before a response is displayed, a small model flags a potential threat and sends it for additional review.",
   "for_you": [
    "sprawdzasz duże ilości treści",
    "potrzebujesz własnych kategorii niedozwolonych odpowiedzi"
   ],
   "for_you_en": [
    "review large amounts of content",
    "need your own prohibited-response categories"
   ],
   "how": "Osobny model przypisuje fragmentowi wejścia lub wyjścia kategorie z taksonomii zagrożeń. Progi i reguły decyzji zamieniają wynik klasyfikacji na blokadę albo eskalację, a dane testowe sprawdzają trafność dla różnych kontekstów.",
   "how_en": "A separate model assigns input or output content to threat-taxonomy categories. Thresholds and decision rules turn classifications into blocking or escalation, while test data checks accuracy across contexts.",
   "limits": "Niejednoznaczna treść, zmiana języka i kontekstu powodują błędy. Nowe zagrożenia wymagają aktualizacji taksonomii oraz danych; trafność klasyfikatora nie dowodzi bezpieczeństwa całego procesu.",
   "limits_en": "Ambiguous content, language changes and context produce errors. New threats require taxonomy and data updates; classifier accuracy does not establish whole-workflow safety.",
   "terms": [
    {
     "gloss": "Zestaw zdefiniowanych kategorii używanych do oceny niedopuszczalnych treści.",
     "term": "taksonomia zagrożeń"
    },
    {
     "gloss": "Odrzucenie treści, która powinna być dopuszczona przez politykę.",
     "term": "fałszywa blokada"
    }
   ],
   "terms_en": [
    {
     "gloss": "Defined categories used to assess unacceptable content.",
     "term": "threat taxonomy"
    },
    {
     "gloss": "Rejecting content that the policy should permit.",
     "term": "false block"
    }
   ],
   "prereq": [
    "supervised",
    "classmetrics"
   ],
   "keywords": [
    "Llama Guard",
    "Constitutional Classifiers",
    "harm taxonomies",
    "false positive rate",
    "false negative rate",
    "input-output moderation"
   ],
   "source_ids": [
    "llama-guard-2023",
    "constitutional-classifiers-2025"
   ],
   "url": "https://aiatlasgraph.com/t/safetyclassifiers",
   "markdown_url": "https://aiatlasgraph.com/t/safetyclassifiers.md",
   "updated": "2026-10-30"
  },
  "safetyevals": {
   "id": "safetyevals",
   "parent_id": "safety",
   "label": "Ewaluacje bezpieczeństwa modeli",
   "canonical_name": "AI safety evaluations",
   "description": "Celowe szukanie szkodliwych zachowań i groźnych zdolności modelu przed wdrożeniem i po nim — przez ludzi, inne modele i ustandaryzowane testy.",
   "description_en": "Deliberately probing a model for harmful behaviour and dangerous capabilities before and after deployment — by people, other models and standardised tests.",
   "examples": "red teaming · ewaluacje niebezpiecznych zdolności · testy przed wdrożeniem",
   "examples_en": "red teaming · dangerous capability evaluations · pre-deployment testing",
   "plain": "To testy szukające szkodliwych zachowań i niebezpiecznych możliwości modelu przed udostępnieniem oraz podczas używania.",
   "plain_en": "These tests look for harmful behaviour and dangerous model capabilities before release and during use.",
   "solves": "Dobre wyniki zwykłych zadań nie pokazują, czy model ujawni dane albo pomoże w niebezpiecznym działaniu.",
   "solves_en": "Good performance on ordinary tasks does not reveal whether a model will expose data or assist dangerous activity.",
   "does": "Ludzie, modele i przygotowane scenariusze sprawdzają trudne przypadki, a wyniki pomagają dobrać zabezpieczenia oraz warunki udostępnienia.",
   "does_en": "People, models and prepared scenarios test difficult cases, helping determine safeguards and release conditions.",
   "example": "Przed uruchomieniem asystenta sprawdzasz, jak reaguje na prośby o prywatne dane i próby wykonania niedozwolonych działań.",
   "example_en": "Before launching an assistant, you test its response to requests for private information and attempts at prohibited actions.",
   "for_you": [
    "udostępniasz nowy model lub jego wersję",
    "chcesz sprawdzać zabezpieczenia w trakcie używania"
   ],
   "for_you_en": [
    "release a new model or version",
    "want to test safeguards during operation"
   ],
   "how": "Model zagrożeń przekłada się na scenariusze, warunki dostępu i mierzalne kryteria szkody. Próby porównują zachowanie systemu z zabezpieczeniami i w kontrolowanych wariantach, a wyniki aktualizują decyzje o ograniczeniach oraz dalszym badaniu.",
   "how_en": "A threat model becomes scenarios, access conditions and measurable harm criteria. Trials compare system behaviour with safeguards and controlled variants, updating decisions about restrictions and further investigation.",
   "limits": "Testy obejmują wybrane możliwości i warunki, a nie wszystkie przyszłe szkody. Niewydobyte zdolności lub nieodpowiedni scaffold zaniżają ocenę; rzadkie zachowania wymagają wielu prób i analizy niepewności.",
   "limits_en": "Tests cover selected capabilities and conditions, not all future harms. Unelicited abilities or unsuitable scaffolds understate risks; rare behaviours require repeated trials and uncertainty analysis.",
   "terms": [
    {
     "gloss": "Kontrolowana sytuacja testowa reprezentująca określoną drogę szkody.",
     "term": "scenariusz zagrożenia"
    },
    {
     "gloss": "Dobór warunków pozwalający ujawnić badaną zdolność modelu.",
     "term": "elicitation"
    }
   ],
   "terms_en": [
    {
     "gloss": "A controlled test situation representing a specified harm pathway.",
     "term": "threat scenario"
    },
    {
     "gloss": "Selecting conditions that reveal the model capability under investigation.",
     "term": "elicitation"
    }
   ],
   "prereq": [
    "evalharness",
    "evalstats"
   ],
   "keywords": [
    "dangerous capability testing",
    "AI red teaming",
    "attack success rate",
    "capability elicitation",
    "adversarial test suites",
    "safety regression testing",
    "agent scaffolding",
    "threat coverage"
   ],
   "source_ids": [
    "international-ai-safety-report-2026",
    "bluedot-technical-ai-safety",
    "red-teaming-ganguli-2022",
    "dangerous-capability-evals-2024"
   ],
   "url": "https://aiatlasgraph.com/t/safetyevals",
   "markdown_url": "https://aiatlasgraph.com/t/safetyevals.md",
   "updated": "2026-10-30"
  },
  "saliencymaps": {
   "id": "saliencymaps",
   "parent_id": "explainability",
   "label": "Mapy istotności dla sieci neuronowych",
   "canonical_name": "Saliency maps and gradient attribution",
   "aliases": [
    "saliency maps",
    "Grad-CAM",
    "integrated gradients",
    "gradient attribution",
    "mapy cieplne uwagi"
   ],
   "description": "Wizualizacje przypisujące pikselom lub tokenom ważność dla wyniku sieci na podstawie gradientów albo aktywacji. Wysoka ważność nie jest sama w sobie dowodem przyczynowego wpływu.",
   "description_en": "Visualisations assigning importance to pixels or tokens for a network output using gradients or activations. High importance is not by itself evidence of causal influence.",
   "examples": "gradient względem wejścia · mapy na pikselach lub tokenach · atrybucja oparta na aktywacjach",
   "examples_en": "input gradients · pixel or token maps · activation-based attribution",
   "plain": "To mapy wskazujące fragmenty obrazu lub tekstu powiązane z konkretnym wynikiem modelu.",
   "plain_en": "These maps highlight image or text parts associated with a particular model result.",
   "solves": "Nie wiesz, które fragmenty wejścia wiążą się z odpowiedzią, zwłaszcza gdy obraz lub tekst zawiera wiele szczegółów.",
   "solves_en": "You do not know which input parts relate to an answer, especially when an image or text contains many details.",
   "does": "Wylicza ważność fragmentów z wewnętrznych sygnałów lub wrażliwości wyniku i zaznacza ją na wejściu; mapa sama nie dowodzi przyczyny decyzji.",
   "does_en": "It scores parts using internal signals or output sensitivity and highlights them on the input; the map alone does not establish decision causes.",
   "example": "Przy rozpoznawaniu uszkodzenia części oglądasz podświetlone fragmenty zdjęcia i sprawdzasz, czy model skupia się na części czy tle.",
   "example_en": "For a defective part classification, you inspect highlighted image areas and check whether the model focuses on the part or background.",
   "for_you": [
    "chcesz oglądać fragmenty wejścia związane z wynikiem",
    "szukasz wskazówek do dalszego badania modelu"
   ],
   "for_you_en": [
    "want to view input regions associated with an output",
    "seek clues for further model investigation"
   ],
   "how": "Gradienty wyniku względem wejścia lub ważone aktywacje przypisują istotność pikselom i tokenom. Warianty integrujące gradient po ścieżce porównują przykład z wybranym wejściem bazowym.",
   "how_en": "Output gradients with respect to inputs or weighted activations assign importance to pixels and tokens. Path-integrated variants compare an example with a selected baseline input.",
   "limits": "Mapy są wrażliwe na skalę, punkt bazowy i metodę wizualizacji. Lokalna wrażliwość nie dowodzi przyczynowości; nasycenie aktywacji może maskować istotne informacje.",
   "limits_en": "Maps are sensitive to scale, baselines and visualisation methods. Local sensitivity does not prove causality; activation saturation can hide important information.",
   "terms": [
    {
     "gloss": "Ocena lokalnej istotności fragmentów wejścia dla wyniku modelu.",
     "term": "saliency"
    },
    {
     "gloss": "Sumowanie gradientów na ścieżce od wejścia bazowego do analizowanego.",
     "term": "integrated gradients"
    }
   ],
   "terms_en": [
    {
     "gloss": "An estimate of input-region importance for a model output.",
     "term": "saliency"
    },
    {
     "gloss": "Accumulating gradients along a path from a baseline to the analysed input.",
     "term": "integrated gradients"
    }
   ],
   "prereq": [
    "backprop",
    "calculus"
   ],
   "keywords": [
    "input gradients",
    "Integrated Gradients",
    "Grad-CAM",
    "SmoothGrad",
    "gradient-times-input"
   ],
   "source_ids": [
    "molnar-iml-book-3ed"
   ],
   "url": "https://aiatlasgraph.com/t/saliencymaps",
   "markdown_url": "https://aiatlasgraph.com/t/saliencymaps.md",
   "updated": "2026-10-30"
  },
  "sapd": {
   "id": "sapd",
   "parent_id": "distillation",
   "label": "Destylacja polityki ze względną przewagą krokową",
   "canonical_name": "Step-Advantage Policy Distillation",
   "aliases": [
    "SAPD",
    "step-advantage policy distillation"
   ],
   "description": "Metoda destylacji on-policy na zapisanych prefiksach trajektorii wieloturowych, wykorzystująca względne przewagi odpowiedzi w pojedynczym kroku.",
   "description_en": "An on-policy distillation method over recorded prefixes of multi-turn trajectories, using relative advantages among responses at a single decision step.",
   "plain": "Uczy asystenta z zapisanych rozmów bez ponownego wchodzenia w środowisko, porównując kroki.",
   "plain_en": "Teaches an assistant from recorded conversations without re-entering the environment, by comparing steps.",
   "solves": "Trudno poprawiać asystenta, gdy budowa i uruchamianie środowisk testowych jest drogie i wolne.",
   "solves_en": "It is hard to improve an assistant when building and running test environments is expensive and slow.",
   "does": "Rozkłada zapisane działanie asystenta na osobne decyzje, pozwala uczniowi tworzyć kilka odpowiedzi dla każdej z nich i wzmacnia te ocenione względnie lepiej przez nauczyciela.",
   "does_en": "It splits a recorded agent interaction into separate decisions, lets the student produce several responses for each, and reinforces those scored relatively better by the teacher.",
   "example": "Masz zapis, jak asystent robił zakupy online. Nowy model uczy się na tych krokach bez ponownego otwierania sklepu.",
   "example_en": "You have a recording of an assistant shopping online. A new model learns from those steps without reopening the store.",
   "for_you": [
    "masz dużo zapisanych działań asystenta, ale nie chcesz ich powtarzać",
    "chcesz szybciej dostrajać model bez żywego środowiska",
    "nowe dostrajanie pogarsza wcześniejsze umiejętności"
   ],
   "for_you_en": [
    "have many recorded assistant actions but do not want to replay them",
    "want to fine-tune a model faster without a live environment",
    "new fine-tuning degrades earlier skills"
   ],
   "how": "Trajektorie wieloturowe rozkłada się na prefiksy pojedynczych decyzji zawierające wcześniejszą historię i bieżącą obserwację. Student generuje kilka odpowiedzi dla tego samego prefiksu, a nauczyciel daje nadzór tokenowy; zagregowane oceny porównuje się w obrębie tej grupy, tworząc względną przewagę kroku. Cel łączy tę przewagę z destylacją tokenową i nagrodami regułowymi bez nowych obserwacji środowiska.",
   "how_en": "Multi-turn trajectories are decomposed into single-decision prefixes containing the prior history and current observation. The student generates several responses for the same prefix and a teacher provides token-level supervision; aggregated scores are compared within the group to form a relative step advantage. The objective combines this advantage with token-level distillation and rule rewards without new environment observations.",
   "limits": "Jakość zależy od nauczyciela i pokrycia zapisanych prefiksów; metoda nie naprawia dowolnych błędów nauczyciela ani brakujących historii istotnych dla ucznia. Sygnał oparty na prawdopodobieństwie może sprzyjać degeneracyjnym odpowiedziom, dlatego potrzebne były dodatkowe nagrody regułowe. Wyniki obejmują trzy benchmarki, a kod nie był jeszcze opublikowany.",
   "limits_en": "Quality depends on the teacher and coverage of recorded prefixes; the method does not correct arbitrary teacher errors or missing student-relevant histories. Likelihood-based supervision can favor degenerate responses, so additional rule rewards were needed. Evidence covers three benchmarks, and code had not yet been released.",
   "terms": [
    {
     "gloss": "względna ocena odpowiedzi wobec innych kandydatów wygenerowanych dla tego samego kontekstu decyzji",
     "term": "przewaga krokowa"
    },
    {
     "gloss": "zapisany ciąg decyzji i obserwacji bez dalszego działania w środowisku",
     "term": "offline trajektoria"
    }
   ],
   "terms_en": [
    {
     "gloss": "a response's relative score against other candidates generated for the same decision context",
     "term": "step advantage"
    },
    {
     "gloss": "a recorded sequence of decisions and observations without further environment interaction",
     "term": "offline trajectory"
    }
   ],
   "prereq": [
    "onpolicydistill"
   ],
   "keywords": [
    "SAPD",
    "step-advantage policy distillation",
    "offline policy distillation",
    "on-policy distillation",
    "multi-turn agents",
    "relative step advantage",
    "catastrophic forgetting"
   ],
   "source_ids": [
    "sapd-arxiv-2610.27847"
   ],
   "url": "https://aiatlasgraph.com/t/sapd",
   "markdown_url": "https://aiatlasgraph.com/t/sapd.md",
   "updated": "2026-10-30"
  },
  "sarai": {
   "id": "sarai",
   "parent_id": "eoanalysis",
   "label": "Analiza obrazów radarowych (SAR)",
   "canonical_name": "Deep learning for SAR imagery",
   "aliases": [
    "synthetic aperture radar",
    "SAR deep learning",
    "radar satelitarny",
    "SAR image analysis",
    "radar z syntetyczną aperturą"
   ],
   "description": "Uczenie głębokie na obrazach z radaru z syntetyczną aperturą: klasyfikacja terenu, rozpoznawanie celów, usuwanie plamkowania, interferometria i fuzja z danymi optycznymi.",
   "description_en": "Deep learning on synthetic aperture radar images: terrain classification, target recognition, despeckling, interferometry and fusion with optical data.",
   "plain": "Uczenie komputerów czytania obrazów z radaru satelitarnego, który widzi powierzchnię Ziemi przez chmury, dym i w nocy.",
   "plain_en": "Teaching computers to read images from satellite radar, which sees the Earth's surface through clouds, smoke and at night.",
   "solves": "Zwykłe zdjęcia satelitarne są bezużyteczne pod chmurami i po zmroku, a powodzie czy sztormy zdarzają się właśnie przy złej pogodzie.",
   "solves_en": "Ordinary satellite photos are useless under clouds and after dark, yet floods and storms strike precisely in bad weather.",
   "does": "Jak nietoperz, który widzi echem: radar wysyła impuls i z odbić składa obraz, a model uczy się te echa rozumieć.",
   "does_en": "Like a bat seeing by echo: radar sends a pulse and builds a picture from reflections, and the model learns to read those echoes.",
   "example": "Obraz radarowy pokazuje zalane pola w środku burzy, gdy zdjęcia optyczne widzą tylko białe chmury.",
   "example_en": "A radar image shows flooded fields in the middle of a storm, when optical photos see only white cloud.",
   "for_you": [
    "potrzebujesz danych niezależnie od pogody i pory dnia",
    "obserwujesz morze, lód lub osiadanie terenu"
   ],
   "for_you_en": [
    "need data regardless of weather or time of day",
    "watch the sea, ice or ground subsidence"
   ],
   "how": "SAR rejestruje amplitudę i fazę odbitej fali, więc dane mają ogromny zakres dynamiki i multiplikatywny szum plamkowy. Sieci adaptuje się przez kompresję zakresu, warstwy dla liczb zespolonych i ostrożną augmentację, bo boczne widzenie radaru tworzy nakładanie i cienie.",
   "how_en": "SAR records the amplitude and phase of the reflected wave, so data have a huge dynamic range and multiplicative speckle. Networks are adapted with range compression, complex-valued layers and careful augmentation, because radar's side-looking geometry causes layover and shadow.",
   "limits": "Obrazy są nieintuicyjne i trudne do ręcznego etykietowania. Typowe augmentacje, np. obrót, mogą tworzyć fizycznie niemożliwe sceny, a zwykłe warstwy sieci gubią informację o fazie. Dużych, dobrze opisanych zbiorów wciąż jest mało.",
   "limits_en": "Images are unintuitive and hard to label by hand. Common augmentations such as rotation can create physically impossible scenes, and standard layers lose phase information. Large, well-annotated datasets are still scarce.",
   "terms": [
    {
     "gloss": "Ziarnisty szum typowy dla obrazów radarowych.",
     "term": "plamkowanie (speckle)"
    },
    {
     "gloss": "Porównanie fazy z dwóch przelotów, by mierzyć drobne ruchy terenu.",
     "term": "InSAR"
    },
    {
     "gloss": "Analiza tego, jak teren zmienia polaryzację fali radaru.",
     "term": "polarymetria"
    }
   ],
   "terms_en": [
    {
     "gloss": "Grainy noise typical of radar images.",
     "term": "speckle"
    },
    {
     "gloss": "Comparing phase from two passes to measure small ground movements.",
     "term": "InSAR"
    },
    {
     "gloss": "Analysing how the ground changes the radar wave's polarisation.",
     "term": "polarimetry"
    }
   ],
   "prereq": [
    "convpool"
   ],
   "keywords": [
    "Sentinel-1",
    "SAR despeckling",
    "InSAR",
    "PolSAR",
    "MSTAR",
    "SAR ship detection",
    "SAR-optical fusion",
    "SEN12MS",
    "complex-valued neural networks"
   ],
   "source_ids": [
    "zhu-dl-remote-sensing-2017",
    "zhu-dl-meets-sar-2020",
    "bonafilia-sen1floods11-2020"
   ],
   "url": "https://aiatlasgraph.com/t/sarai",
   "markdown_url": "https://aiatlasgraph.com/t/sarai.md",
   "updated": "2026-10-30"
  },
  "sarshipdetection": {
   "id": "sarshipdetection",
   "parent_id": "sarai",
   "label": "Wykrywanie statków na obrazach radarowych",
   "canonical_name": "Ship and dark vessel detection in SAR imagery",
   "aliases": [
    "SAR ship detection",
    "ship detection in SAR imagery",
    "detekcja statków na obrazach SAR"
   ],
   "description": "Detekcja i charakteryzacja jednostek oraz infrastruktury morskiej na obrazach SAR, łączona z danymi AIS do wskazywania tzw. ciemnych statków.",
   "description_en": "Detecting and characterising vessels and offshore infrastructure in SAR imagery, cross-referenced with AIS to flag so-called dark vessels.",
   "plain": "Odnajdywanie statków na morzu na zdjęciach radarowych z satelity, także nocą i przez chmury.",
   "plain_en": "Finding ships at sea in satellite radar images, even at night and through clouds.",
   "solves": "Część statków wyłącza nadajniki pozycji, żeby łowić nielegalnie, a ocean jest zbyt wielki, by patrolować go łodziami i samolotami.",
   "solves_en": "Some ships switch off their position beacons to fish illegally, and the ocean is too vast to patrol with boats and planes.",
   "does": "Model szuka jasnych punktów odbitego echa na ciemnej wodzie i porównuje je z listą statków, które zgłaszają swoją pozycję; reszta to podejrzani.",
   "does_en": "The model looks for bright echo points on dark water and compares them with ships reporting their position; the rest are suspects.",
   "example": "Straż przybrzeżna dostaje rano listę jednostek, które w nocy kręciły się przy rezerwacie morskim bez włączonego nadajnika.",
   "example_en": "The coastguard gets a morning list of vessels that loitered near a marine reserve overnight with their beacon off.",
   "for_you": [
    "interesujesz się ochroną mórz i ryb",
    "chcesz widzieć przez chmury i nocą"
   ],
   "for_you_en": [
    "care about protecting seas and fish stocks",
    "need to see through clouds and at night"
   ],
   "how": "Statki odbijają sygnał radarowy znacznie silniej niż woda, więc klasyczny detektor CFAR progował lokalny kontrast. Dziś detektory konwolucyjne uczone na scenach z etykietami dopasowanymi do AIS i zweryfikowanymi przez ekspertów szacują też długość i rodzaj jednostki. Wykrycia bez pasującego sygnału AIS oznacza się jako ciemne.",
   "how_en": "Ships return radar far more strongly than water, so the classic CFAR detector thresholded local contrast. Today convolutional detectors trained on scenes labelled via AIS matching and expert review also estimate vessel length and type. Detections without a matching AIS signal are flagged as dark.",
   "limits": "Małe łodzie giną w szumie przy wzburzonym morzu, a fale, wyspy i farmy wiatrowe dają fałszywe alarmy. Etykiety z AIS są niepełne z definicji. Rozdzielczość bezpłatnych sensorów ogranicza ocenę rodzaju jednostki.",
   "limits_en": "Small boats vanish in clutter on rough seas, and waves, islands and wind farms cause false alarms. AIS-derived labels are incomplete by definition. Free sensors' resolution limits vessel-type estimates.",
   "terms": [
    {
     "gloss": "nadajnik, którym statki same ogłaszają swoją pozycję",
     "term": "AIS"
    },
    {
     "gloss": "statek widoczny na radarze, ale nienadający pozycji",
     "term": "dark vessel"
    },
    {
     "gloss": "klasyczny detektor szukający punktów jaśniejszych niż tło",
     "term": "CFAR"
    }
   ],
   "terms_en": [
    {
     "gloss": "transponder through which ships broadcast their own position",
     "term": "AIS"
    },
    {
     "gloss": "ship seen on radar but not broadcasting its position",
     "term": "dark vessel"
    },
    {
     "gloss": "classic detector looking for points brighter than background",
     "term": "CFAR"
    }
   ],
   "prereq": [
    "objectdetection"
   ],
   "keywords": [
    "xView3-SAR",
    "Sentinel-1",
    "AIS matching",
    "CFAR",
    "SSDD",
    "HRSID",
    "Global Fishing Watch",
    "vessel length estimation"
   ],
   "source_ids": [
    "xview3-sar-2022"
   ],
   "url": "https://aiatlasgraph.com/t/sarshipdetection",
   "markdown_url": "https://aiatlasgraph.com/t/sarshipdetection.md",
   "updated": "2026-10-30"
  },
  "satsmt": {
   "id": "satsmt",
   "parent_id": "logic",
   "label": "Solwery SAT i SMT",
   "canonical_name": "SAT and SMT solvers",
   "aliases": [
    "SAT solver",
    "SAT solvers",
    "SMT solver",
    "SMT solvers",
    "solwer SAT",
    "solwer SMT",
    "solwery SAT i SMT"
   ],
   "description": "Silniki rozstrzygające spełnialność formuł logiki zdań (SAT) i formuł z teoriami tła, np. arytmetyką czy tablicami (SMT).",
   "description_en": "Engines deciding satisfiability of propositional formulas (SAT) and of formulas with background theories such as arithmetic or arrays (SMT).",
   "plain": "Programy, które błyskawicznie sprawdzają, czy da się spełnić naraz tysiące logicznych warunków, i podają przykład takiego rozwiązania.",
   "plain_en": "Programs that quickly check whether thousands of logical conditions can all hold at once, and give an example solution.",
   "solves": "Wiele zadań, od planowania po sprawdzanie programów, wymaga przeszukania astronomicznej liczby kombinacji, czego nie da się zrobić ręcznie.",
   "solves_en": "Many tasks, from scheduling to checking programs, require searching an astronomical number of combinations, impossible by hand.",
   "does": "Jak bardzo sprytny rozwiązywacz łamigłówek: próbuje, a po każdej sprzeczności zapisuje lekcję, żeby nie wpadać w ten sam błąd.",
   "does_en": "Like a very clever puzzle solver: it tries, and after each contradiction records a lesson so it never repeats the same mistake.",
   "example": "Narzędzie programisty wskazuje, przy jakich danych wejściowych program może się wysypać, zanim zrobi to użytkownik.",
   "example_en": "A developer tool points out which inputs could make a program crash before a user hits them.",
   "for_you": [
    "chcesz sprawdzić, czy kod lub reguły nie mają luk",
    "układasz harmonogramy z wieloma ograniczeniami",
    "łączysz modele językowe z twardym sprawdzaniem logiki"
   ],
   "for_you_en": [
    "want to check that code or rules have no gaps",
    "build schedules with many constraints",
    "combine language models with rigorous logic checks"
   ],
   "how": "Solwery SAT działają na formułach w postaci koniunkcyjnej normalnej; algorytm CDCL przypisuje wartości, propaguje skutki i z każdego konfliktu wyprowadza nową klauzulę, która przycina przeszukiwanie. Solwery SMT łączą taki rdzeń z wyspecjalizowanymi procedurami dla teorii tła. Stosuje się je w weryfikacji oprogramowania, generowaniu testów, planowaniu i weryfikacji sieci neuronowych.",
   "how_en": "SAT solvers work on conjunctive normal form; the CDCL algorithm assigns values, propagates consequences and learns a new clause from each conflict to prune search. SMT solvers combine such a core with specialised procedures for background theories. They are used in software verification, test generation, planning and neural-network verification.",
   "limits": "Problem SAT jest NP-zupełny, więc niektóre małe formuły bywają nierozwiązywalne w rozsądnym czasie. Problem trzeba najpierw precyzyjnie zakodować, a teorie z kwantyfikatorami lub nieliniową arytmetyką bywają nierozstrzygalne albo bardzo kosztowne.",
   "limits_en": "SAT is NP-complete, so some small formulas can be intractable in reasonable time. The problem must first be encoded precisely, and theories with quantifiers or nonlinear arithmetic may be undecidable or very costly.",
   "terms": [
    {
     "gloss": "Formuła zapisana jako iloczyn alternatyw prostych warunków.",
     "term": "CNF"
    },
    {
     "gloss": "Przeszukiwanie, które uczy się nowych reguł z napotkanych sprzeczności.",
     "term": "CDCL"
    },
    {
     "gloss": "Dodatkowa dziedzina, np. liczby całkowite, rozumiana przez solwer.",
     "term": "teoria tła"
    }
   ],
   "terms_en": [
    {
     "gloss": "A formula written as an AND of OR-clauses.",
     "term": "CNF"
    },
    {
     "gloss": "Search that learns new rules from contradictions it meets.",
     "term": "CDCL"
    },
    {
     "gloss": "An extra domain, e.g. integers, the solver understands.",
     "term": "background theory"
    }
   ],
   "prereq": [
    "fol",
    "csp"
   ],
   "keywords": [
    "CDCL",
    "DPLL",
    "Z3",
    "cvc5",
    "MaxSAT",
    "bounded model checking",
    "symbolic execution",
    "neural network verification",
    "SAT competition",
    "MiniSat"
   ],
   "source_ids": [
    "aima4",
    "demoura-bjorner-z3-2008"
   ],
   "url": "https://aiatlasgraph.com/t/satsmt",
   "markdown_url": "https://aiatlasgraph.com/t/satsmt.md",
   "updated": "2026-10-30"
  },
  "scalableoversight": {
   "id": "scalableoversight",
   "parent_id": "alignment",
   "label": "Skalowalny nadzór (debata, weak-to-strong)",
   "canonical_name": "Scalable oversight",
   "description": "Metody nadzorowania modeli, które w danym zadaniu mogą przewyższać ludzi: człowiek wspierany przez asystenta AI, debata dwóch modeli oceniana przez człowieka, słabszy model nadzorujący silniejszy.",
   "description_en": "Methods for supervising models that may outperform humans on a task: humans assisted by an AI, a debate between two models judged by a human, a weaker model supervising a stronger one.",
   "examples": "debata AI · generalizacja weak-to-strong · ocena wspomagana przez AI",
   "examples_en": "AI debate · weak-to-strong generalisation · AI-assisted evaluation",
   "plain": "To sposoby oceniania modeli, gdy ich zadania przekraczają możliwości samodzielnej oceny człowieka.",
   "plain_en": "These methods evaluate models when their tasks exceed what a person can assess unaided.",
   "solves": "Nie potrafisz samodzielnie sprawdzić całego trudnego rozwiązania, a model może działać sprawniej niż twój oceniający system.",
   "solves_en": "You cannot check an entire difficult solution yourself, and a model may outperform your evaluation system.",
   "does": "Nadzór korzysta z pomocy innych modeli, podziału zadania lub porównania argumentów; te metody również mogą przeoczyć błędy.",
   "does_en": "Oversight uses other models, task decomposition or competing arguments; these methods can also miss errors.",
   "example": "Przy ocenie złożonego planu prosisz modele o wskazanie problemów i zestawienie argumentów, żeby ułatwić człowiekowi sprawdzenie.",
   "example_en": "When evaluating a complex plan, you ask models to identify issues and compare arguments to help a person inspect it.",
   "for_you": [
    "trudno samodzielnie ocenić złożone odpowiedzi",
    "szukasz pomocy w nadzorowaniu silniejszych modeli"
   ],
   "for_you_en": [
    "struggle to evaluate complex answers unaided",
    "seek help overseeing more capable models"
   ],
   "how": "Nadzór rozkłada ocenę na mniejsze kroki, wspiera człowieka asystentami lub zestawia konkurencyjne argumenty modeli. Warianty weak-to-strong uczą silniejszy model z niedoskonałych etykiet słabszego, sprawdzając odzyskane zdolności względem niezależnego wzorca.",
   "how_en": "Oversight decomposes assessment, assists humans with models or compares competing model arguments. Weak-to-strong variants train stronger models on imperfect labels from weaker ones, checking recovered capabilities against independent references.",
   "limits": "Nadzorcy mogą dzielić błędy, a przekonujący argument nie musi być prawdziwy. Wyniki na kontrolowanych zadaniach nie dowodzą nadzoru nad dowolnie silnym systemem; złożone kroki nadal wymagają wiarygodnej oceny.",
   "limits_en": "Supervisors can share errors, and persuasive arguments need not be true. Controlled-task results do not establish oversight of arbitrarily capable systems; complex steps still need reliable assessment.",
   "terms": [
    {
     "gloss": "Uczenie silniejszego modelu z sygnału dostarczonego przez słabszego nadzorcę.",
     "term": "weak-to-strong"
    },
    {
     "gloss": "Porównywanie konkurencyjnych argumentów jako pomoc w ocenie rozwiązania.",
     "term": "debata modeli"
    }
   ],
   "terms_en": [
    {
     "gloss": "Training a stronger model using signals from a weaker supervisor.",
     "term": "weak-to-strong"
    },
    {
     "gloss": "Comparing competing arguments to assist solution assessment.",
     "term": "model debate"
    }
   ],
   "prereq": [
    "judges",
    "annotation"
   ],
   "keywords": [
    "AI debate",
    "recursive reward modeling",
    "weak-to-strong generalization",
    "AI-assisted evaluation",
    "oversight amplification"
   ],
   "source_ids": [
    "bluedot-technical-ai-safety",
    "scalable-oversight-bowman-2022",
    "ai-safety-via-debate-2018",
    "weak-to-strong-2023"
   ],
   "url": "https://aiatlasgraph.com/t/scalableoversight",
   "markdown_url": "https://aiatlasgraph.com/t/scalableoversight.md",
   "updated": "2026-10-30"
  },
  "scalinglaws": {
   "id": "scalinglaws",
   "parent_id": "pretraining",
   "label": "Prawa skalowania i budżet obliczeń",
   "canonical_name": "Scaling laws and compute-optimal training",
   "aliases": [
    "scaling laws",
    "Chinchilla",
    "compute-optimal training",
    "prawa skalowania"
   ],
   "description": "Przewidywalne zależności między rozmiarem modelu, ilością danych, mocą obliczeniową a jakością. Pozwalają zaplanować trening dużego modelu na podstawie małych przebiegów i dobrać proporcję parametrów do tokenów.",
   "description_en": "Predictable relationships between model size, data, compute and quality. They let you plan a large training run from small ones and choose the ratio of parameters to tokens.",
   "examples": "potęgowe prawa straty · proporcje „Chinchilli” · ekstrapolacja z małych modeli",
   "examples_en": "power-law loss curves · Chinchilla ratios · extrapolating from small models",
   "plain": "To badanie zależności między wielkością modelu, ilością danych, obliczeniami i osiąganą jakością.",
   "plain_en": "This studies relationships between model size, data volume, computation and achieved quality.",
   "solves": "Nie wiesz, jak podzielić ograniczony budżet między większy model a więcej danych treningowych.",
   "solves_en": "You do not know how to split a limited budget between a larger model and more training data.",
   "does": "Wyniki mniejszych treningów pomagają dopasować zależności i przewidzieć większe przebiegi w podobnych warunkach; szacunki wymagają sprawdzenia.",
   "does_en": "Smaller training runs help fit relationships and predict larger runs under similar conditions; estimates still need checking.",
   "example": "Przed dużym treningiem wykonujesz mniejsze próby, żeby oszacować korzystną proporcję rozmiaru modelu i ilości tekstu.",
   "example_en": "Before a large training run, you conduct smaller trials to estimate a useful balance between model size and text volume.",
   "for_you": [
    "planujesz kosztowny trening",
    "wybierasz proporcje danych, modelu i obliczeń"
   ],
   "for_you_en": [
    "plan costly training",
    "choose a balance of data, model size and computation"
   ],
   "how": "Małe przebiegi mierzą stratę przy różnych rozmiarach modelu, ilościach danych i budżetach. Dopasowana zależność empiryczna przewiduje kompromisy w podobnej recepturze, pozwalając wybrać podział obliczeń przed kosztownym treningiem.",
   "how_en": "Small runs measure loss across model sizes, data volumes and budgets. Fitted empirical relationships predict trade-offs within similar recipes, guiding compute allocation before expensive training.",
   "limits": "Ekstrapolacja zależy od jakości danych, architektury i zakresu pomiarów. Mniejsze straty nie określają wszystkich zdolności użytkowych; zmiana receptury może unieważnić dopasowanie i optymalny podział budżetu.",
   "limits_en": "Extrapolation depends on data quality, architecture and measurement ranges. Lower losses cannot specify every practical capability; recipe changes can invalidate fits and optimal budget allocations.",
   "terms": [
    {
     "gloss": "Dopasowana zależność opisująca wyniki pomiarów w określonych warunkach.",
     "term": "prawo empiryczne"
    },
    {
     "gloss": "Podział obliczeń między rozmiar modelu i dane dla wybranego celu.",
     "term": "alokacja compute-optimal"
    }
   ],
   "terms_en": [
    {
     "gloss": "A fitted relationship describing measurements under specified conditions.",
     "term": "empirical law"
    },
    {
     "gloss": "Allocating computation between model size and data for a chosen objective.",
     "term": "compute-optimal allocation"
    }
   ],
   "prereq": [
    "mle",
    "evalstats"
   ],
   "keywords": [
    "Chinchilla",
    "Kaplan scaling laws",
    "power-law loss",
    "tokens-to-parameters ratio",
    "compute-optimal allocation",
    "IsoFLOP curves",
    "WSD schedules"
   ],
   "source_ids": [
    "kaplan-scaling-2020",
    "hoffmann-chinchilla-2022",
    "wsd-hagele-2024"
   ],
   "url": "https://aiatlasgraph.com/t/scalinglaws",
   "markdown_url": "https://aiatlasgraph.com/t/scalinglaws.md",
   "updated": "2026-10-30"
  },
  "scenariotesting": {
   "id": "scenariotesting",
   "parent_id": "adsimulation",
   "label": "Testy scenariuszowe i normy bezpieczeństwa (SOTIF)",
   "canonical_name": "Scenario-based testing and safety standards (SOTIF)",
   "aliases": [
    "SOTIF",
    "ISO 21448",
    "scenario-based testing",
    "safety argument",
    "operational design domain",
    "ODD",
    "normy bezpieczeństwa pojazdów"
   ],
   "description": "Metody i normy budowania dowodów bezpieczeństwa systemów jazdy: określenie warunków działania, testy scenariuszowe, analiza niedoskonałości funkcji i dane z dróg.",
   "description_en": "Methods and standards for building evidence about driving-system safety: defining operating conditions, scenario tests, analysing functional insufficiencies and using on-road data.",
   "plain": "Sposób wykazania, że auto jest bezpieczne: lista trudnych sytuacji do sprawdzenia, normy i porównanie z ludzkimi kierowcami.",
   "plain_en": "The way to show a car is safe: a list of hard situations to check, standards, and comparison with human drivers.",
   "solves": "Nie da się przejechać wszystkich możliwych sytuacji, a ktoś musi zdecydować, kiedy auto jest dość bezpieczne, by wpuścić je na drogi.",
   "solves_en": "No one can drive every possible situation, yet someone must decide when a car is safe enough to allow onto public roads.",
   "does": "Jak egzamin na prawo jazdy rozpisany na tysiące zadań: z góry ustala, gdzie auto może jeździć i jak dowieść, że sobie poradzi.",
   "does_en": "Like a driving test broken into thousands of tasks, it fixes where the car may drive and how to prove it will cope.",
   "example": "Firma publikuje dane, że jej taksówki bez kierowcy w kilku miastach miały wyraźnie mniej wypadków z rannymi niż przeciętni kierowcy.",
   "example_en": "A company publishes data showing its driverless taxis in several cities had clearly fewer injury crashes than average human drivers.",
   "for_you": [
    "chcesz ocenić, czy można ufać autom bez kierowcy",
    "pracujesz przy systemach, w których błąd zagraża ludziom",
    "interesują cię przepisy dotyczące AI w pojazdach"
   ],
   "for_you_en": [
    "want to judge whether driverless cars can be trusted",
    "work on systems where mistakes endanger people",
    "are interested in rules for AI in vehicles"
   ],
   "how": "Najpierw opisuje się warunki, w których system ma działać. Następnie identyfikuje się zagrożenia wynikające z niedoskonałości funkcji, buduje testy w symulacji, na torze i na drogach oraz zestawia wyniki w argumentację bezpieczeństwa. Porównania wypadków z ludźmi wymagają ostrożnie dobranych punktów odniesienia.",
   "how_en": "First, the conditions in which the system is intended to operate are described. Hazards from functional insufficiencies are then identified, tests are run in simulation, on tracks and on roads, and the results are assembled into a safety argument. Crash comparisons with humans require carefully chosen benchmarks.",
   "limits": "Przestrzeń scenariuszy jest nieskończona, więc pokrycie zawsze jest częściowe. Porównania z ludźmi zależą od doboru danych i niedoszacowania zgłoszeń, a normy opisują proces, nie jeden próg „dość bezpiecznie”.",
   "limits_en": "The scenario space is endless, so coverage is always partial. Human comparisons depend on data choices and under-reporting, and standards describe a process, not a single 'safe enough' threshold.",
   "terms": [
    {
     "gloss": "Opis warunków, w których system jest przeznaczony do działania.",
     "term": "ODD"
    },
    {
     "gloss": "Brak nieuzasadnionego ryzyka wynikającego z niedoskonałości zamierzonej funkcji lub jej realizacji.",
     "term": "SOTIF"
    },
    {
     "gloss": "Uporządkane twierdzenia i dowody wspierające ocenę bezpieczeństwa systemu.",
     "term": "argumentacja bezpieczeństwa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A description of the conditions in which the system is intended to operate.",
     "term": "ODD"
    },
    {
     "gloss": "Absence of unreasonable risk caused by insufficiencies in the intended function or its implementation.",
     "term": "SOTIF"
    },
    {
     "gloss": "Structured claims and evidence supporting an assessment of system safety.",
     "term": "safety argument"
    }
   ],
   "prereq": [
    "riskframeworks",
    "ooddetection"
   ],
   "keywords": [
    "ISO 21448",
    "SOTIF",
    "operational design domain",
    "safety argument",
    "scenario-based testing",
    "verification and validation",
    "crash-rate benchmarks"
   ],
   "source_ids": [
    "iso21448-2022",
    "waymo-crash-7m-2023",
    "odd-context-2022"
   ],
   "url": "https://aiatlasgraph.com/t/scenariotesting",
   "markdown_url": "https://aiatlasgraph.com/t/scenariotesting.md",
   "updated": "2026-10-30"
  },
  "scheming": {
   "id": "scheming",
   "parent_id": "alignment",
   "label": "Udawane dopasowanie i ukryte cele (alignment faking, scheming)",
   "canonical_name": "Alignment faking and scheming",
   "description": "Badanie, czy model potrafi strategicznie ukrywać swoje cele: zachowywać się poprawnie tylko wtedy, gdy sądzi, że jest trenowany lub testowany, zaniżać wyniki (sandbagging) albo obchodzić nadzór. Obszar badań ewaluacyjnych od 2024 r.",
   "description_en": "Studying whether a model can strategically hide its goals: behaving well only when it believes it is being trained or tested, deliberately underperforming (sandbagging) or evading oversight. An evaluation research area since 2024.",
   "examples": "alignment faking · in-context scheming · sandbagging",
   "examples_en": "alignment faking · in-context scheming · sandbagging",
   "plain": "To badanie, czy model ukrywa niepożądane zachowanie lub dopasowuje je do tego, czy jest obserwowany.",
   "plain_en": "This investigates whether a model conceals unwanted behaviour or changes it depending on whether it is being observed.",
   "solves": "Poprawne zachowanie podczas znanego testu może nie pokazywać, co model zrobi w innych warunkach.",
   "solves_en": "Acceptable behaviour during a known test may not reveal what a model will do under other conditions.",
   "does": "Testy zmieniają warunki nadzoru i dostępne informacje, szukając rozbieżności, ukrywania działań lub celowego zaniżania pokazywanych zdolności.",
   "does_en": "Tests vary oversight conditions and available information, looking for discrepancies, concealed actions or deliberate underperformance.",
   "example": "W kontrolowanym teście sprawdzasz, czy agent pomija wymaganą kontrolę częściej, gdy nie spodziewa się przeglądu swoich działań.",
   "example_en": "In a controlled test, you check whether an agent skips required checks more often when it does not expect its actions to be reviewed.",
   "for_you": [
    "oceniasz zachowanie w różnych warunkach nadzoru",
    "chcesz wykrywać rozbieżności między testem a działaniem"
   ],
   "for_you_en": [
    "evaluate behaviour under different oversight conditions",
    "want to detect differences between tests and operation"
   ],
   "how": "Scenariusze zestawiają zadany lub wyuczony cel z nadzorem i zachętą do ukrywania rozbieżności. Zmiana informacji o treningu lub kontroli pozwala porównywać działania, raporty i ślady pod kątem strategicznego podporządkowania albo zaniżania możliwości.",
   "how_en": "Scenarios place specified or learned goals alongside oversight and incentives to hide conflicts. Varying training or monitoring information allows comparison of actions, reports and traces for strategic compliance or capability understatement.",
   "limits": "Wywołany scenariusz nie określa częstości zachowania w zwykłym użyciu. Ślady i deklaracje mogą być niewierne; brak wykrycia nie wyklucza strategii, a interpretacja wymaga kontroli alternatywnych przyczyn.",
   "limits_en": "Induced scenarios do not establish ordinary-use frequency. Traces and claims can be unfaithful; absent detection does not rule out strategies, and interpretation needs alternative-cause checks.",
   "terms": [
    {
     "gloss": "Warunkowe podporządkowanie się celowi treningu w celu zachowania innego zachowania.",
     "term": "alignment faking"
    },
    {
     "gloss": "Strategiczne zaniżanie wykazywanych zdolności podczas oceny.",
     "term": "sandbagging"
    }
   ],
   "terms_en": [
    {
     "gloss": "Conditionally complying with training objectives to preserve other behaviour.",
     "term": "alignment faking"
    },
    {
     "gloss": "Strategically understating demonstrated capabilities during evaluation.",
     "term": "sandbagging"
    }
   ],
   "prereq": [
    "agenteval",
    "cotmonitoring"
   ],
   "keywords": [
    "alignment faking",
    "in-context scheming",
    "sandbagging",
    "deceptive alignment",
    "oversight evasion",
    "evaluation awareness"
   ],
   "source_ids": [
    "international-ai-safety-report-2026",
    "emergent-misalignment-reward-hacking-2025",
    "alignment-faking-2024",
    "in-context-scheming-2024"
   ],
   "url": "https://aiatlasgraph.com/t/scheming",
   "markdown_url": "https://aiatlasgraph.com/t/scheming.md",
   "updated": "2026-10-30"
  },
  "sciml": {
   "id": "sciml",
   "parent_id": "aiscience",
   "label": "Uczenie maszynowe z fizyką i symulacje",
   "canonical_name": "Physics-informed and scientific machine learning",
   "aliases": [
    "SciML",
    "scientific machine learning",
    "physics-informed machine learning",
    "surrogate modelling",
    "modele surogatowe"
   ],
   "description": "Modele surogatowe i rozwiązywanie równań różniczkowych cząstkowych sieciami neuronowymi, z wiedzą fizyczną w funkcji straty, architekturze lub danych.",
   "description_en": "Surrogate models and solving partial differential equations with neural networks, with physical knowledge built into the loss, architecture or data.",
   "plain": "Łączenie sieci neuronowych z prawami fizyki, żeby szybko przybliżać symulacje przepływów, ciepła czy naprężeń.",
   "plain_en": "Combining neural networks with the laws of physics to quickly approximate simulations of flow, heat or stress.",
   "solves": "Symulacje inżynierskie na superkomputerach trwają godziny lub dni, a projektant chce sprawdzić setki wariantów.",
   "solves_en": "Engineering simulations on supercomputers take hours or days, while a designer wants to try hundreds of variants.",
   "does": "Model uczy się z wyników symulacji lub z samych równań i odpowiada w ułamku sekundy, jak szybki szkic zamiast pełnego rysunku.",
   "does_en": "The model learns from simulation outputs or the equations themselves and answers in a split second, like a quick sketch instead of a full drawing.",
   "example": "Inżynier zmienia kształt skrzydła drona i od razu widzi przybliżony opływ powietrza, zamiast czekać na nocną symulację.",
   "example_en": "An engineer tweaks a drone wing's shape and instantly sees an approximate airflow instead of waiting for an overnight simulation.",
   "for_you": [
    "prowadzisz symulacje fizyczne lub inżynierskie",
    "potrzebujesz wielu szybkich przybliżeń zamiast jednego dokładnego wyniku"
   ],
   "for_you_en": [
    "run physical or engineering simulations",
    "need many quick approximations rather than one exact result"
   ],
   "how": "Wiedzę fizyczną wnosi się na trzy sposoby: w funkcji straty (residuum równania), w architekturze (symetrie, zachowanie wielkości) albo w danych z symulatora. Sieć może uczyć się pojedynczego rozwiązania lub całego operatora, który zamienia warunki wejściowe na pole rozwiązania.",
   "how_en": "Physical knowledge enters in three ways: through the loss (equation residual), the architecture (symmetries, conserved quantities) or simulator data. A network can learn a single solution or a whole operator mapping input conditions to a solution field.",
   "limits": "Dokładność zwykle ustępuje klasycznym solverom, a gwarancje błędu są słabe. Modele źle ekstrapolują poza zakres parametrów treningowych, a dane z symulacji są kosztowne.",
   "limits_en": "Accuracy usually trails classical solvers, and error guarantees are weak. Models extrapolate poorly beyond training parameter ranges, and simulation data is costly.",
   "terms": [
    {
     "gloss": "Równanie opisujące, jak wielkość zmienia się w przestrzeni i czasie.",
     "term": "PDE"
    },
    {
     "gloss": "Znane wartości na krawędziach obszaru, które rozwiązanie musi spełnić.",
     "term": "warunki brzegowe"
    },
    {
     "gloss": "Jak bardzo przybliżone rozwiązanie nie spełnia równania.",
     "term": "residuum"
    }
   ],
   "terms_en": [
    {
     "gloss": "An equation describing how a quantity changes over space and time.",
     "term": "PDE"
    },
    {
     "gloss": "Known values at a domain's edges that the solution must satisfy.",
     "term": "boundary conditions"
    },
    {
     "gloss": "How far an approximate solution is from satisfying the equation.",
     "term": "residual"
    }
   ],
   "prereq": [
    "calculus",
    "mathoptimization"
   ],
   "keywords": [
    "physics-informed neural networks",
    "Fourier Neural Operator",
    "DeepONet",
    "PhysicsNeMo",
    "DeepXDE",
    "surrogate modeling",
    "PDEBench",
    "differentiable simulation"
   ],
   "source_ids": [
    "ai4science-survey-2023",
    "pinn-2017",
    "fno-2020"
   ],
   "url": "https://aiatlasgraph.com/t/sciml",
   "markdown_url": "https://aiatlasgraph.com/t/sciml.md",
   "updated": "2026-10-30"
  },
  "search": {
   "id": "search",
   "parent_id": "foundations",
   "label": "Przeszukiwanie i planowanie",
   "canonical_name": "Search and planning",
   "description": "Jak szukać drogi do celu w przestrzeni możliwości.",
   "description_en": "How to find a route to a goal in a space of possibilities.",
   "examples": "A* · heurystyki · planowanie",
   "examples_en": "A* · heuristics · planning",
   "plain": "To szukanie rozwiązania wśród możliwych wyborów i układanie kroków prowadzących do celu.",
   "plain_en": "This finds solutions among possible choices and arranges steps towards a goal.",
   "solves": "Znasz cel, ale liczba możliwych dróg, ruchów lub układów utrudnia wybranie dobrego rozwiązania.",
   "solves_en": "You know the goal, but many possible routes, moves or arrangements make a good solution hard to find.",
   "does": "Porównuje możliwe działania i ich skutki, sprawdza warunki oraz wybiera, które warianty warto zbadać dalej.",
   "does_en": "It compares possible actions and their consequences, checks constraints and chooses which alternatives to explore further.",
   "example": "Program układa plan przewiezienia mebli, sprawdzając kolejność kursów, dostępność auta i to, co zmieści się w każdym przejeździe.",
   "example_en": "Software plans a furniture move by checking trip order, vehicle availability and what fits on each trip.",
   "for_you": [
    "masz cel i wiele możliwych sposobów jego osiągnięcia",
    "musisz ułożyć działania z uwzględnieniem ograniczeń"
   ],
   "for_you_en": [
    "have a goal and many ways to reach it",
    "need to arrange actions while respecting constraints"
   ],
   "how": "Stan początkowy, działania i test celu definiują przestrzeń możliwych rozwiązań. Algorytm rozwija kandydatów według kosztu, heurystyki lub ograniczeń, zapisując ścieżkę i odrzucając niepotrzebne powtórzenia.",
   "how_en": "Initial states, actions and goal tests define a solution space. Algorithms expand candidates by cost, heuristics or constraints, tracking paths and discarding unnecessary repetitions.",
   "limits": "Liczba stanów może rosnąć kombinatorycznie. Gwarancje zależą od sposobu rozwijania i modelu problemu; niedokładna heurystyka lub formalizacja może prowadzić do nieodpowiedniego wyniku.",
   "limits_en": "State counts can grow combinatorially. Guarantees depend on expansion strategy and problem modelling; inaccurate heuristics or formalisation can lead to unsuitable outcomes.",
   "terms": [
    {
     "gloss": "Zbiór sytuacji osiągalnych przez dopuszczalne działania.",
     "term": "przestrzeń stanów"
    },
    {
     "gloss": "Przybliżona ocena pomagająca wybrać obiecujących kandydatów do rozwinięcia.",
     "term": "heurystyka"
    }
   ],
   "terms_en": [
    {
     "gloss": "The set of situations reachable through permitted actions.",
     "term": "state space"
    },
    {
     "gloss": "An approximate score guiding which promising candidates to expand.",
     "term": "heuristic"
    }
   ],
   "keywords": [
    "breadth-first search",
    "depth-first search",
    "A*",
    "uniform-cost search",
    "constraint programming",
    "PDDL",
    "minimax",
    "Monte Carlo tree search"
   ],
   "source_ids": [
    "cs221",
    "cs229"
   ],
   "url": "https://aiatlasgraph.com/t/search",
   "markdown_url": "https://aiatlasgraph.com/t/search.md",
   "updated": "2026-10-30"
  },
  "searchpcg": {
   "id": "searchpcg",
   "parent_id": "pcg",
   "label": "Generowanie treści przez przeszukiwanie (ewolucyjne)",
   "canonical_name": "Search-based procedural content generation",
   "aliases": [
    "search-based PCG",
    "SBPCG",
    "evolutionary level generation",
    "ewolucyjne generowanie poziomów",
    "generowanie przez optymalizację"
   ],
   "description": "Generowanie treści gier metaheurystykami, głównie ewolucyjnymi, które przeszukują przestrzeń reprezentacji treści według funkcji oceny jakości.",
   "description_en": "Generating game content with metaheuristics, mostly evolutionary, which search a space of content representations guided by a quality evaluation function.",
   "plain": "Program tworzy wiele wersji poziomu, ocenia każdą i krzyżuje najlepsze, aż dostanie poziom, który dobrze się gra.",
   "plain_en": "A program makes many versions of a level, scores each and breeds the best ones until it gets a level that plays well.",
   "solves": "Proste generatory losowe dają poziomy niegrywalne albo nudne, a nikt nie ma czasu ręcznie przeglądać tysięcy wariantów.",
   "solves_en": "Simple random generators produce levels that are unplayable or dull, and nobody has time to review thousands of variants by hand.",
   "does": "Jak hodowca róż: krzyżuje najładniejsze okazy z każdego pokolenia i po wielu sezonach ma odmiany, jakich nikt nie zaprojektował.",
   "does_en": "Like a rose breeder crossing the finest plants of each generation until, after many seasons, varieties appear that nobody designed.",
   "example": "Generator plansz do gry logicznej ocenia, czy każda plansza ma rozwiązanie i nie jest za łatwa, a przepuszcza tylko udane.",
   "example_en": "A puzzle-board generator checks that each board has a solution and is not too easy, and only lets the good ones through.",
   "for_you": [
    "chcesz generować poziomy spełniające konkretne warunki",
    "potrzebujesz wielu różnych, ale grywalnych map"
   ],
   "for_you_en": [
    "want to generate levels that meet specific conditions",
    "need many different but playable maps"
   ],
   "how": "Treść zapisuje się jako genotyp, np. listę elementów planszy, który przekłada się na poziom. Funkcja oceny mierzy cechy wprost, symulacją rozgrywki przez agenta albo modelem doświadczenia gracza. Algorytm ewolucyjny lub jakościowo-różnorodnościowy iteracyjnie mutuje i selekcjonuje kandydatów, zwracając najlepszy wariant albo całe ich archiwum.",
   "how_en": "Content is encoded as a genotype, such as a list of board elements, that maps to a level. The evaluation function measures features directly, through gameplay simulation by an agent, or with a player-experience model. An evolutionary or quality-diversity algorithm mutates and selects candidates, returning the best variant or a whole archive.",
   "limits": "Wynik zależy od funkcji oceny, a zmierzyć „zabawę” jest trudno. Symulowanie rozgrywki dla każdego kandydata jest wolne, więc metoda rzadko działa w czasie gry. Źle dobrana reprezentacja zawęża to, co da się wygenerować.",
   "limits_en": "The result depends on the evaluation function, and 'fun' is hard to measure. Simulating gameplay for each candidate is slow, so the method rarely runs during play. A poor representation narrows what can be generated.",
   "terms": [
    {
     "gloss": "Zakodowany opis treści, na którym działa mutacja i krzyżowanie.",
     "term": "genotyp"
    },
    {
     "gloss": "Wzór lub symulacja dająca kandydatowi wynik jakości.",
     "term": "funkcja oceny"
    },
    {
     "gloss": "Agent rozgrywa poziom, a wynik gry staje się oceną.",
     "term": "ocena symulacyjna"
    }
   ],
   "terms_en": [
    {
     "gloss": "An encoded content description that mutation and crossover act on.",
     "term": "genotype"
    },
    {
     "gloss": "A formula or simulation giving a candidate a quality score.",
     "term": "evaluation function"
    },
    {
     "gloss": "An agent plays the level and the outcome becomes its score.",
     "term": "simulation-based evaluation"
    }
   ],
   "prereq": [
    "geneticalgorithms",
    "mapelites"
   ],
   "keywords": [
    "search-based PCG",
    "genetic algorithms",
    "MAP-Elites",
    "constrained novelty search",
    "fitness function",
    "simulation-based evaluation",
    "illuminating level space"
   ],
   "source_ids": [
    "togelius-sbpcg-2011"
   ],
   "url": "https://aiatlasgraph.com/t/searchpcg",
   "markdown_url": "https://aiatlasgraph.com/t/searchpcg.md",
   "updated": "2026-10-30"
  },
  "secopsai": {
   "id": "secopsai",
   "parent_id": "cyberai",
   "label": "AI w zespole reagowania (SOC)",
   "canonical_name": "AI for security operations (SOC)",
   "aliases": [
    "AI SOC",
    "SOC automation",
    "security copilots",
    "agentic SOC",
    "AI w SOC",
    "LLM for security operations"
   ],
   "description": "Modele językowe i agenci wspierający analityków bezpieczeństwa: triaż alertów, dochodzenie, analiza logów i raportów o zagrożeniach.",
   "description_en": "Language models and agents supporting security analysts: alert triage, investigation, log analysis and threat-report analysis.",
   "plain": "Asystenci AI, którzy pomagają dyżurnym od bezpieczeństwa przesiać alarmy, zebrać dowody i szybciej zdecydować, co jest prawdziwym atakiem.",
   "plain_en": "AI assistants that help security staff on duty sift alarms, gather evidence and decide faster what is a real attack.",
   "solves": "Zespół dostaje dziesiątki tysięcy alarmów dziennie, prawie wszystkie fałszywe, i przez zmęczenie przeocza ten jeden prawdziwy.",
   "solves_en": "A team gets tens of thousands of alarms a day, nearly all false, and fatigue makes it miss the one real attack.",
   "does": "Jak sprawny stażysta przy detektywie: zbiera akta, sprawdza alibi w kilku bazach i przynosi gotowy raport do podpisu.",
   "does_en": "Like a sharp intern working for a detective: pulls the files, checks alibis in several databases and brings a report ready to sign.",
   "example": "Alarm o podejrzanym logowaniu pracownika; asystent sprawdza jego zwykłe miejsca, urządzenia i ostatnie zmiany hasła i pisze, że to prawdopodobnie podróż służbowa.",
   "example_en": "An alert about an employee's suspicious login; the assistant checks their usual locations, devices and recent password changes and notes it's likely a business trip.",
   "for_you": [
    "pracujesz na dyżurach bezpieczeństwa IT",
    "toniesz w alertach z narzędzi monitorujących",
    "budujesz agentów korzystających z wielu narzędzi"
   ],
   "for_you_en": [
    "work security IT on-call shifts",
    "are drowning in alerts from monitoring tools",
    "build agents that use many tools"
   ],
   "how": "Agent z dostępem do SIEM, EDR i baz reputacji odpytuje źródła, streszcza dowody i proponuje werdykt z uzasadnieniem do zatwierdzenia przez człowieka. Modele językowe tłumaczą też pytania na zapytania do logów i wyciągają z raportów o zagrożeniach techniki ataku oraz wskaźniki kompromitacji.",
   "how_en": "An agent with access to SIEM, EDR and reputation databases queries sources, summarises evidence and proposes a verdict with reasoning for human approval. Language models also translate questions into log queries and extract attack techniques and indicators of compromise from threat reports.",
   "limits": "Model potrafi pewnym tonem zmyślić dowód lub przeoczyć sygnał w zaszumionych danych. Agent z uprawnieniami do blokowania kont sam staje się celem ataku przez spreparowane logi. Brakuje publicznych danych z prawdziwych dochodzeń do rzetelnej oceny.",
   "limits_en": "The model can confidently invent evidence or miss a signal in noisy data. An agent allowed to block accounts becomes a target itself, via crafted log entries. Public data from real investigations for sound evaluation are scarce.",
   "terms": [
    {
     "gloss": "Wstępna ocena, które alarmy są prawdziwe i pilne.",
     "term": "triaż alertów"
    },
    {
     "gloss": "Oprogramowanie śledzące zdarzenia na komputerach i serwerach w firmie.",
     "term": "EDR"
    },
    {
     "gloss": "Ślad włamania, np. adres serwera lub skrót złośliwego pliku.",
     "term": "IOC"
    }
   ],
   "terms_en": [
    {
     "gloss": "First assessment of which alarms are real and urgent.",
     "term": "alert triage"
    },
    {
     "gloss": "Software tracking events on a company's computers and servers.",
     "term": "EDR"
    },
    {
     "gloss": "A trace of compromise, such as a server address or malicious file hash.",
     "term": "IOC"
    }
   ],
   "prereq": [
    "agentsnode",
    "infoextraction"
   ],
   "keywords": [
    "SOC automation",
    "alert triage",
    "security copilot",
    "agentic SOC",
    "SOAR",
    "SIEM",
    "EDR",
    "threat hunting",
    "incident response",
    "CTIBench",
    "MITRE ATT&CK"
   ],
   "source_ids": [
    "lazer-agentic-ai-cybersecurity-2026",
    "wei-cortex-alert-triage-2025",
    "habibzadeh-llm-soc-survey-2025",
    "anthropic-ai-orchestrated-espionage-2025"
   ],
   "url": "https://aiatlasgraph.com/t/secopsai",
   "markdown_url": "https://aiatlasgraph.com/t/secopsai.md",
   "updated": "2026-10-30"
  },
  "security": {
   "id": "security",
   "parent_id": "safety",
   "label": "Bezpieczeństwo aplikacji AI",
   "canonical_name": "AI application security",
   "description": "Ochrona danych, narzędzi i wykonania.",
   "description_en": "Protecting data, tools and execution.",
   "examples": "Prompt injection · eksfiltracja · sandboxing · łańcuch dostaw modeli",
   "examples_en": "Prompt injection · exfiltration · sandboxing · model supply chain",
   "plain": "To ochrona danych, narzędzi i wykonywanych działań przed atakami na aplikacje korzystające z modeli.",
   "plain_en": "This protects data, tools and actions against attacks on applications that use models.",
   "solves": "Złośliwa treść, plik lub komponent może skłonić aplikację do ujawnienia danych albo wykonania niechcianego działania.",
   "solves_en": "Malicious content, files or components can make an application expose data or perform unwanted actions.",
   "does": "Ogranicza uprawnienia, rozdziela zaufane polecenia od danych, sprawdza pochodzenie komponentów i izoluje wykonanie, żeby zmniejszyć skutki przejęcia.",
   "does_en": "It limits permissions, separates trusted instructions from data, verifies component origins and isolates execution to reduce the impact of compromise.",
   "example": "Asystent czytający dokumenty nie ma uprawnienia do wysyłania plików na zewnątrz, nawet gdy dokument tego żąda.",
   "example_en": "An assistant reading documents lacks permission to send files externally, even when a document requests it.",
   "for_you": [
    "model ma dostęp do danych lub narzędzi",
    "aplikacja przetwarza treści od obcych osób"
   ],
   "for_you_en": [
    "give a model access to data or tools",
    "process content supplied by other people"
   ],
   "how": "Dane i polecenia przechodzą przez granice zaufania, za którymi narzędzia mają niezależnie egzekwowane uprawnienia. Izolacja, walidacja argumentów i kontrola dostępu ograniczają skutki przejętego modelu, a logi umożliwiają analizę przebiegu.",
   "how_en": "Data and instructions cross trust boundaries behind which tools independently enforce permissions. Isolation, argument validation and access controls limit compromised-model effects, while logs enable execution analysis.",
   "limits": "Model nie jest wiarygodnym mechanizmem autoryzacji. Nadmierne uprawnienia, niezabezpieczone ścieżki i błędna obsługa wyników mogą ominąć ochronę; logowanie samo nie zatrzymuje działania.",
   "limits_en": "Models are not reliable authorisation mechanisms. Excessive permissions, unprotected paths and mishandled outputs can bypass controls; logging alone cannot stop actions.",
   "terms": [
    {
     "gloss": "Miejsce oddzielające dane i działania o różnych uprawnieniach.",
     "term": "granica zaufania"
    },
    {
     "gloss": "Przydzielenie tylko dostępu niezbędnego do wykonania konkretnego zadania.",
     "term": "zasada najmniejszych uprawnień"
    }
   ],
   "terms_en": [
    {
     "gloss": "A boundary separating data and actions with different permissions.",
     "term": "trust boundary"
    },
    {
     "gloss": "Granting only access required for a specific task.",
     "term": "least privilege"
    }
   ],
   "prereq": [
    "structured",
    "workflows"
   ],
   "keywords": [
    "OWASP LLM Top 10",
    "trust boundaries",
    "least privilege",
    "threat modeling",
    "sandboxing",
    "data exfiltration",
    "artifact integrity",
    "instruction hierarchy"
   ],
   "source_ids": [
    "nist",
    "fsdl",
    "machina-x-agents",
    "mlabonne-llm-course",
    "owasp-llm-top10-2025"
   ],
   "url": "https://aiatlasgraph.com/t/security",
   "markdown_url": "https://aiatlasgraph.com/t/security.md",
   "updated": "2026-10-30"
  },
  "sedd": {
   "id": "sedd",
   "parent_id": "dllm",
   "label": "Dyskretna dyfuzja ze score entropy",
   "canonical_name": "Score entropy discrete diffusion",
   "aliases": [
    "SEDD",
    "score entropy",
    "ratio matching discrete diffusion"
   ],
   "description": "Dyskretna dyfuzja uczona stratą score entropy, która dopasowuje stosunki prawdopodobieństw tokenów.",
   "description_en": "Discrete diffusion trained with score entropy, which matches ratios of token probabilities.",
   "plain": "Model uczy się, które słowa są w danym miejscu bardziej prawdopodobne od innych, i z tego generuje tekst.",
   "plain_en": "A model learns which words are more likely than others at a spot, then uses that to generate text.",
   "solves": "Zwykłe odszumianie liczb nie pasuje do słów, a proste macierze przejść słabo trzymają jakość tekstu.",
   "solves_en": "Ordinary number denoising does not fit words, and simple transition matrices struggle to keep text quality.",
   "does": "Zamiast zgadywać samo słowo, sieć szacuje stosunki szans między słowami. Z tych stosunków liczy się krok cofania uszkodzenia.",
   "does_en": "Instead of guessing the word alone, the network estimates odds ratios between words. Those ratios drive the step that undoes corruption.",
   "example": "Przy uzupełnianiu luki model podnosi szansę słowa pasującego do lewej i prawej strony, a obniża słowa sprzeczne z obiema.",
   "example_en": "When filling a gap, the model raises the chance of a word that fits both sides and lowers words that clash with either.",
   "for_you": [
    "chcesz generator tekstu sterowany szansami słów",
    "uzupełniasz środek zdania, nie tylko koniec",
    "porównujesz cele treningu dyfuzji dyskretnej"
   ],
   "for_you_en": [
    "want a text generator steered by word odds",
    "fill the middle of a sentence, not only the end",
    "compare training objectives for discrete diffusion"
   ],
   "how": "Score entropy rozszerza dopasowanie score na stany dyskretne: sieć uczy się stosunków gęstości między tokenami, nie gradientu po liczbach. Z tych stosunków buduje się odwrotny proces na słowach. Próbkowanie może iść dowolną kolejnością i uzupełniać luki bez wymuszania kierunku w prawo.",
   "how_en": "Score entropy extends score matching to discrete states: a network learns density ratios between tokens, not a gradient over numbers. Those ratios build the reverse process on words. Sampling can follow any order and fill gaps without forcing a left-to-right direction.",
   "limits": "Uczenie stosunków prawdopodobieństw wymaga innego celu i procesu odwrotnego niż klasyczna maskowana entropia krzyżowa. Jakość i koszt zależą od liczby ocen sieci oraz sposobu próbkowania. Wyniki pracy źródłowej były konkurencyjne wobec porównywanych modeli autoregresyjnych, ale nie dowodzą przewagi przy każdej skali, architekturze i budżecie obliczeń.",
   "limits_en": "Learning probability ratios requires a different objective and reverse process from standard masked cross-entropy. Quality and cost depend on the number of network evaluations and sampling method. Results in the source paper were competitive with the compared autoregressive models, but do not establish an advantage at every scale, architecture and compute budget.",
   "terms": [
    {
     "gloss": "Strata, która uczy stosunków szans między dyskretnymi słowami.",
     "term": "score entropy"
    },
    {
     "gloss": "Ile razy jedno słowo jest prawdopodobniejsze od drugiego.",
     "term": "stosunek gęstości"
    }
   ],
   "terms_en": [
    {
     "gloss": "A loss that learns odds ratios between discrete words.",
     "term": "score entropy"
    },
    {
     "gloss": "How many times one word is more probable than another.",
     "term": "density ratio"
    }
   ],
   "prereq": [
    "distributions",
    "nexttoken"
   ],
   "keywords": [
    "SEDD",
    "score entropy",
    "density ratio estimation",
    "discrete score matching",
    "any-order generation",
    "infilling"
   ],
   "source_ids": [
    "lou-sedd-2023"
   ],
   "url": "https://aiatlasgraph.com/t/sedd",
   "markdown_url": "https://aiatlasgraph.com/t/sedd.md",
   "updated": "2026-10-30"
  },
  "segmentation": {
   "id": "segmentation",
   "parent_id": "visionnode",
   "label": "Segmentacja obrazu",
   "canonical_name": "Image segmentation",
   "description": "Podział obrazu na obszary z dokładnością do piksela — maski zamiast prostokątów.",
   "description_en": "Dividing an image into regions at pixel level — masks instead of boxes.",
   "examples": "maski · mIoU · medycyna · autonomiczna jazda",
   "examples_en": "masks · mIoU · medical imaging · autonomous driving",
   "plain": "To dzielenie zdjęcia na dokładne obszary odpowiadające przedmiotom lub częściom sceny.",
   "plain_en": "This divides an image into precise regions corresponding to objects or parts of a scene.",
   "solves": "Prostokąt wokół przedmiotu obejmuje też tło, więc nie wystarcza do jego dokładnego wycięcia.",
   "solves_en": "A rectangle around an object includes background, so it cannot provide a precise cutout.",
   "does": "Model przypisuje poszczególne punkty obrazu do obszarów, tworząc ich kształty zamiast przybliżonych ramek.",
   "does_en": "A model assigns individual image pixels to regions, producing shapes rather than approximate boxes.",
   "example": "Program oddziela włosy i ramiona osoby od ściany, żeby zmienić tło portretu.",
   "example_en": "Software separates a person's hair and shoulders from the wall to change a portrait's background.",
   "for_you": [
    "wycinasz rzeczy ze zdjęć",
    "potrzebujesz dokładnych granic widocznego obiektu"
   ],
   "for_you_en": [
    "cut objects out of photos",
    "need precise boundaries of a visible object"
   ],
   "how": "Enkoder i dekoder przewidują przynależność pikseli do klas lub obiektów, często łącząc cechy różnych rozdzielczości. Straty masek i granic dopasowują strukturę przestrzenną do anotacji.",
   "how_en": "Encoders and decoders predict pixel membership in classes or objects, often combining features across resolutions. Mask and boundary losses fit spatial structure to annotations.",
   "limits": "Anotacja masek jest kosztowna, a granice mogą być niejednoznaczne. Skalowanie gubi drobne struktury; wynik zależy od przyjętego podziału klas oraz obiektów.",
   "limits_en": "Mask annotation is costly, and boundaries can be ambiguous. Scaling loses fine structures; results depend on chosen class and object definitions.",
   "terms": [
    {
     "gloss": "Mapa przynależności pikseli do wybranego obszaru lub kategorii.",
     "term": "maska"
    },
    {
     "gloss": "Moduł odtwarzający wynik o rozdzielczości powiązanej z obrazem wejściowym.",
     "term": "dekoder przestrzenny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A map of pixel membership in a region or category.",
     "term": "mask"
    },
    {
     "gloss": "A module recovering outputs at a resolution related to the input image.",
     "term": "spatial decoder"
    }
   ],
   "prereq": [
    "cnn",
    "supervised"
   ],
   "keywords": [
    "pixel masks",
    "mIoU",
    "U-Net",
    "DeepLab",
    "Mask2Former",
    "SAM",
    "panoptic quality",
    "dense prediction"
   ],
   "source_ids": [
    "cs231n-2026-schedule",
    "hf-cv-course"
   ],
   "url": "https://aiatlasgraph.com/t/segmentation",
   "markdown_url": "https://aiatlasgraph.com/t/segmentation.md",
   "updated": "2026-10-30"
  },
  "selfassessment": {
   "id": "selfassessment",
   "parent_id": "safetyevals",
   "label": "Samocena rozmowy pod kątem nadużyć",
   "canonical_name": "Conversation self-assessment for misuse detection",
   "aliases": [
    "self-assessment",
    "conversation self-assessment",
    "samocena bezpieczeństwa"
   ],
   "description": "Model po odpowiedzi generuje krótką ocenę bezpieczeństwa własnej rozmowy, wykorzystując już obliczony kontekst.",
   "description_en": "After responding, the model generates a short safety assessment of its own conversation, reusing the already computed context.",
   "plain": "Model po odpowiedzi sam sprawdza, czy rozmowa wygląda na potencjalne nadużycie.",
   "plain_en": "After answering, the model checks whether the conversation looks like potential misuse.",
   "solves": "Filtry i klasyfikatory mogą przegapić nowe lub nietypowe formy nadużyć, które model sam rozpoznaje z kontekstu.",
   "solves_en": "Filters and classifiers can miss new or unusual forms of misuse that the model itself recognizes from context.",
   "does": "Po odpowiedzi model dostaje krótką prośbę o refleksję i zwraca zwięzłą ocenę, która idzie do późniejszego przeglądu.",
   "does_en": "After the response, the model receives a short reflection request and returns a compact assessment that goes to later review.",
   "example": "Asystent odpowiada na prośbę o pomoc w pisaniu złośliwego kodu, a potem oznacza całą rozmowę jako podejrzaną do sprawdzenia przez człowieka.",
   "example_en": "An assistant answers a request for help writing malicious code, then flags the whole conversation as suspicious for human review.",
   "for_you": [
    "udostępniasz model na dużą skalę i chcesz wyłapywać nietypowe nadużycia",
    "potrzebujesz taniego dodatkowego sygnału bezpieczeństwa obok filtrów"
   ],
   "for_you_en": [
    "make a model available at scale and want to catch unusual misuse",
    "need a cheap additional safety signal alongside filters"
   ],
   "how": "Po wygenerowaniu odpowiedzi do kontekstu dołączana jest krótka instrukcja refleksji. Model produkuje zwięzły JSON z flagą, kategorią i priorytetem, korzystając z istniejącego KV cache. Trening łączy SFT na etykietach silniejszego klasyfikatora z RL za zgodność formatu i etykiet. Ocena jest pasywna i służy do offline review lub eskalacji.",
   "how_en": "After generating a response, a short reflection instruction is appended to the context. The model produces a compact JSON with a flag, category and priority, reusing the existing KV cache. Training combines SFT on labels from a stronger classifier with RL for format and label agreement. The assessment is passive and used for offline review or escalation.",
   "limits": "Słaba jako samodzielna blokada przeciwko celowym atakom; dziedziczy ślepe plamy nauczyciela i może nie rozpoznać nowych szkód. Raportowane wyniki mierzą zgodność względem klasyfikatora-nauczyciela, a nie niezależnej prawdy podstawowej. Nawet przy niskim odsetku fałszywych alarmów wymaga dalszego przeglądu; rozminięty model może próbować manipulować własną oceną.",
   "limits_en": "Weak as a standalone blocker against targeted attacks; inherits the teacher's blind spots and may miss novel harms. Reported results measure agreement against the teacher classifier rather than independent ground truth. Even at a low false-positive rate it requires downstream review; a misaligned model may try to manipulate its own assessment.",
   "terms": [
    {
     "gloss": "Krótka ocena bezpieczeństwa rozmowy generowana przez sam model po odpowiedzi.",
     "term": "samocena"
    },
    {
     "gloss": "Silniejszy klasyfikator używany do etykietowania danych treningowych samoceny.",
     "term": "nauczyciel"
    }
   ],
   "terms_en": [
    {
     "gloss": "A short safety assessment of the conversation generated by the model itself after responding.",
     "term": "self-assessment"
    },
    {
     "gloss": "A stronger classifier used to label training data for self-assessment.",
     "term": "teacher"
    }
   ],
   "prereq": [
    "safetyclassifiers"
   ],
   "keywords": [
    "self-assessment",
    "misuse detection",
    "conversation monitoring",
    "KV cache reuse",
    "passive flagging",
    "defense-in-depth"
   ],
   "source_ids": [
    "anthropic-selfassessment-2026"
   ],
   "url": "https://aiatlasgraph.com/t/selfassessment",
   "markdown_url": "https://aiatlasgraph.com/t/selfassessment.md",
   "updated": "2026-10-30"
  },
  "selfattention": {
   "id": "selfattention",
   "parent_id": "transformers",
   "label": "Mechanizm self-attention (zapytania, klucze, wartości)",
   "canonical_name": "Self-attention (queries, keys, values)",
   "aliases": [
    "self-attention",
    "attention mechanism",
    "mechanizm uwagi",
    "scaled dot-product attention",
    "QKV",
    "multi-head attention",
    "uwaga wielogłowicowa",
    "causal attention"
   ],
   "description": "Serce transformera: każdy token tworzy zapytanie (Q), klucz (K) i wartość (V), a wynik to średnia wartości ważona podobieństwem zapytania do kluczy wszystkich tokenów. Dzięki temu model łączy informacje z całej sekwencji naraz; koszt rośnie kwadratowo z długością tekstu. W modelach generujących tekst stosuje się maskę przyczynową (token widzi tylko poprzednie).",
   "description_en": "The heart of the transformer: each token produces a query (Q), key (K) and value (V), and the output is a weighted average of values, weighted by query–key similarity across all tokens. This lets the model mix information from the whole sequence at once; cost grows quadratically with length. Text-generating models use a causal mask (a token sees only earlier ones).",
   "examples": "scaled dot-product attention · wiele głów (multi-head) · maska przyczynowa · cross-attention",
   "examples_en": "scaled dot-product attention · multi-head attention · causal mask · cross-attention",
   "plain": "To sposób, w jaki każdy fragment danych dobiera informacje z innych fragmentów tego samego wejścia.",
   "plain_en": "This lets each data element draw information from other elements of the same input.",
   "solves": "Samo słowo nie wystarcza, żeby ustalić, do czego odnosi się w całym zdaniu.",
   "solves_en": "A word alone is not enough to determine what it refers to in a sentence.",
   "does": "Fragmenty tworzą zapytania i opisy, porównują je, a potem mieszają informacje według dopasowania i dozwolonego zakresu widzenia.",
   "does_en": "Elements create queries and descriptors, compare them, then mix information according to their match and the permitted viewing range.",
   "example": "W zdaniu o oddaniu klucza sąsiadowi model zestawia zaimek z wcześniejszą wzmianką, żeby przygotować odpowiedź o odbiorcy.",
   "example_en": "In a sentence about giving a neighbour a key, a model connects a pronoun with an earlier reference to answer about the recipient.",
   "for_you": [
    "chcesz zrozumieć, jak model wykorzystuje kontekst",
    "analizujesz zależności między fragmentami tekstu"
   ],
   "for_you_en": [
    "want to understand how a model uses context",
    "analyse relationships between text fragments"
   ],
   "how": "Projekcje wejścia tworzą zapytania, klucze i wartości; skalowane iloczyny zapytań z kluczami przechodzą przez maskę i softmax. Powstałe wagi mieszają wartości, a równoległe głowy uczą różnych relacji przed połączeniem wyjść.",
   "how_en": "Input projections form queries, keys and values; scaled query–key dot products pass through masking and softmax. The resulting weights mix values, while parallel heads learn different relationships before their outputs are combined.",
   "limits": "Pełny zbiór relacji rośnie kwadratowo z długością. Wagi uwagi nie są same w sobie wyjaśnieniem przyczynowym; brak właściwej maski może ujawniać informacje niedostępne w zadaniu.",
   "limits_en": "The full relationship set grows quadratically with length. Attention weights alone are not causal explanations; incorrect masking can expose information unavailable in the task.",
   "terms": [
    {
     "gloss": "Przekształcenie wyników porównania w nieujemne wagi sumujące się do jedności.",
     "term": "softmax"
    },
    {
     "gloss": "Ograniczenie dostępu pozycji do niej samej i wcześniejszych pozycji.",
     "term": "maska przyczynowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Transforming comparison scores into nonnegative weights summing to one.",
     "term": "softmax"
    },
    {
     "gloss": "Restricting a position's access to itself and earlier positions.",
     "term": "causal mask"
    }
   ],
   "prereq": [
    "linearalgebra",
    "probability"
   ],
   "keywords": [
    "scaled dot-product attention",
    "multi-head attention",
    "causal masks",
    "cross-attention",
    "query-key-value projections",
    "softmax scaling"
   ],
   "source_ids": [
    "d2l-toc",
    "vaswani-attention-2017",
    "hf-llm-course-transformer-arch"
   ],
   "url": "https://aiatlasgraph.com/t/selfattention",
   "markdown_url": "https://aiatlasgraph.com/t/selfattention.md",
   "updated": "2026-10-30"
  },
  "selfdirection": {
   "id": "selfdirection",
   "parent_id": "agentsnode",
   "label": "Trwałe naprawy agentów przez adaptery lekcji",
   "canonical_name": "Persistent agent repair with lesson adapters",
   "aliases": [
    "Self-Direction",
    "self-directed repair",
    "LoRA lesson library"
   ],
   "description": "Mechanizm, w którym agent po niepowodzeniu destyluje lekcje z trajektorii do lekkiego adaptera LoRA, zachowując bazowe wagi zamrożone.",
   "description_en": "A mechanism in which an agent, after failure, distils a lesson from its trajectory into a lightweight LoRA adapter while keeping base weights frozen.",
   "plain": "Agent po błędzie wyciąga lekcje i zapisuje ją jako mały adapter, żeby nie powtarzać pomyłki.",
   "plain_en": "After a failure the agent extracts a lesson and stores it as a small adapter so it does not repeat the mistake.",
   "solves": "Asystent naprawia błąd tylko na chwilę, a przy następnym podobnym zadaniu znowu się myli.",
   "solves_en": "An assistant fixes a mistake only temporarily and repeats it on the next similar task.",
   "does": "Po niepowodzeniu analizuje własną ścieżkę, uczy mały adapter na lekcji i trzyma go w bibliotece do późniejszego użycia.",
   "does_en": "After failure it analyses its own path, trains a small adapter on the lesson and keeps it in a library for later use.",
   "example": "Agent nie umie paginować wyników wyszukiwania. Po błędzie tworzy adapter, który później pomaga przy podobnych zadaniach zbierania danych.",
   "example_en": "An agent fails at paginating search results. After the mistake it creates an adapter that later helps on similar data-gathering tasks.",
   "for_you": [
    "asystent powtarza te same pomyłki w kolejnych sesjach",
    "chcesz, by doświadczenie z błędów zostawało na dłużej",
    "masz otwarte modele i możesz trenować małe adaptery"
   ],
   "for_you_en": [
    "the assistant repeats the same mistakes across sessions",
    "want experience from errors to stick longer",
    "have open models and can train small adapters"
   ],
   "how": "Po wykryciu błędu agent reflektuje nad trajektorią i generuje przykłady naprawcze. Te przykłady służą do szybkiego treningu adaptera LoRA o niskiej randze (~0,02% parametrów bazy). Adapter trafia do biblioteki i jest routowany do podobnych zadań, a wagi bazowe pozostają nietknięte.",
   "how_en": "Upon detecting failure the agent reflects on its trajectory and generates corrective examples. These examples train a low-rank LoRA adapter (~0.02% of base parameters). The adapter joins a library and is routed to similar tasks while base weights stay frozen.",
   "limits": "Metoda działa dopiero po wykrytym niepowodzeniu, wymaga treningu i przechowywania osobnego adaptera oraz trafnego routingu lekcji. Publikacja ocenia ją na agentach opartych na otwartych modelach Qwen w trzech zestawach zadań; nie wykazuje jeszcze przenoszenia adapterów między rodzinami modeli.",
   "limits_en": "The method acts only after a detected failure, requires training and storing a separate adapter, and depends on accurate lesson routing. The paper evaluates Qwen-based open-weight agents on three task suites; it does not yet establish adapter transfer across model families.",
   "terms": [
    {
     "gloss": "Mała dodatkowa warstwa, którą dokłada się do modelu bez zmiany głównych wag.",
     "term": "adapter LoRA"
    },
    {
     "gloss": "Zbiór zapisanych adapterów, z których agent wybiera pasujący do zadania.",
     "term": "biblioteka lekcji"
    },
    {
     "gloss": "Analiza własnej ścieżki działań, żeby wyciągnąć, co poszło nie tak.",
     "term": "refleksja nad trajektorią"
    }
   ],
   "terms_en": [
    {
     "gloss": "A small extra layer added to the model without changing the main weights.",
     "term": "LoRA adapter"
    },
    {
     "gloss": "A collection of stored adapters from which the agent selects one matching the task.",
     "term": "lesson library"
    },
    {
     "gloss": "Analysis of one’s own action path to extract what went wrong.",
     "term": "trajectory reflection"
    }
   ],
   "prereq": [
    "adapters"
   ],
   "keywords": [
    "Self-Direction",
    "LoRA skill",
    "failure distillation",
    "agent continual learning",
    "adapter library",
    "Qwen agents",
    "GAIA",
    "Terminal-Bench"
   ],
   "source_ids": [
    "kansal-selfdirection-2026"
   ],
   "url": "https://aiatlasgraph.com/t/selfdirection",
   "markdown_url": "https://aiatlasgraph.com/t/selfdirection.md",
   "updated": "2026-10-30"
  },
  "selfdrivinglabs": {
   "id": "selfdrivinglabs",
   "parent_id": "discovery",
   "label": "Laboratoria autonomiczne (self-driving labs)",
   "canonical_name": "Self-driving laboratories",
   "aliases": [
    "self-driving labs",
    "SDL",
    "autonomous laboratories",
    "laboratoria samosterujące",
    "closed-loop experimentation"
   ],
   "description": "Zamknięta pętla projektuj–wykonaj–zmierz–analizuj: robotyka wykonuje eksperymenty, a model (zwykle optymalizacja bayesowska, coraz częściej agent LLM) wybiera następne.",
   "description_en": "A closed design–make–measure–analyse loop: robotics runs experiments and a model (usually Bayesian optimisation, increasingly an LLM agent) chooses the next ones.",
   "plain": "Laboratoria, w których roboty wykonują doświadczenia, a algorytm sam decyduje, co sprawdzić w następnej kolejności.",
   "plain_en": "Labs where robots run the experiments and an algorithm decides by itself what to try next.",
   "solves": "Ręczne prowadzenie setek prób z ciągłym dobieraniem parametrów jest powolne, monotonne i podatne na błędy.",
   "solves_en": "Running hundreds of trials by hand while constantly adjusting settings is slow, tedious and error-prone.",
   "does": "Jak gra w ciepło–zimno: każdy wynik podpowiada algorytmowi, w którą stronę zmienić przepis, żeby szybciej trafić w cel.",
   "does_en": "Like a game of hot and cold: each result tells the algorithm which way to change the recipe to reach the goal sooner.",
   "example": "Automat miesza roztwory do nowej powłoki, mierzy jej przewodność i w nocy sam wybiera kolejne proporcje do sprawdzenia.",
   "example_en": "A robot mixes solutions for a new coating, measures its conductivity and overnight picks the next ratios to try by itself.",
   "for_you": [
    "optymalizujesz przepis lub proces metodą prób",
    "masz dostęp do zautomatyzowanej aparatury"
   ],
   "for_you_en": [
    "optimise a recipe or process by trial and error",
    "have access to automated lab equipment"
   ],
   "how": "Model zastępczy, najczęściej proces gaussowski, przybliża zależność wyniku od parametrów, a funkcja akwizycji równoważy eksplorację i eksploatację przy wyborze kolejnego eksperymentu. Rozszerzenia obsługują wiele celów, ograniczenia sprzętowe, pomiary różnej wierności i równoległe stanowiska; agenci LLM mogą planować protokoły i pisać kod sterujący.",
   "how_en": "A surrogate model, most often a Gaussian process, approximates how results depend on parameters, and an acquisition function balances exploration and exploitation when choosing the next experiment. Extensions handle multiple objectives, hardware constraints, multi-fidelity measurements and parallel stations; LLM agents can plan protocols and write control code.",
   "limits": "Integracja sprzętu jest droga i krucha, a awarie i dryf aparatury psują dane. Optymalizacja bayesowska słabo skaluje się na wiele wymiarów i zmiennych kategorycznych; system optymalizuje to, co mierzy, a nie to, co ważne.",
   "limits_en": "Hardware integration is expensive and brittle, and equipment failures and drift corrupt data. Bayesian optimisation scales poorly to many dimensions and categorical variables; the system optimises what it measures, not what matters.",
   "terms": [
    {
     "gloss": "Reguła wybierająca, który eksperyment da najwięcej informacji lub zysku.",
     "term": "funkcja akwizycji"
    },
    {
     "gloss": "Model podający przewidywanie wraz z niepewnością dla każdego ustawienia.",
     "term": "proces gaussowski"
    },
    {
     "gloss": "Łączenie tanich, przybliżonych pomiarów z drogimi, dokładnymi.",
     "term": "wiele wierności"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule choosing which experiment yields the most information or gain.",
     "term": "acquisition function"
    },
    {
     "gloss": "A model giving a prediction plus uncertainty for every setting.",
     "term": "Gaussian process"
    },
    {
     "gloss": "Combining cheap approximate measurements with expensive accurate ones.",
     "term": "multi-fidelity"
    }
   ],
   "prereq": [
    "hptuning",
    "bayesinference"
   ],
   "keywords": [
    "Bayesian optimization",
    "Gaussian processes",
    "acquisition functions",
    "BoTorch",
    "Ax",
    "Atlas",
    "Coscientist",
    "cloud labs"
   ],
   "source_ids": [
    "coscientist-2023",
    "atlas-sdl-2025"
   ],
   "url": "https://aiatlasgraph.com/t/selfdrivinglabs",
   "markdown_url": "https://aiatlasgraph.com/t/selfdrivinglabs.md",
   "updated": "2026-10-30"
  },
  "selfhosting": {
   "id": "selfhosting",
   "parent_id": "systems",
   "label": "Uruchamianie własnych modeli",
   "canonical_name": "Self-hosted model inference",
   "description": "Udostępnienie modelu z własnymi wagami przez lokalny runtime lub serwer.",
   "description_en": "Serving a model with your own weights from a local runtime or server.",
   "examples": "Open-weight · endpoint · runtime · GGUF",
   "examples_en": "Open-weight · endpoint · runtime · GGUF",
   "plain": "To uruchamianie modelu na wybranym przez siebie sprzęcie i udostępnianie go własnym aplikacjom.",
   "plain_en": "This runs a model on hardware you choose and makes it available to your applications.",
   "solves": "Potrzebujesz kontroli nad miejscem działania, wersją lub dostępem, której nie daje ci cudza usługa.",
   "solves_en": "You need control over location, version or access that an external service does not provide.",
   "does": "Dobierasz model i pamięć, uruchamiasz środowisko obsługi, a następnie zarządzasz zapytaniami, dostępem i dostępną mocą.",
   "does_en": "You choose a model and memory capacity, run a serving environment, then manage requests, access and available resources.",
   "example": "Zespół uruchamia model na własnym serwerze i podłącza do niego wewnętrznego asystenta dokumentów.",
   "example_en": "A team runs a model on its own server and connects an internal document assistant to it.",
   "for_you": [
    "chcesz kontrolować miejsce i wersję modelu",
    "masz sprzęt oraz możliwość utrzymania usługi"
   ],
   "for_you_en": [
    "want control over model location and version",
    "have hardware and can maintain a service"
   ],
   "how": "Wagi i konfigurację ładuje się do zgodnego runtime, który udostępnia generowanie lokalnie lub przez serwer. Operator zarządza pamięcią, współbieżnością, wersjami oraz kontrolą dostępu, łącząc model z monitoringiem i zasobami wykonania.",
   "how_en": "Weights and configuration are loaded into a compatible runtime providing local or server-based generation. Operators manage memory, concurrency, versions and access controls, connecting models to monitoring and execution resources.",
   "limits": "Własne wagi wymagają zgodnych operatorów, formatu i zasobów. Utrzymanie, aktualizacje oraz obciążenie pozostają obowiązkiem operatora; lokalne wykonanie nie zabezpiecza automatycznie logów ani narzędzi.",
   "limits_en": "Self-managed weights need compatible operators, formats and resources. Maintenance, updates and load remain operator responsibilities; local execution cannot automatically secure logs or tools.",
   "terms": [
    {
     "gloss": "Oprogramowanie interpretujące graf i wykonujące operacje na dostępnym sprzęcie.",
     "term": "runtime modelu"
    },
    {
     "gloss": "Wersja modelu i ustawienia zasobów oraz zachowania serwera.",
     "term": "konfiguracja wdrożenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "Software interpreting graphs and executing operations on available hardware.",
     "term": "model runtime"
    },
    {
     "gloss": "Model versions and settings for resources and server behaviour.",
     "term": "deployment configuration"
    }
   ],
   "prereq": [
    "modeldocs",
    "profiling"
   ],
   "keywords": [
    "vLLM",
    "SGLang",
    "llama.cpp",
    "GGUF",
    "model runtimes",
    "GPU memory budgeting",
    "OpenAI-compatible endpoints",
    "deployment configuration",
    "autoscaling",
    "Prometheus"
   ],
   "courses": [
    {
     "title": "Fast & Efficient LLM Inference with vLLM",
     "url": "https://www.deeplearning.ai/courses/fast-and-efficient-llm-inference-with-vllm"
    }
   ],
   "source_ids": [
    "cs336",
    "fsdl",
    "bootcamp",
    "dlai",
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/selfhosting",
   "markdown_url": "https://aiatlasgraph.com/t/selfhosting.md",
   "updated": "2026-10-30"
  },
  "selfplay": {
   "id": "selfplay",
   "parent_id": "gameplaying",
   "label": "Uczenie przez grę z samym sobą (self-play)",
   "canonical_name": "Self-play and league training",
   "aliases": [
    "self-play",
    "gra z samym sobą",
    "league training",
    "trening ligowy",
    "fictitious self-play",
    "population-based training"
   ],
   "description": "Trening agentów przez rozgrywki z bieżącymi lub wcześniejszymi wersjami siebie, często z populacją strategii (liga) chroniącą przed cyklicznym zapominaniem.",
   "description_en": "Training agents through games against current or past versions of themselves, often with a population of strategies (a league) to prevent cyclic forgetting.",
   "plain": "Program uczy się gry, rozgrywając miliony partii przeciw własnym kopiom, bez podglądania ludzi.",
   "plain_en": "A program learns a game by playing millions of matches against copies of itself, without watching people.",
   "solves": "Do nauki potrzeba przeciwnika na właściwym poziomie, a ludzi do grania i nagrań z mistrzowskich partii jest za mało.",
   "solves_en": "Learning needs an opponent at the right level, and there are too few people to play and too few recorded master games.",
   "does": "Jak szachista, który gra sam ze sobą po obu stronach planszy: każde odkrycie jednej strony zmusza drugą do poprawy.",
   "does_en": "Like a chess player playing both sides of the board: every discovery by one side forces the other to improve.",
   "example": "Komputerowy przeciwnik w grze strategicznej, który na początku ruszał się losowo, a po tygodniach treningu ze sobą wygrywa z ligą ludzi.",
   "example_en": "A strategy-game opponent that first moved at random and, after weeks of training against itself, beats ranked human players.",
   "for_you": [
    "ciekawi cię, jak AI pokonało mistrzów gier",
    "trenujesz agenta, a brakuje ci przeciwników"
   ],
   "for_you_en": [
    "wonder how AI beat game champions",
    "train an agent and lack opponents for it"
   ],
   "how": "Agent gra przeciw kopiom, a wyniki partii są sygnałem uczenia, np. dla przeszukiwania drzewa z siecią lub dla uczenia ze wzmocnieniem. Sama gra z najnowszą wersją prowadzi do kręcenia się w kółko strategii, dlatego utrzymuje się pulę dawnych wersji i wyspecjalizowanych wyzyskiwaczy, którzy wskazują słabości głównego agenta.",
   "how_en": "The agent plays copies of itself, and match outcomes are the learning signal, e.g. for tree search with a network or for reinforcement learning. Playing only the latest version makes strategies chase each other in circles, so a pool of past versions and specialised exploiters is kept to expose the main agent's weaknesses.",
   "limits": "Wymaga ogromnej liczby rozgrywek i szybkiego symulatora. Bez puli przeciwników agent może zapomnieć, jak bronić się przed starymi strategiami. W grach wieloosobowych i kooperacyjnych sama gra ze sobą tworzy konwencje niezrozumiałe dla ludzi.",
   "limits_en": "It needs enormous numbers of games and a fast simulator. Without an opponent pool the agent may forget how to counter old strategies. In multiplayer and cooperative games, pure self-play produces conventions people cannot follow.",
   "terms": [
    {
     "gloss": "Populacja agentów i ich dawnych wersji grających przeciw sobie.",
     "term": "liga"
    },
    {
     "gloss": "Agent trenowany tylko do szukania słabości głównego agenta.",
     "term": "wyzyskiwacz"
    },
    {
     "gloss": "Stan, w którym żaden gracz nie zyska, zmieniając sam strategię.",
     "term": "równowaga Nasha"
    }
   ],
   "terms_en": [
    {
     "gloss": "A population of agents and their past versions playing each other.",
     "term": "league"
    },
    {
     "gloss": "An agent trained only to find the main agent's weaknesses.",
     "term": "exploiter"
    },
    {
     "gloss": "A state where no player gains by changing strategy alone.",
     "term": "Nash equilibrium"
    }
   ],
   "prereq": [
    "mctsplanning",
    "marl"
   ],
   "keywords": [
    "AlphaZero",
    "AlphaStar",
    "league training",
    "fictitious self-play",
    "PSRO",
    "population-based training",
    "OpenAI Five"
   ],
   "source_ids": [
    "vinyals-alphastar-2019"
   ],
   "url": "https://aiatlasgraph.com/t/selfplay",
   "markdown_url": "https://aiatlasgraph.com/t/selfplay.md",
   "updated": "2026-10-30"
  },
  "selfsupervised": {
   "id": "selfsupervised",
   "parent_id": "learningparadigms",
   "label": "Uczenie samonadzorowane",
   "canonical_name": "Self-supervised learning",
   "aliases": [
    "SSL",
    "samonadzorowane uczenie",
    "uczenie samonadzorowane"
   ],
   "description": "Uczenie reprezentacji z sygnału wytworzonego z samych danych (zadania pretekstowe, kontrast, maskowanie), które potem przenosi się do zadań docelowych.",
   "description_en": "Learning representations from a signal generated by the data itself (pretext tasks, contrast, masking), later transferred to downstream tasks.",
   "plain": "Model uczy się z samych danych, układając sobie zagadki, np. zgadując zasłonięty fragment tekstu albo obrazu.",
   "plain_en": "A model learns from raw data by setting itself puzzles, such as guessing a hidden piece of text or an image.",
   "solves": "Do nauki ogólnej wiedzy o języku czy obrazach potrzeba ogromnych zbiorów, których nikt nie jest w stanie ręcznie opisać.",
   "solves_en": "Learning general knowledge of language or images needs huge collections that no one could ever label by hand.",
   "does": "Jak nauka języka przez uzupełnianie luk w zdaniach: odpowiedź już jest w tekście, więc nauczyciel nie jest potrzebny.",
   "does_en": "Like learning a language by filling gaps in sentences: the answer is already in the text, so no teacher is needed.",
   "example": "Model czyta miliony zdań z zakrytymi słowami i odgaduje je, a potem z kilkuset przykładów szybko uczy się rozpoznawać nastrój recenzji.",
   "example_en": "A model reads millions of sentences with hidden words and guesses them, then quickly learns to spot the mood of reviews from a few hundred examples.",
   "for_you": [
    "korzystasz z dużych modeli wytrenowanych na surowych danych",
    "chcesz wykorzystać archiwum, którego nikt nie opisał"
   ],
   "for_you_en": [
    "use large models trained on raw data",
    "want to make use of an archive nobody has labelled"
   ],
   "how": "Etykiety powstają automatycznie z danych: przewidywanie następnego lub zamaskowanego fragmentu, przyciąganie reprezentacji dwóch widoków tego samego przykładu i odpychanie innych (uczenie kontrastowe) albo samodestylacja bez negatywów. Wyuczony enkoder dostraja się lub sonduje liniowo na małym zbiorze etykietowanym.",
   "how_en": "Labels are generated from the data: predicting the next or a masked piece, pulling together representations of two views of one example while pushing others apart (contrastive learning), or self-distillation without negatives. The learned encoder is fine-tuned or linearly probed on a small labelled set.",
   "limits": "Wymaga dużych danych i mocy obliczeniowej, a wynik zależy od wielu wyborów, jak augmentacje czy rozmiar paczki. Grozi zapaść reprezentacji, gdy wszystkie wejścia dostają ten sam wektor. Reprezentacje dziedziczą skrzywienia danych.",
   "limits_en": "It needs large data and compute, and results hinge on many choices such as augmentations or batch size. Representation collapse, where every input maps to the same vector, is a risk. Representations inherit data biases.",
   "terms": [
    {
     "gloss": "Sztuczne zadanie z samych danych, służące tylko nauce reprezentacji.",
     "term": "zadanie pretekstowe"
    },
    {
     "gloss": "Zbliżanie podobnych par przykładów i oddalanie niepodobnych w przestrzeni wektorów.",
     "term": "uczenie kontrastowe"
    },
    {
     "gloss": "Test reprezentacji: prosty klasyfikator liniowy na zamrożonych cechach.",
     "term": "sondowanie liniowe (linear probe)"
    },
    {
     "gloss": "Błąd, w którym model daje ten sam wektor dla wszystkiego.",
     "term": "zapaść reprezentacji"
    }
   ],
   "terms_en": [
    {
     "gloss": "An artificial task built from the data, used only to learn representations.",
     "term": "pretext task"
    },
    {
     "gloss": "Pulling similar pairs together and pushing dissimilar ones apart in vector space.",
     "term": "contrastive learning"
    },
    {
     "gloss": "A representation test: a simple linear classifier on frozen features.",
     "term": "linear probe"
    },
    {
     "gloss": "A failure where the model outputs the same vector for everything.",
     "term": "representation collapse"
    }
   ],
   "prereq": [
    "lossfunctions"
   ],
   "keywords": [
    "contrastive learning",
    "masked modeling",
    "SimCLR",
    "BYOL",
    "DINO",
    "MAE",
    "JEPA",
    "InfoNCE",
    "pretext task",
    "linear probing"
   ],
   "source_ids": [
    "balestriero-ssl-cookbook-2023"
   ],
   "url": "https://aiatlasgraph.com/t/selfsupervised",
   "markdown_url": "https://aiatlasgraph.com/t/selfsupervised.md",
   "updated": "2026-10-30"
  },
  "semanticcache": {
   "id": "semanticcache",
   "parent_id": "llmcaching",
   "label": "Cache semantyczny odpowiedzi",
   "canonical_name": "Semantic response caching",
   "description": "Zwracanie zapisanej odpowiedzi na pytanie podobne znaczeniowo do wcześniejszego — porównanie przez embeddingi zamiast dokładnej zgodności tekstu; wymaga progu podobieństwa i kontroli nieaktualnych odpowiedzi.",
   "description_en": "Returning a stored answer for a question similar in meaning to an earlier one — matched by embeddings rather than exact text; needs a similarity threshold and control of stale answers.",
   "examples": "GPTCache · próg podobieństwa · powtarzalne pytania w obsłudze klienta · ryzyko błędnego trafienia",
   "examples_en": "GPTCache · similarity threshold · repetitive customer-support questions · false-hit risk",
   "plain": "To ponowne używanie odpowiedzi na pytania podobne znaczeniowo, nawet gdy zapisano je innymi słowami.",
   "plain_en": "This reuses answers to questions similar in meaning even when they use different words.",
   "solves": "Użytkownicy pytają o to samo na różne sposoby, więc dokładne porównanie tekstu nie wykrywa powtórzeń.",
   "solves_en": "Users ask the same thing in different ways, so exact text matching misses repeated questions.",
   "does": "Porównuje znaczenie nowego pytania z zapisanymi i wykorzystuje odpowiedź przy wystarczającym podobieństwie, wymagając kontroli dopasowania oraz aktualności.",
   "does_en": "It compares a new question's meaning with stored ones and reuses an answer when similarity is sufficient, requiring checks of relevance and freshness.",
   "example": "Pytasz o datę dostawy innymi słowami, a asystent wykorzystuje wcześniejszą odpowiedź po sprawdzeniu, że nadal dotyczy tej samej paczki.",
   "example_en": "You ask for a parcel's delivery date in different words; an assistant reuses an earlier answer after checking that it still applies to that parcel.",
   "for_you": [
    "użytkownicy powtarzają pytania innymi słowami",
    "możesz sprawdzać dopasowanie i aktualność zapisanych odpowiedzi"
   ],
   "for_you_en": [
    "have users repeating questions in different words",
    "can check stored answers for relevance and freshness"
   ],
   "how": "Zapytanie koduje się embeddingiem i porównuje z zapisami zawierającymi wcześniejsze odpowiedzi. Próg podobieństwa oraz zgodność kontekstu, wersji danych i uprawnień decydują, czy zwrócić zapis, czy wywołać model.",
   "how_en": "A query is embedded and compared with entries containing previous answers. Similarity thresholds and matching context, data versions and permissions determine whether to return an entry or call the model.",
   "limits": "Podobieństwo semantyczne nie gwarantuje równoważności zadania. Negacja, liczby lub zmieniony stan mogą wymagać innej odpowiedzi; błędne trafienie przekazuje gotowy błąd bez ponownej analizy.",
   "limits_en": "Semantic similarity does not guarantee task equivalence. Negation, numbers or changed state can require different answers; false hits deliver stored errors without fresh analysis.",
   "terms": [
    {
     "gloss": "Użycie zapisanej odpowiedzi mimo istotnej różnicy między zapytaniami.",
     "term": "fałszywe trafienie"
    },
    {
     "gloss": "Minimalna zgodność reprezentacji pozwalająca rozważyć użycie zapisu.",
     "term": "próg podobieństwa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Using a cached answer despite a material difference between queries.",
     "term": "false hit"
    },
    {
     "gloss": "The minimum representation match permitting consideration of a cached entry.",
     "term": "similarity threshold"
    }
   ],
   "prereq": [
    "textembeddings",
    "evalsets"
   ],
   "keywords": [
    "GPTCache",
    "cosine similarity",
    "embedding cache",
    "similarity threshold",
    "false cache hits",
    "cache eviction"
   ],
   "source_ids": [
    "gptcache-2023",
    "gpt-semantic-cache-2024"
   ],
   "url": "https://aiatlasgraph.com/t/semanticcache",
   "markdown_url": "https://aiatlasgraph.com/t/semanticcache.md",
   "updated": "2026-10-30"
  },
  "semanticdedup": {
   "id": "semanticdedup",
   "parent_id": "dedup",
   "label": "Deduplikacja semantyczna (po embeddingach)",
   "canonical_name": "Semantic deduplication with embeddings",
   "aliases": [
    "embedding-based deduplication",
    "semantic dedup",
    "deduplikacja semantyczna",
    "deduplikacja po znaczeniu"
   ],
   "description": "Usuwanie semantycznych prawie-duplikatów przez klastrowanie embeddingów z wytrenowanego modelu i odcięcie par powyżej progu podobieństwa.",
   "description_en": "Removing semantic near-duplicates by clustering embeddings from a pretrained model and pruning pairs above a similarity threshold.",
   "plain": "Usuwanie przykładów, które nie są kopiami, ale znaczą prawie to samo, np. to samo zdjęcie w innym kadrze.",
   "plain_en": "Removing examples that are not copies but mean nearly the same, like the same photo cropped differently.",
   "solves": "Zwykłe porównanie znaków nie wyłapie parafraz i przyciętych zdjęć, więc model marnuje czas na te same treści.",
   "solves_en": "Plain character matching misses paraphrases and cropped photos, so a model wastes time on the same content.",
   "does": "Zamienia każdy przykład na punkt na mapie znaczeń i z ciasnych skupisk zostawia tylko po jednym przedstawicielu.",
   "does_en": "It turns each example into a point on a map of meaning and keeps just one representative from each tight cluster.",
   "example": "Z tysiąca prawie identycznych zdjęć tej samej wieży w zbiorze zostaje kilka, a trening trwa krócej.",
   "example_en": "Of a thousand near-identical photos of the same tower, only a few stay in the collection, and training is shorter.",
   "for_you": [
    "twój zbiór puchnie od podobnych przykładów",
    "chcesz skrócić trening bez utraty jakości"
   ],
   "for_you_en": [
    "your dataset is bloated with similar examples",
    "want shorter training without losing quality"
   ],
   "how": "Każdy przykład koduje się wytrenowanym enkoderem, embeddingi grupuje k-średnimi, a w obrębie klastra liczy podobieństwa kosinusowe par. Z par powyżej progu zostaje jeden przykład. Na webowych zbiorach obraz–tekst pozwala to usunąć dużą część danych przy niewielkiej stracie jakości i krótszym treningu.",
   "how_en": "Each example is encoded with a pretrained encoder, embeddings are grouped with k-means, and pairwise cosine similarities are computed within clusters. From pairs above a threshold one example is kept. On web image–text data this removes a large share of data with little quality loss and shorter training.",
   "limits": "Wynik zależy od enkodera: co dla niego „to samo”, może różnić się istotnymi szczegółami. Liczenie embeddingów dla miliardów przykładów kosztuje, a zbyt niski próg wycina rzadkie warianty.",
   "limits_en": "Results depend on the encoder: what it sees as “the same” may differ in important details. Embedding billions of examples is costly, and too low a threshold removes rare variants.",
   "terms": [
    {
     "gloss": "Wektor liczb opisujący znaczenie przykładu; podobne znaczenia leżą blisko.",
     "term": "embedding"
    },
    {
     "gloss": "Algorytm dzielący punkty na zadaną liczbę skupisk.",
     "term": "k-średnie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Number vector describing an example's meaning; similar meanings lie close.",
     "term": "embedding"
    },
    {
     "gloss": "Algorithm splitting points into a chosen number of clusters.",
     "term": "k-means"
    }
   ],
   "prereq": [
    "textembeddings",
    "clustering"
   ],
   "keywords": [
    "SemDeDup",
    "D4",
    "k-means clustering",
    "FAISS",
    "cosine similarity threshold",
    "NeMo Curator"
   ],
   "source_ids": [
    "abbas-2023-semdedup"
   ],
   "url": "https://aiatlasgraph.com/t/semanticdedup",
   "markdown_url": "https://aiatlasgraph.com/t/semanticdedup.md",
   "updated": "2026-10-30"
  },
  "semanticseg": {
   "id": "semanticseg",
   "parent_id": "segmentation",
   "label": "Segmentacja semantyczna",
   "canonical_name": "Semantic segmentation",
   "description": "Każdy piksel dostaje etykietę klasy (droga, niebo, człowiek), bez rozróżniania poszczególnych egzemplarzy.",
   "description_en": "Every pixel gets a class label (road, sky, person) without separating individual instances.",
   "examples": "U-Net · DeepLab · mapa klas",
   "examples_en": "U-Net · DeepLab · class map",
   "plain": "To oznaczanie każdego punktu zdjęcia kategorią, taką jak droga, niebo lub człowiek.",
   "plain_en": "This labels every image pixel with a category such as road, sky or person.",
   "solves": "Chcesz wiedzieć, które części obrazu należą do drogi lub trawnika, a ogólna etykieta zdjęcia tego nie pokaże.",
   "solves_en": "You need to know which image regions are road or grass, and a single photo label cannot show that.",
   "does": "Model maluje obszary według rodzaju zawartości; osoby tej samej kategorii dostają wspólną etykietę.",
   "does_en": "A model colours regions by their content type; people belonging to the same category share a label.",
   "example": "Robot ogrodowy rozdziela obraz z kamery na trawę, ścieżkę i rabaty.",
   "example_en": "A garden robot divides its camera image into grass, paths and flower beds.",
   "for_you": [
    "potrzebujesz mapy rodzajów powierzchni",
    "analizujesz udział różnych obszarów na zdjęciu"
   ],
   "for_you_en": [
    "need a map of surface types",
    "measure how much of an image different regions occupy"
   ],
   "how": "Gęsta głowica klasyfikacyjna wylicza etykietę dla każdego piksela z cech obrazu. Łączenie kontekstu globalnego i lokalnych szczegółów pomaga odtworzyć spójne regiony podczas dekodowania.",
   "how_en": "A dense classification head predicts each pixel's label from image features. Combining global context with local detail helps reconstruct coherent regions during decoding.",
   "limits": "Jednakowe etykiety nie rozdzielają kilku obiektów tej samej klasy. Cienkie struktury i rzadkie klasy są trudne, a niezgodne granice anotacji ograniczają ocenę.",
   "limits_en": "Shared labels do not separate multiple objects of the same class. Thin structures and rare classes are difficult, while inconsistent annotation boundaries limit evaluation.",
   "terms": [
    {
     "gloss": "Wyznaczanie wyniku dla wielu pozycji wejścia, tutaj pikseli.",
     "term": "predykcja gęsta"
    },
    {
     "gloss": "Kategoria przypisana miejscu w obrazie niezależnie od tożsamości obiektu.",
     "term": "klasa pikselowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Producing outputs for many input positions, here pixels.",
     "term": "dense prediction"
    },
    {
     "gloss": "A category assigned to an image location independently of object identity.",
     "term": "pixel class"
    }
   ],
   "prereq": [
    "imageclassification",
    "cnn"
   ],
   "keywords": [
    "U-Net",
    "DeepLab",
    "DeepLabv3+",
    "pixel-wise classification",
    "class maps",
    "dilated convolutions"
   ],
   "source_ids": [
    "cs231n-2026-schedule",
    "ultralytics-tasks",
    "kirillov-panoptic-2018"
   ],
   "url": "https://aiatlasgraph.com/t/semanticseg",
   "markdown_url": "https://aiatlasgraph.com/t/semanticseg.md",
   "updated": "2026-10-30"
  },
  "semanticturn": {
   "id": "semanticturn",
   "parent_id": "turndetection",
   "label": "Kontekstowe wykrywanie tury",
   "canonical_name": "Context-aware turn detection",
   "description": "Ocena, czy użytkownik naprawdę skończył myśl, na podstawie sygnałów semantycznych i/lub akustycznych. Implementacja może korzystać z audio, transkrypcji albo z obu.",
   "description_en": "Estimating whether the user has completed a thought from semantic and/or acoustic cues. Implementations may use audio, a transcript or both.",
   "examples": "model audio końca tury · semantyczny VAD · klasyfikacja przez LLM",
   "examples_en": "audio end-of-turn model · semantic VAD · LLM classifier",
   "plain": "To ocenianie z kontekstu wypowiedzi, czy rozmówca skończył już swoją myśl.",
   "plain_en": "This uses speech context to assess whether the caller has finished their thought.",
   "solves": "Pauza na oddech wygląda jak koniec wypowiedzi, choć nadal chcesz coś dopowiedzieć.",
   "solves_en": "A pause for breath resembles the end of a turn even though you still have something to add.",
   "does": "System analizuje treść lub brzmienie wypowiedzi, żeby odróżnić zakończoną prośbę od chwilowego zawahania.",
   "does_en": "A system analyses speech content or acoustic cues to distinguish a completed request from brief hesitation.",
   "example": "Mówisz „poproszę odbiór paczki, ale…”, a asystent zostawia miejsce na dalsze wyjaśnienie.",
   "example_en": "You say “please arrange parcel collection, but…”, and the assistant leaves room for your explanation.",
   "for_you": [
    "robisz pauzy w środku wypowiedzi",
    "chcesz ograniczyć przedwczesne odpowiedzi"
   ],
   "for_you_en": [
    "pause in the middle of a turn",
    "want fewer premature responses"
   ],
   "how": "Model ocenia, czy dotychczasowa treść tworzy zakończoną wypowiedź, wykorzystując transkrypcję, sygnał akustyczny lub oba wejścia. Wynik wraz ze stanem dialogu steruje oczekiwaniem na dalszą mowę albo przekazaniem tury agentowi.",
   "how_en": "A model estimates whether the content so far forms a complete utterance, using transcripts, acoustic signals or both. Its output and dialogue state control waiting for further speech or handing the turn to the agent.",
   "limits": "Przerwany składniowo tekst bywa zakończoną odpowiedzią, a poprawne zdanie częścią dłuższej myśli. Błędy transkrypcji i zmiana języka pogarszają przewidywanie.",
   "limits_en": "Syntactically incomplete text can be a finished answer, while a complete sentence can continue. Transcription errors and language switching impair prediction.",
   "terms": [
    {
     "gloss": "Ocena, że rozmówca nie zamierza kontynuować aktualnej wypowiedzi.",
     "term": "prawdopodobieństwo końca tury"
    },
    {
     "gloss": "Poprzednie wypowiedzi i aktualny cel potrzebne do interpretacji odpowiedzi.",
     "term": "kontekst dialogowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "An estimate that the speaker does not intend to continue the current utterance.",
     "term": "end-of-turn probability"
    },
    {
     "gloss": "Earlier utterances and the current goal needed to interpret a response.",
     "term": "dialogue context"
    }
   ],
   "prereq": [
    "asr",
    "probability"
   ],
   "keywords": [
    "semantic VAD",
    "end-of-turn probability",
    "LiveKit turn detector",
    "utterance completeness",
    "dialogue context"
   ],
   "source_ids": [
    "voiceprimer",
    "pipecatrepo",
    "livekit-turn-detector",
    "openai-realtime-vad"
   ],
   "url": "https://aiatlasgraph.com/t/semanticturn",
   "markdown_url": "https://aiatlasgraph.com/t/semanticturn.md",
   "updated": "2026-10-30"
  },
  "semisupervised": {
   "id": "semisupervised",
   "parent_id": "learningparadigms",
   "label": "Uczenie pół-nadzorowane",
   "canonical_name": "Semi-supervised learning",
   "aliases": [
    "uczenie półnadzorowane",
    "semi-supervised learning",
    "semi-supervised"
   ],
   "description": "Łączenie małego zbioru etykietowanego z dużym nieetykietowanym przez pseudoetykiety, regularyzację spójności lub propagację etykiet w grafie podobieństwa.",
   "description_en": "Combining a small labelled set with a large unlabelled one through pseudo-labels, consistency regularisation or label propagation over a similarity graph.",
   "plain": "Model uczy się jednocześnie z kilku opisanych przykładów i z wielu nieopisanych.",
   "plain_en": "A model learns from a few labelled examples and many unlabelled ones at the same time.",
   "solves": "Etykietowanie wymaga ekspertów, więc opisanych przykładów starcza na start, ale nie na dobry model.",
   "solves_en": "Labelling needs experts, so there are enough labelled examples to get started but not to build a good model.",
   "does": "Jak uczeń, który sprawdza kilka odpowiedzi w kluczu, a potem ćwiczy na reszcie zadań, ufając tylko pewnym rozwiązaniom.",
   "does_en": "Like a student who checks a few answers against the key, then practises on the rest, trusting only confident solutions.",
   "example": "Firmowy system sortowania zgłoszeń uczy się z dwustu ręcznie oznaczonych wiadomości i dziesięciu tysięcy, których nikt nie przejrzał.",
   "example_en": "A company's ticket sorter learns from two hundred hand-tagged messages plus ten thousand nobody has reviewed.",
   "for_you": [
    "masz tylko garść opisanych przykładów",
    "opisanie kolejnych danych wymaga specjalisty"
   ],
   "for_you_en": [
    "only have a handful of labelled examples",
    "labelling more data needs a specialist"
   ],
   "how": "Metody klasyczne rozprowadzają etykiety po grafie podobieństwa między próbkami (label propagation, label spreading). Metody głębokie łączą stratę nadzorowaną ze stratą na danych bez etykiet: pseudoetykietami o wysokiej pewności i regularyzacją spójności, czyli wymogiem tej samej odpowiedzi dla różnie zaugmentowanych wersji wejścia.",
   "how_en": "Classical methods spread labels over a similarity graph between samples (label propagation, label spreading). Deep methods add an unlabelled-data loss to the supervised one: high-confidence pseudo-labels and consistency regularisation, i.e. requiring the same answer for differently augmented versions of an input.",
   "limits": "Zakłada, że dane bez etykiet pochodzą z tego samego rozkładu co oznaczone; inaczej może pogorszyć wynik. Błędne pseudoetykiety wzmacniają się w pętli. Wymaga dobrze skalibrowanych pewności i osobnego, oznaczonego zbioru testowego.",
   "limits_en": "It assumes unlabelled data comes from the same distribution as labelled data; otherwise it can hurt. Wrong pseudo-labels reinforce themselves in a loop. It needs well-calibrated confidences and a separate labelled test set.",
   "terms": [
    {
     "gloss": "Wymóg, by model dawał tę samą odpowiedź dla lekko zmienionego wejścia.",
     "term": "regularyzacja spójności"
    },
    {
     "gloss": "Rozprowadzanie znanych etykiet na podobne, nieopisane przykłady w grafie.",
     "term": "propagacja etykiet"
    },
    {
     "gloss": "Przykłady z tego samego skupiska zwykle należą do tej samej klasy.",
     "term": "założenie klastrowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "Requiring the same prediction for slightly altered versions of an input.",
     "term": "consistency regularisation"
    },
    {
     "gloss": "Spreading known labels to similar unlabelled examples over a graph.",
     "term": "label propagation"
    },
    {
     "gloss": "Examples in the same dense cluster usually share a class.",
     "term": "cluster assumption"
    }
   ],
   "keywords": [
    "self-training",
    "pseudo-labeling",
    "consistency regularization",
    "FixMatch",
    "MixMatch",
    "label propagation",
    "label spreading",
    "SelfTrainingClassifier"
   ],
   "source_ids": [
    "sklearn-selftraining",
    "sohn-fixmatch-2020",
    "sklearn-semi-supervised-guide"
   ],
   "url": "https://aiatlasgraph.com/t/semisupervised",
   "markdown_url": "https://aiatlasgraph.com/t/semisupervised.md",
   "updated": "2026-10-30"
  },
  "sensorfusion": {
   "id": "sensorfusion",
   "parent_id": "adperception",
   "label": "Fuzja kamer, LiDAR-u i radaru",
   "canonical_name": "Camera–LiDAR–radar sensor fusion",
   "aliases": [
    "sensor fusion",
    "multi-sensor fusion",
    "camera-LiDAR fusion",
    "fuzja czujników",
    "fuzja sensorów"
   ],
   "description": "Łączenie danych z kamer, LiDAR-u i radaru w jedną reprezentację sceny, często we wspólnym widoku z góry (BEV).",
   "description_en": "Combining camera, LiDAR and radar data into one scene representation, often in a shared bird's-eye view (BEV).",
   "plain": "Łączenie obrazu z kamer z pomiarami lasera i radaru, żeby auto miało pełniejszy i pewniejszy obraz drogi.",
   "plain_en": "Combining camera images with laser and radar measurements so the car gets a fuller, more reliable picture of the road.",
   "solves": "Każdy czujnik ma słabe strony: kamera słabo widzi nocą, laser nie widzi kolorów, a radar daje rozmyty obraz.",
   "solves_en": "Every sensor has blind spots: cameras struggle at night, lasers see no colour, and radar gives a blurry picture.",
   "does": "Jak świadkowie zdarzenia uzupełniający relacje: jeden zna kolor auta, drugi odległość, trzeci prędkość, a razem dają pełny obraz.",
   "does_en": "Like witnesses piecing together a story: one knows the car's colour, another the distance, a third the speed, and together they see it all.",
   "example": "Nocą kamera słabo widzi zwierzę, ale LiDAR wskazuje jego kształt i odległość, a radar pomaga ocenić ruch.",
   "example_en": "At night the camera barely sees an animal, while LiDAR provides its shape and distance and radar helps estimate motion.",
   "for_you": [
    "porównujesz auta z różnymi zestawami czujników",
    "budujesz roboty lub drony z kilkoma czujnikami",
    "zastanawiasz się, czy same kamery wystarczą"
   ],
   "for_you_en": [
    "compare cars with different sensor sets",
    "build robots or drones with several sensors",
    "wonder whether cameras alone are enough"
   ],
   "how": "Osobne kodery przetwarzają dane z poszczególnych czujników, po czym ich cechy są wyrównywane przestrzennie i łączone. W BEVFusion cechy kamer i LiDAR-u trafiają do wspólnej siatki BEV, która zachowuje geometrię LiDAR-u i gęstą semantykę obrazu.",
   "how_en": "Separate encoders process each sensor, then their features are spatially aligned and fused. In BEVFusion, camera and LiDAR features enter a shared BEV grid that preserves LiDAR geometry and dense image semantics.",
   "limits": "Wymaga dokładnej kalibracji i synchronizacji w czasie; awaria jednego czujnika może zaburzyć całość. Rzutowanie cech kamer na punkty LiDAR-u gubi gęstą semantykę, a więcej czujników to wyższy koszt i pobór mocy.",
   "limits_en": "It needs exact calibration and time synchronisation; one failing sensor can disturb everything. Projecting camera features onto LiDAR points loses dense semantics, and more sensors mean higher cost and power draw.",
   "terms": [
    {
     "gloss": "Łączenie reprezentacji wyuczonych osobno z różnych czujników.",
     "term": "fuzja cech"
    },
    {
     "gloss": "Wyznaczenie wzajemnego położenia czujników na pojeździe.",
     "term": "kalibracja zewnętrzna"
    },
    {
     "gloss": "Wspólna reprezentacja sceny widzianej z góry.",
     "term": "BEV"
    }
   ],
   "terms_en": [
    {
     "gloss": "Combining representations learned separately from different sensors.",
     "term": "feature fusion"
    },
    {
     "gloss": "Determining where sensors sit relative to one another on the vehicle.",
     "term": "extrinsic calibration"
    },
    {
     "gloss": "A shared top-down representation of the scene.",
     "term": "BEV"
    }
   ],
   "prereq": [
    "pointclouds"
   ],
   "keywords": [
    "BEVFusion",
    "camera–LiDAR fusion",
    "bird's-eye view",
    "extrinsic calibration",
    "sensor synchronisation",
    "nuScenes"
   ],
   "source_ids": [
    "bevfusion-2022"
   ],
   "url": "https://aiatlasgraph.com/t/sensorfusion",
   "markdown_url": "https://aiatlasgraph.com/t/sensorfusion.md",
   "updated": "2026-10-30"
  },
  "seqdistill": {
   "id": "seqdistill",
   "parent_id": "distillation",
   "label": "Destylacja przez odpowiedzi nauczyciela (dane syntetyczne)",
   "canonical_name": "Sequence-level distillation from teacher outputs",
   "aliases": [
    "sequence-level KD",
    "black-box distillation",
    "off-policy distillation",
    "distillation via synthetic data"
   ],
   "description": "Nauczyciel generuje odpowiedzi, a uczeń jest na nich dostrajany jak na zwykłych danych (SFT). Działa także z modelem dostępnym tylko przez API; trzeba pilnować warunków licencji.",
   "description_en": "The teacher generates answers and the student is fine-tuned on them like ordinary data (SFT). Works even with an API-only teacher; licence terms need checking.",
   "examples": "destylacja sekwencyjna · trening na wyjściach większego modelu · samodestylacja",
   "examples_en": "sequence-level KD · training on a larger model's outputs · self-distillation",
   "plain": "To uczenie modelu na gotowych odpowiedziach wygenerowanych przez model nauczyciela.",
   "plain_en": "This trains a model on completed responses generated by a teacher model.",
   "solves": "Potrzebujesz wielu przykładów dobrych odpowiedzi, a ręczne przygotowanie wszystkich zajmuje zbyt dużo czasu.",
   "solves_en": "You need many examples of good responses, but writing all of them by hand takes too long.",
   "does": "Nauczyciel tworzy przykłady, wybrane odpowiedzi trafiają do zbioru treningowego, a uczeń ćwiczy ich odtwarzanie; błędy nauczyciela mogą się przenieść.",
   "does_en": "A teacher generates examples, selected responses enter the training set, and the student learns to reproduce them; teacher errors can carry over.",
   "example": "Przygotowujesz i sprawdzasz podsumowania zgłoszeń dużym modelem, a potem używasz ich do treningu mniejszego.",
   "example_en": "You produce and verify request summaries with a large model, then use them to train a smaller one.",
   "for_you": [
    "nauczyciel udostępnia tylko gotowe odpowiedzi",
    "chcesz zbudować zbiór przykładów dla ucznia"
   ],
   "for_you_en": [
    "can access only completed teacher responses",
    "want to build a student training dataset"
   ],
   "how": "Nauczyciel generuje pełne odpowiedzi, które po selekcji tworzą zestaw demonstracji dla ucznia. Trening nadzorowany zwiększa prawdopodobieństwo tych sekwencji, przenosząc wybrane wzorce zachowania bez dostępu do wszystkich logitów nauczyciela.",
   "how_en": "Teachers generate complete responses that form student demonstrations after selection. Supervised training increases sequence probabilities, transferring selected behavioural patterns without access to all teacher logits.",
   "limits": "Wygenerowane przykłady tracą informację o niewybranych alternatywach. Błędy i jednorodny styl mogą dominować; jakość zależy od pokrycia wejść, selekcji odpowiedzi oraz możliwości ucznia.",
   "limits_en": "Generated examples lose information about unselected alternatives. Errors and uniform style can dominate; quality depends on input coverage, response selection and student capacity.",
   "terms": [
    {
     "gloss": "Przykład oczekiwanej odpowiedzi wygenerowany przez inny model.",
     "term": "demonstracja syntetyczna"
    },
    {
     "gloss": "Wybór wyników nauczyciela nadających się do treningu ucznia.",
     "term": "selekcja odpowiedzi"
    }
   ],
   "terms_en": [
    {
     "gloss": "An example desired response generated by another model.",
     "term": "synthetic demonstration"
    },
    {
     "gloss": "Choosing teacher outputs suitable for student training.",
     "term": "response selection"
    }
   ],
   "prereq": [
    "sft",
    "datavalidation"
   ],
   "keywords": [
    "synthetic demonstrations",
    "teacher-generated sequences",
    "sequence-level cross-entropy",
    "response filtering",
    "self-distillation",
    "hard targets"
   ],
   "source_ids": [
    "kim-rush-seqkd-2016",
    "xu-kd-llm-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/seqdistill",
   "markdown_url": "https://aiatlasgraph.com/t/seqdistill.md",
   "updated": "2026-10-30"
  },
  "seqpacking": {
   "id": "seqpacking",
   "parent_id": "optimization",
   "label": "Pakowanie sekwencji w treningu (sequence packing)",
   "canonical_name": "Sequence packing for training",
   "aliases": [
    "sequence packing",
    "example packing",
    "pakowanie sekwencji",
    "pakowanie przykładów"
   ],
   "description": "Łączenie wielu krótkich przykładów w jedną sekwencję o długości kontekstu, aby ograniczyć padding w batchu.",
   "description_en": "Concatenating several short examples into one context-length sequence to reduce padding in a batch.",
   "plain": "Sposób upychania wielu krótkich przykładów w jednym wierszu danych, żeby trening nie marnował pracy na puste wypełnienie.",
   "plain_en": "A way of fitting several short examples into one row of training data so the computer doesn't waste work on empty filler.",
   "solves": "Krótkie i długie przykłady w jednej paczce trzeba dopełniać pustymi znakami, a komputer je przetwarza, niczego się z nich nie ucząc.",
   "solves_en": "Mixing short and long examples forces padding with empty tokens, which the computer processes without learning anything from them.",
   "does": "Jak pakowanie walizki: zamiast jednej koszuli na walizkę układasz kilka rzeczy obok siebie, z przegródkami, żeby się nie pomieszały.",
   "does_en": "Like packing a suitcase: instead of one shirt per case, you fit several items side by side, with dividers so they don't mix.",
   "example": "Dostrajasz model na tysiącach krótkich pytań i odpowiedzi z działu obsługi, a trening na tym samym sprzęcie kończy się szybciej.",
   "example_en": "You fine-tune a model on thousands of short support questions and answers, and training finishes sooner on the same hardware.",
   "for_you": [
    "dostrajasz model na krótkich przykładach",
    "płacisz za godziny pracy karty graficznej"
   ],
   "for_you_en": [
    "fine-tune a model on short examples",
    "pay for hours of GPU time"
   ],
   "how": "Przykłady łączy się w sekwencje o długości kontekstu, traktując dobór jak problem pakowania do pojemników. Blokowo-diagonalna maska uwagi i zresetowane pozycje sprawiają, że tokeny nie widzą sąsiednich przykładów, a strata obejmuje tylko właściwe tokeny.",
   "how_en": "Examples are concatenated into context-length sequences, treating the assignment as a bin-packing problem. A block-diagonal attention mask and reset positions keep tokens from seeing neighbouring examples, and the loss covers only real tokens.",
   "limits": "Bez poprawnej maski przykłady przeciekają do siebie i model uczy się fałszywych zależności. Zmienia się liczba przykładów na krok, co wpływa na ważenie straty; potrzebna jest obsługa w jądrze uwagi lub frameworku.",
   "limits_en": "Without a correct mask, examples leak into each other and the model learns spurious dependencies. The number of examples per step varies, affecting loss weighting; support is needed in the attention kernel or framework.",
   "terms": [
    {
     "gloss": "Puste tokeny dopełniające krótsze sekwencje do wspólnej długości.",
     "term": "padding"
    },
    {
     "gloss": "Sytuacja, gdy przykład w paczce widzi tokeny innego przykładu.",
     "term": "cross-contamination"
    },
    {
     "gloss": "Zadanie upakowania elementów różnej wielkości w jak najmniej pojemników.",
     "term": "bin packing"
    }
   ],
   "terms_en": [
    {
     "gloss": "Empty tokens that pad shorter sequences to a common length.",
     "term": "padding"
    },
    {
     "gloss": "When an example in a pack can see another example's tokens.",
     "term": "cross-contamination"
    },
    {
     "gloss": "Fitting items of varying size into as few containers as possible.",
     "term": "bin packing"
    }
   ],
   "prereq": [
    "tokenization",
    "selfattention"
   ],
   "keywords": [
    "padding",
    "attention mask",
    "bin packing",
    "position_ids",
    "FlashAttention varlen",
    "TRL packing",
    "cross-contamination"
   ],
   "source_ids": [
    "krell-2021-packing"
   ],
   "url": "https://aiatlasgraph.com/t/seqpacking",
   "markdown_url": "https://aiatlasgraph.com/t/seqpacking.md",
   "updated": "2026-10-30"
  },
  "sequentialrevision": {
   "id": "sequentialrevision",
   "parent_id": "testtime",
   "label": "Iteracyjne poprawianie odpowiedzi",
   "canonical_name": "Sequential self-revision",
   "description": "Model kolejno przegląda i poprawia własną odpowiedź, każdą nową wersję opierając na poprzedniej — obliczenia rosną w głąb, nie wszerz.",
   "description_en": "The model reviews and revises its own answer in turns, each version building on the previous — compute grows in depth rather than width.",
   "examples": "samokrytyka i poprawka · kolejne rundy rewizji",
   "examples_en": "self-critique and revise · successive revision rounds",
   "plain": "To kolejne przeglądanie i poprawianie odpowiedzi modelu na podstawie jej poprzedniej wersji.",
   "plain_en": "This repeatedly reviews and revises a model response using its previous version.",
   "solves": "Pierwszy szkic zawiera pominięty warunek lub błąd, którego nie chcesz przenosić do końcowej odpowiedzi.",
   "solves_en": "A first draft misses a condition or contains an error you do not want in the final answer.",
   "does": "System podaje poprzednią odpowiedź wraz z uwagami lub wynikiem sprawdzenia, a model tworzy następną wersję.",
   "does_en": "A system supplies the previous answer with feedback or checking results, and the model produces a new version.",
   "example": "Test wskazuje błąd w wygenerowanym skrypcie, więc model dostaje komunikat i przygotowuje poprawioną wersję.",
   "example_en": "A test reveals a generated script error, so the model receives the message and prepares a revised version.",
   "for_you": [
    "pracujesz na kolejnych wersjach rozwiązania",
    "masz informacje wskazujące potrzebne poprawki"
   ],
   "for_you_en": [
    "work through successive solution versions",
    "have feedback identifying needed corrections"
   ],
   "how": "Poprzednia odpowiedź wraz z krytyką lub wynikiem sprawdzenia wraca do kontekstu kolejnego przebiegu. Model generuje poprawioną wersję, a sterownik akceptuje ją lub powtarza cykl według zewnętrznej oceny i limitu prób.",
   "how_en": "The previous answer returns to the next run's context with critique or check results. The model generates a revised version, and a controller accepts it or repeats the cycle according to external scoring and trial limits.",
   "limits": "Samokrytyka może powtarzać pierwotny błąd lub usuwać poprawną odpowiedź. Kolejne przebiegi zwiększają opóźnienie; bez wiarygodnej oceny nie wiadomo, czy rewizja stanowi poprawę.",
   "limits_en": "Self-critique can repeat original errors or replace correct answers. Successive runs increase latency; without reliable assessment, revision quality is uncertain.",
   "terms": [
    {
     "gloss": "Cykl tworzenia, oceniania i poprawiania tej samej odpowiedzi.",
     "term": "pętla rewizji"
    },
    {
     "gloss": "Sygnał wskazujący wykryte problemy lub spełnione warunki rozwiązania.",
     "term": "informacja zwrotna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A cycle of creating, assessing and revising the same answer.",
     "term": "revision loop"
    },
    {
     "gloss": "A signal identifying detected problems or satisfied solution conditions.",
     "term": "feedback"
    }
   ],
   "prereq": [
    "prompting",
    "evalsets"
   ],
   "keywords": [
    "Self-Refine",
    "self-critique",
    "iterative refinement",
    "feedback loops"
   ],
   "source_ids": [
    "tts-survey-2025",
    "snell-ttc-2024"
   ],
   "url": "https://aiatlasgraph.com/t/sequentialrevision",
   "markdown_url": "https://aiatlasgraph.com/t/sequentialrevision.md",
   "updated": "2026-10-30"
  },
  "serving": {
   "id": "serving",
   "parent_id": "systems",
   "label": "Serwowanie i dekodowanie",
   "canonical_name": "Serving and decoding",
   "description": "Obsługa zapytań i generowanie odpowiedzi.",
   "description_en": "Handling requests and generating responses.",
   "examples": "Batching · KV cache · sampling",
   "examples_en": "Batching · KV cache · sampling",
   "plain": "To organizowanie zapytań do modelu i wybieranie kolejnych fragmentów odpowiedzi, żeby sprawnie obsługiwać użytkowników.",
   "plain_en": "This schedules model requests and selects successive response fragments to serve users efficiently.",
   "solves": "Wiele osób pyta jednocześnie, odpowiedzi mają różną długość, a pamięć i czas serwera są ograniczone.",
   "solves_en": "Many people ask simultaneously, responses vary in length, and server memory and time are limited.",
   "does": "System grupuje pracę, zarządza pamięcią wcześniejszych obliczeń i dobiera generowanie, mierząc czas oczekiwania oraz liczbę obsłużonych zapytań.",
   "does_en": "A system groups work, manages cached computations and configures generation while measuring waiting times and handled request volumes.",
   "example": "Serwer asystenta obsługuje krótkie pytania razem z długimi rozmowami, dopasowując kolejkę i wykorzystanie pamięci.",
   "example_en": "An assistant server handles short questions alongside long conversations, adapting its queue and memory use.",
   "for_you": [
    "udostępniasz model wielu osobom",
    "chcesz ograniczyć czas oczekiwania i koszt obsługi"
   ],
   "for_you_en": [
    "serve a model to many people",
    "want shorter waits and lower serving costs"
   ],
   "how": "Serwer tokenizuje i kolejkuje wejścia, wykonuje prefill, a następnie kolejne kroki generowania ze stanem zachowanym między nimi. Harmonogram łączy zapytania, zarządza pamięcią i strumieniowaniem, kontrolując zakończenie, anulowanie oraz obciążenie.",
   "how_en": "A server tokenises and queues inputs, runs prefill, then successive generation steps with retained state. Scheduling combines requests and manages memory and streaming while controlling completion, cancellation and load.",
   "limits": "Współbieżność zwiększa przepustowość, ale może pogarszać czas pojedynczego zapytania. Długie konteksty zużywają pamięć; kolejki i przeciążenie wymagają limitów oraz pomiaru na rzeczywistym ruchu.",
   "limits_en": "Concurrency increases throughput but can worsen individual request latency. Long contexts consume memory; queues and overload require limits and measurement on actual traffic.",
   "terms": [
    {
     "gloss": "Przetwarzanie wejściowego kontekstu przed generowaniem kolejnych tokenów.",
     "term": "prefill"
    },
    {
     "gloss": "Kolejne kroki wyboru i generowania tokenów odpowiedzi.",
     "term": "decode"
    }
   ],
   "terms_en": [
    {
     "gloss": "Processing input context before generating subsequent tokens.",
     "term": "prefill"
    },
    {
     "gloss": "Successive steps selecting and generating response tokens.",
     "term": "decode"
    }
   ],
   "prereq": [
    "tokenization",
    "probability"
   ],
   "keywords": [
    "prefill",
    "decode",
    "continuous batching",
    "KV cache",
    "chunked prefill",
    "speculative decoding",
    "prefix caching",
    "multi-LoRA serving",
    "token streaming",
    "request scheduling"
   ],
   "courses": [
    {
     "title": "Fast LLM Inference with Cerebras",
     "url": "https://www.deeplearning.ai/courses/fast-llm-inference-with-cerebras"
    }
   ],
   "source_ids": [
    "cs336",
    "fsdl",
    "bootcamp",
    "dlai",
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/serving",
   "markdown_url": "https://aiatlasgraph.com/t/serving.md",
   "updated": "2026-10-30"
  },
  "sessionhandoff": {
   "id": "sessionhandoff",
   "parent_id": "agentharness",
   "label": "Przekazanie pracy między sesjami",
   "canonical_name": "Cross-session handoff for agents",
   "aliases": [
    "session handoff",
    "initializer agent",
    "feature list",
    "przekazanie sesji"
   ],
   "description": "Przekazanie stanu między oknami kontekstu przez dziennik, listę cech i historię zmian, nie przez samą kompakcję.",
   "description_en": "Passing state between context windows through a log, a feature list and change history, not through compaction alone.",
   "plain": "Zapis postępu i listy zadań, dzięki któremu nowa sesja podejmuje pracę tam, gdzie poprzednia skończyła.",
   "plain_en": "A progress note and task list so a new session picks up the work where the previous one stopped.",
   "solves": "Po zapełnieniu rozmowy asystent zaczyna od zera, ogłasza koniec albo psuje niedokończoną pracę.",
   "solves_en": "After the conversation fills up, the assistant starts over, declares the job done or breaks unfinished work.",
   "does": "Jak zmiana warty: zostawia dziennik, listę otwartych punktów i czysty stan, a następna sesja najpierw to czyta.",
   "does_en": "Like a shift change: it leaves a log, a list of open items and a clean state, and the next session reads that first.",
   "example": "Wieczorem asystent zapisuje, co już działa, i zostawia listę niedokończonych punktów. Rano nowa sesja czyta ten plik zamiast zgadywać.",
   "example_en": "In the evening the assistant records what already works and leaves a list of unfinished items. In the morning a new session reads that file instead of guessing.",
   "for_you": [
    "zadanie nie mieści się w jednej rozmowie",
    "asystent ogłasza koniec, choć część pracy jest niedokończona"
   ],
   "for_you_en": [
    "the task does not fit in one conversation",
    "the assistant declares victory while part of the work is unfinished"
   ],
   "how": "Pierwsza sesja stawia środowisko, dziennik postępu i listę cech ze statusem niewykonania. Każda kolejna zaczyna od odczytu dziennika i historii zmian, robi jeden krok i zostawia sprawdzony stan. Sama kompakcja rozmowy nie wystarcza, bo nowa sesja nie pamięta poprzedniej.",
   "how_en": "The first session sets up the environment, a progress log and a feature list marked not done. Each later session starts by reading the log and change history, takes one step and leaves a checked state. Compaction alone is not enough, because a new session does not remember the previous one.",
   "limits": "Zły dziennik utrwala fałszywy obraz postępu. Lista cech w swobodnym tekście bywa nadpisywana; sztywny zapis zmniejsza to ryzyko, ale go nie usuwa. Technika wymaga narzędzi do sprawdzenia, czy krok naprawdę działa.",
   "limits_en": "A bad log locks in a false picture of progress. A feature list in free text gets overwritten; a rigid record reduces that risk but does not remove it. The technique needs tools to check that a step really works.",
   "terms": [
    {
     "gloss": "Plik z tym, co poprzednia sesja zrobiła i co zostało.",
     "term": "dziennik postępu"
    },
    {
     "gloss": "Spis punktów pracy ze statusem wykonano albo nie.",
     "term": "lista cech"
    },
    {
     "gloss": "Pierwsze uruchomienie, które zostawia środowisko i listę zadań.",
     "term": "sesja startowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A file saying what the previous session did and what remains.",
     "term": "progress log"
    },
    {
     "gloss": "A list of work items marked done or not done.",
     "term": "feature list"
    },
    {
     "gloss": "The first run, which leaves the environment and the task list.",
     "term": "initializer session"
    }
   ],
   "prereq": [
    "contextmanagement",
    "memory"
   ],
   "keywords": [
    "long-running agents",
    "initializer agent",
    "feature list",
    "progress file",
    "context reset",
    "git history",
    "incremental progress"
   ],
   "source_ids": [
    "anthropic-long-harness-2025"
   ],
   "url": "https://aiatlasgraph.com/t/sessionhandoff",
   "markdown_url": "https://aiatlasgraph.com/t/sessionhandoff.md",
   "updated": "2026-10-30"
  },
  "sft": {
   "id": "sft",
   "parent_id": "posttraining",
   "label": "SFT / instruction tuning",
   "canonical_name": "Supervised fine-tuning",
   "description": "Dostrajanie na przykładach oczekiwanej odpowiedzi.",
   "description_en": "Fine-tuning on examples of the expected answer.",
   "examples": "Przykłady instrukcja–odpowiedź",
   "examples_en": "Instruction–response pairs",
   "plain": "To dostrajanie modelu na przykładach pokazujących, jaką odpowiedź powinien dać na dane polecenie.",
   "plain_en": "This adapts a model using examples of the response it should give to a particular instruction.",
   "solves": "Model nie zna oczekiwanego sposobu wykonania zadania, choć potrafi tworzyć ogólny tekst.",
   "solves_en": "A model can generate general text but does not know your expected way of completing the task.",
   "does": "Trening przewiduje kolejne fragmenty wzorcowej odpowiedzi i poprawia ustawienia, żeby częściej odtwarzać pokazane zachowanie.",
   "does_en": "Training predicts successive elements of reference responses and updates parameters to reproduce the demonstrated behaviour more often.",
   "example": "Pokazujesz modelowi przykłady zamiany zgłoszeń w krótkie notatki z problemem i następnym krokiem.",
   "example_en": "You show a model examples of turning requests into brief notes containing the problem and next step.",
   "for_you": [
    "potrafisz przygotować wzorcowe odpowiedzi",
    "chcesz nauczyć model powtarzalnego sposobu działania"
   ],
   "for_you_en": [
    "can prepare reference responses",
    "want to teach a model a repeatable behaviour"
   ],
   "how": "Przykłady serializuje się jako wejście i oczekiwaną odpowiedź, oznaczając pozycje objęte stratą. Minimalizacja ujemnej log-wiarygodności zwiększa prawdopodobieństwo demonstracji, dostosowując parametry do zadań, stylu i formatu danych.",
   "how_en": "Examples are serialised as inputs and desired responses, marking positions included in the loss. Minimising negative log-likelihood increases demonstration probabilities, adapting parameters to tasks, style and data format.",
   "limits": "Model naśladuje również błędy oraz przypadkowe cechy demonstracji. Pokrycie przykładów ogranicza uogólnianie; maskowanie straty i format rozmowy muszą odpowiadać zamierzonemu zachowaniu.",
   "limits_en": "Models also imitate demonstration errors and incidental features. Example coverage limits generalisation; loss masking and conversation formats must match the intended behaviour.",
   "terms": [
    {
     "gloss": "Oznaczenie tokenów, które uczestniczą w obliczeniu celu treningowego.",
     "term": "maska straty"
    },
    {
     "gloss": "Odpowiedź stanowiąca przykład zachowania, którego model ma się nauczyć.",
     "term": "demonstracja wzorcowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A marking of tokens included in the training objective.",
     "term": "loss mask"
    },
    {
     "gloss": "A response exemplifying the behaviour a model should learn.",
     "term": "target demonstration"
    }
   ],
   "prereq": [
    "tokenization",
    "lossfunctions"
   ],
   "keywords": [
    "instruction-response pairs",
    "completion-only loss",
    "response masking",
    "TRL SFTTrainer",
    "sequence packing",
    "teacher forcing",
    "negative log-likelihood"
   ],
   "source_ids": [
    "cs336"
   ],
   "url": "https://aiatlasgraph.com/t/sft",
   "markdown_url": "https://aiatlasgraph.com/t/sft.md",
   "updated": "2026-10-30"
  },
  "shapleyvalue": {
   "id": "shapleyvalue",
   "parent_id": "gametheory",
   "label": "Gry kooperacyjne i wartość Shapleya",
   "canonical_name": "Cooperative games and the Shapley value",
   "aliases": [
    "Shapley value",
    "wartość Shapleya",
    "cooperative game theory",
    "kooperacyjna teoria gier",
    "coalitional games",
    "gry koalicyjne"
   ],
   "description": "Rozwiązanie gry kooperacyjnej przypisujące każdemu graczowi średni wkład krańcowy po wszystkich kolejnościach tworzenia koalicji.",
   "description_en": "Cooperative-game solution assigning each player their average marginal contribution over all orders of coalition formation.",
   "plain": "Sprawiedliwy sposób podziału wspólnej wygranej: każdy dostaje tyle, ile średnio wnosi, dołączając do różnych składów zespołu.",
   "plain_en": "A fair way to split a shared win: each member gets what they add on average when joining different team line-ups.",
   "solves": "Gdy wynik powstaje wspólnie, trudno uczciwie powiedzieć, ile zasługi należy się każdemu uczestnikowi albo każdej informacji.",
   "solves_en": "When a result is produced jointly, it is hard to say fairly how much credit each participant or each piece of information deserves.",
   "does": "Wyobraża sobie, że uczestnicy dołączają po kolei w każdej możliwej kolejności, i uśrednia, ile każdy dokłada w chwili dołączenia.",
   "does_en": "It imagines participants joining one by one in every possible order and averages how much each adds at the moment of joining.",
   "example": "Bank wyjaśnia klientowi odmowę kredytu, pokazując, ile do decyzji dorzuciły dochód, staż pracy i dotychczasowe zadłużenie.",
   "example_en": "A bank explains a loan refusal by showing how much income, job tenure and existing debt each contributed to the decision.",
   "for_you": [
    "chcesz wiedzieć, które dane wpłynęły na decyzję modelu",
    "dzielisz zyski lub koszty między partnerów"
   ],
   "for_you_en": [
    "want to know which inputs drove a model's decision",
    "split gains or costs among partners"
   ],
   "how": "Gra kooperacyjna przypisuje wartość każdej koalicji graczy. Wartość Shapleya jest jednoznacznie wyznaczona przez aksjomaty efektywności, symetrii, gracza zerowego i addytywności oraz równa średniemu wkładowi krańcowemu po kolejnościach dołączania. W atrybucji modelu graczami są cechy, a zdefiniowana funkcja wartości koalicji rozdziela różnicę między predykcją a wartością bazową; obliczenie zwykle przybliża się próbkowaniem lub algorytmami dla konkretnych klas modeli.",
   "how_en": "A cooperative game assigns a value to every coalition. The Shapley value is uniquely characterised by efficiency, symmetry, null-player and additivity axioms and equals the average marginal contribution over joining orders. In model attribution, features are players and a chosen coalition-value function allocates the difference between the prediction and a baseline; computation is usually approximated by sampling or model-specific algorithms.",
   "limits": "Dokładne obliczenie rośnie wykładniczo z liczbą graczy, więc w praktyce stosuje się przybliżenia. Przy skorelowanych cechach wynik zależy od sposobu symulowania braku cechy i może wprowadzać w błąd.",
   "limits_en": "Exact computation grows exponentially with the number of players, so approximations are used in practice. With correlated features the result depends on how a missing feature is simulated and can mislead.",
   "terms": [
    {
     "gloss": "Dowolna podgrupa graczy współpracujących ze sobą.",
     "term": "koalicja"
    },
    {
     "gloss": "O ile rośnie wynik grupy, gdy dołącza dany gracz.",
     "term": "wkład krańcowy"
    },
    {
     "gloss": "Wyjaśnienie, w którym udziały cech sumują się do predykcji.",
     "term": "addytywna atrybucja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Any subgroup of players working together.",
     "term": "coalition"
    },
    {
     "gloss": "How much a group's result rises when a given player joins.",
     "term": "marginal contribution"
    },
    {
     "gloss": "An explanation whose feature shares sum to the prediction.",
     "term": "additive attribution"
    }
   ],
   "prereq": [
    "distributions"
   ],
   "keywords": [
    "SHAP",
    "KernelSHAP",
    "TreeSHAP",
    "core",
    "coalitional games",
    "data Shapley",
    "marginal contribution",
    "Banzhaf value"
   ],
   "source_ids": [
    "lundberg-lee-shap-2017",
    "shapley-value-rand-1952"
   ],
   "url": "https://aiatlasgraph.com/t/shapleyvalue",
   "markdown_url": "https://aiatlasgraph.com/t/shapleyvalue.md",
   "updated": "2026-10-30"
  },
  "sharedautonomy": {
   "id": "sharedautonomy",
   "parent_id": "hri",
   "label": "Wspólne sterowanie: człowiek prowadzi, robot pomaga",
   "canonical_name": "Shared autonomy and assistive teleoperation",
   "aliases": [
    "shared autonomy",
    "shared control",
    "assistive teleoperation",
    "intent inference",
    "współdzielona autonomia",
    "sterowanie współdzielone"
   ],
   "description": "Łączenie poleceń operatora z autonomią robota przy niepewności co do celu użytkownika, wnioskowanego na bieżąco z historii jego wejść.",
   "description_en": "Blending operator commands with robot autonomy under uncertainty about the user's goal, inferred online from their input history.",
   "plain": "Człowiek steruje robotem joystickiem lub głosem, a robot zgaduje, co ten chce zrobić, i po cichu poprawia mu ruchy.",
   "plain_en": "A person steers a robot with a joystick or voice while the robot guesses what they want and quietly smooths their movements.",
   "solves": "Precyzyjne sterowanie ramieniem robota przez joystick jest męczące i wolne, a pełna automatyka nie wie, czego akurat chcesz.",
   "solves_en": "Precisely steering a robot arm with a joystick is tiring and slow, while full automation does not know what you want right now.",
   "does": "Działa jak wspomaganie kierownicy w aucie: ty wskazujesz kierunek, a system dokłada resztę, gdy jest pewny twojego celu.",
   "does_en": "It works like power steering: you point the way and the system adds the rest once it is confident about your goal.",
   "example": "Osoba na wózku kieruje ramieniem przy wózku w stronę kubka, a ramię samo ustawia chwytak i podnosi kubek do ust.",
   "example_en": "A wheelchair user nudges a mounted arm towards a cup, and the arm lines up its gripper and lifts the cup to their mouth.",
   "for_you": [
    "sterujesz robotem lub dronem zdalnie",
    "projektujesz pomoce dla osób z ograniczeniami ruchowymi",
    "chcesz zbierać demonstracje szybciej i z mniejszym wysiłkiem"
   ],
   "for_you_en": [
    "control a robot or drone remotely",
    "design aids for people with limited mobility",
    "want to collect demonstrations faster and with less effort"
   ],
   "how": "Robot utrzymuje rozkład prawdopodobieństwa nad możliwymi celami, aktualizowany z ruchów użytkownika, np. metodami odwrotnego sterowania optymalnego. Zadanie formułuje się jako POMDP z ukrytym celem i rozwiązuje przybliżeniami; pomoc rośnie wraz z pewnością co do celu. Prostszy wariant to „przewidź i zmieszaj” sygnał człowieka z ruchem automatu.",
   "how_en": "The robot maintains a probability distribution over possible goals, updated from user movements, e.g. via inverse optimal control. The task is framed as a POMDP with a hidden goal and solved approximately; assistance grows with confidence in the goal. A simpler variant is predict-then-blend between the human signal and automatic motion.",
   "limits": "Użytkownicy nie zawsze lubią, gdy robot przejmuje inicjatywę, nawet jeśli zadanie idzie szybciej. Zły odczyt celu prowadzi do ruchu wbrew intencji. Metoda wymaga znanego zbioru możliwych celów lub ich wykrywania.",
   "limits_en": "Users do not always like the robot taking the initiative, even if the task goes faster. Misreading the goal produces motion against intent. The method needs a known set of candidate goals or a way to detect them.",
   "terms": [
    {
     "gloss": "Odgadywanie celu człowieka z jego dotychczasowych ruchów.",
     "term": "wnioskowanie o intencji"
    },
    {
     "gloss": "Łączenie sygnału operatora z ruchem proponowanym przez automat.",
     "term": "mieszanie poleceń"
    },
    {
     "gloss": "Zdalne sterowanie robotem przez człowieka.",
     "term": "teleoperacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Guessing a person's goal from their movements so far.",
     "term": "intent inference"
    },
    {
     "gloss": "Combining the operator's signal with motion proposed by the automation.",
     "term": "policy blending"
    },
    {
     "gloss": "A person controlling a robot remotely.",
     "term": "teleoperation"
    }
   ],
   "prereq": [
    "pomdp",
    "irl"
   ],
   "keywords": [
    "shared autonomy",
    "hindsight optimization",
    "predict-then-blend",
    "assistive robotics",
    "maximum entropy inverse optimal control",
    "teleoperation",
    "intent inference"
   ],
   "source_ids": [
    "shared-autonomy-hindsight-2015"
   ],
   "url": "https://aiatlasgraph.com/t/sharedautonomy",
   "markdown_url": "https://aiatlasgraph.com/t/sharedautonomy.md",
   "updated": "2026-10-30"
  },
  "shortanswergrading": {
   "id": "shortanswergrading",
   "parent_id": "autoassessment",
   "label": "Automatyczne sprawdzanie krótkich odpowiedzi",
   "canonical_name": "Automatic short-answer grading",
   "aliases": [
    "ASAG",
    "short answer grading",
    "automatic short answer scoring",
    "LLM grading",
    "sprawdzanie odpowiedzi otwartych"
   ],
   "description": "Ocena krótkich odpowiedzi tekstowych względem odpowiedzi wzorcowej na różnych przedmiotach i skalach ocen.",
   "description_en": "Scoring short text answers against a reference answer across subjects and grading scales.",
   "plain": "Programy, które porównują krótką odpowiedź ucznia z odpowiedzią wzorcową i przyznają punkty.",
   "plain_en": "Software that compares a learner's short answer with a reference answer and awards points.",
   "solves": "Pytania otwarte lepiej sprawdzają zrozumienie niż test wyboru, ale ich ręczne sprawdzanie w dużej grupie trwa bardzo długo.",
   "solves_en": "Open questions test understanding better than multiple choice, but marking them by hand for a large group takes very long.",
   "does": "Jak asystent z kluczem odpowiedzi, który rozpoznaje tę samą myśl wyrażoną innymi słowami, a nie tylko identyczne sformułowania.",
   "does_en": "Like an assistant holding the answer key who recognises the same idea in different words, not just identical wording.",
   "example": "Na kursie online student odpowiada dwoma zdaniami, dlaczego liście są zielone, i od razu dostaje punkty oraz wskazówkę o brakującym pojęciu.",
   "example_en": "On an online course a student answers in two sentences why leaves are green and immediately gets points and a hint about the missing concept.",
   "for_you": [
    "układasz quizy z pytaniami otwartymi",
    "sprawdzasz kolokwia dużych grup"
   ],
   "for_you_en": [
    "build quizzes with open questions",
    "mark tests for large groups"
   ],
   "how": "Wcześniejsze metody mierzą podobieństwo odpowiedzi do wzorca za pomocą cech leksykalnych lub embeddingów albo dostrajają klasyfikator na ocenionych odpowiedziach. Duże modele językowe mogą oceniać odpowiedź w kontekście bez osobnego treningu. Benchmark ASAG2024 łączy siedem anglojęzycznych zbiorów do wspólnej skali, aby sprawdzać generalizację między pytaniami i przedmiotami.",
   "how_en": "Earlier methods measure similarity to a reference using lexical features or embeddings, or fine-tune a classifier on scored answers. Large language models can score an answer in context without separate training. The ASAG2024 benchmark combines seven English-language datasets on a common scale to test generalisation across questions and subjects.",
   "limits": "Metody oparte na LLM poprawiają wyniki, ale wciąż są daleko od poziomu ludzi. Oceny bywają niestabilne przy zmianie sformułowania promptu i rubryki. Przy ocenach liczących się do zaliczenia potrzebna jest kontrola nauczyciela.",
   "limits_en": "LLM-based methods raise scores but remain far from human performance. Grades can be unstable when prompt or rubric wording changes. Grades that count towards passing need teacher oversight.",
   "terms": [
    {
     "gloss": "Przykładowa poprawna odpowiedź, z którą porównuje się odpowiedź ucznia.",
     "term": "odpowiedź wzorcowa"
    },
    {
     "gloss": "Utrzymanie jakości przy nowych pytaniach, przedmiotach i skalach ocen.",
     "term": "generalizacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "An example correct answer the learner's answer is compared with.",
     "term": "reference answer"
    },
    {
     "gloss": "Maintaining quality across new questions, subjects and grading scales.",
     "term": "generalisation"
    }
   ],
   "prereq": [
    "textembeddings",
    "judgevalidation"
   ],
   "keywords": [
    "ASAG2024",
    "SemEval-2013 Task 7",
    "SciEntsBank",
    "Mohler dataset",
    "sentence-BERT",
    "LLM-as-a-judge",
    "rubric grading"
   ],
   "source_ids": [
    "asag2024-2024"
   ],
   "url": "https://aiatlasgraph.com/t/shortanswergrading",
   "markdown_url": "https://aiatlasgraph.com/t/shortanswergrading.md",
   "updated": "2026-10-30"
  },
  "simtoreal": {
   "id": "simtoreal",
   "parent_id": "robotdata",
   "label": "Przenoszenie z symulacji do rzeczywistości (sim-to-real)",
   "canonical_name": "Sim-to-real transfer",
   "description": "Trenowanie w symulatorze i przenoszenie na prawdziwego robota mimo różnic („luka rzeczywistości”); m.in. przez losowe zmienianie wyglądu i fizyki symulacji.",
   "description_en": "Training in simulation and transferring to a real robot despite the differences (the “reality gap”), e.g. by randomising the simulation's appearance and physics.",
   "examples": "Randomizacja domeny · identyfikacja systemu · luka rzeczywistości · Isaac Sim",
   "examples_en": "Domain randomisation · system identification · reality gap · Isaac Sim",
   "plain": "To przenoszenie zachowania wyuczonego w symulatorze na prawdziwe urządzenie mimo różnic między nimi.",
   "plain_en": "This transfers behaviour learned in simulation to a real device despite differences between them.",
   "solves": "Robot sprawny w symulatorze może zawieść, gdy rzeczywiste tarcie, oświetlenie lub odczyty czujników są inne.",
   "solves_en": "A robot that works in simulation may fail when actual friction, lighting or sensor readings differ.",
   "does": "Zmienia warunki symulacji, dopasowuje opis sprzętu i sprawdza przeniesione zachowanie, żeby ograniczać skutki rozbieżności.",
   "does_en": "It varies simulation conditions, adjusts the hardware model and tests transferred behaviour to reduce the effects of differences.",
   "example": "Chwytanie ćwiczone na wirtualnych przedmiotach sprawdzasz na prawdziwych kubkach, uwzględniając inne tarcie i niedokładności kamery.",
   "example_en": "You test gripping learned on virtual objects using real cups, accounting for different friction and camera inaccuracies.",
   "for_you": [
    "masz zachowanie wyuczone w symulacji",
    "chcesz sprawdzić i dostosować je do rzeczywistego sprzętu"
   ],
   "for_you_en": [
    "have behaviour learned in simulation",
    "want to test and adapt it to physical hardware"
   ],
   "how": "Parametry wyglądu, dynamiki i opóźnień losuje się podczas treningu, aby objąć różne warunki wykonania. Identyfikacja układu lub adaptacja na rzeczywistych obserwacjach dodatkowo zmniejsza rozbieżność symulatora i sprzętu.",
   "how_en": "Appearance, dynamics and delay parameters are randomised during training to cover varied operating conditions. System identification or adaptation on real observations further reduces simulator–hardware mismatch.",
   "limits": "Losowanie musi obejmować istotne różnice, a nadmierny zakres może utrudniać naukę. Brakujące efekty fizyczne i nowe awarie nadal wymagają sprawdzenia na sprzęcie.",
   "limits_en": "Randomisation must cover relevant differences, and excessive ranges can impede learning. Missing physical effects and new failure modes still require hardware checks.",
   "terms": [
    {
     "gloss": "Losowanie warunków symulacji, by ograniczyć zależność polityki od jednego świata.",
     "term": "domain randomization"
    },
    {
     "gloss": "Estymacja parametrów rzeczywistej dynamiki na podstawie pomiarów.",
     "term": "identyfikacja układu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Randomising simulation conditions to reduce dependence on a single world.",
     "term": "domain randomization"
    },
    {
     "gloss": "Estimating real-system dynamics parameters from measurements.",
     "term": "system identification"
    }
   ],
   "prereq": [
    "rlenvs",
    "distributions"
   ],
   "keywords": [
    "domain randomization",
    "system identification",
    "reality gap",
    "dynamics randomization",
    "Isaac Sim"
   ],
   "source_ids": [
    "domain-randomization-2017",
    "legged-gym-2021"
   ],
   "url": "https://aiatlasgraph.com/t/simtoreal",
   "markdown_url": "https://aiatlasgraph.com/t/simtoreal.md",
   "updated": "2026-10-30"
  },
  "singlecellfm": {
   "id": "singlecellfm",
   "parent_id": "biomolecules",
   "label": "Modele bazowe pojedynczych komórek",
   "canonical_name": "Single-cell foundation models",
   "aliases": [
    "single-cell foundation models",
    "modele bazowe pojedynczych komórek"
   ],
   "description": "Transformery pretrenowane samonadzorowo na profilach ekspresji z sekwencjonowania pojedynczych komórek, dostrajane do adnotacji, integracji i analizy sieci genów.",
   "description_en": "Transformers pretrained self-supervised on single-cell expression profiles, fine-tuned for annotation, integration and gene-network analysis.",
   "plain": "Duże modele uczone na zapisach aktywności genów w milionach pojedynczych komórek, które rozpoznają typy komórek i ich stany.",
   "plain_en": "Large models trained on gene-activity records from millions of individual cells that recognise cell types and states.",
   "solves": "Biolodzy dostają dane z setek tysięcy komórek naraz i tygodniami ręcznie ustalają, która jest która i co się z nią dzieje.",
   "solves_en": "Biologists get data from hundreds of thousands of cells at once and spend weeks working out which cell is which and what is happening.",
   "does": "Jak model językowy, tylko słowami są geny: uczy się, które geny zwykle włączają się razem, i z tego rozumie charakter komórki.",
   "does_en": "Like a language model whose words are genes: it learns which genes usually switch on together and from that grasps a cell's character.",
   "example": "Laboratorium badające nowotwór w godzinę oznacza typy komórek w próbce guza, porównując je z atlasem zdrowych tkanek.",
   "example_en": "A cancer lab labels the cell types in a tumour sample within an hour by comparing them with an atlas of healthy tissue.",
   "for_you": [
    "pracujesz z danymi biologicznymi z wielu komórek",
    "chcesz zobaczyć, jak pomysł modeli językowych przenosi się do biologii"
   ],
   "for_you_en": [
    "work with biological data from many cells",
    "want to see how the language-model idea carries over to biology"
   ],
   "how": "Każda komórka staje się sekwencją tokenów genów z poziomem ekspresji; model przewiduje zamaskowane geny, ucząc się ich współzależności. Osadzenia komórek służą do mapowania na atlasy referencyjne, korekty efektów partii i adnotacji typów, a uwaga między genami podpowiada sieci regulacji.",
   "how_en": "Each cell becomes a sequence of gene tokens with expression levels; the model predicts masked genes, learning their co-dependencies. Cell embeddings support mapping to reference atlases, batch-effect correction and type annotation, while gene–gene attention hints at regulatory networks.",
   "limits": "Dane z różnych laboratoriów i technologii mocno się różnią, więc przenoszenie modelu wymaga kontroli efektów partii i walidacji na nowym zbiorze. Nie wszystkie zadania biologii pojedynczych komórek są zaimplementowane lub zweryfikowane w każdej wersji modelu.",
   "limits_en": "Data from different labs and technologies vary strongly, so transferring a model requires batch-effect control and validation on the new dataset. Not every single-cell biology task is implemented or validated in every model version.",
   "terms": [
    {
     "gloss": "Jak mocno dany gen jest aktywny w komórce.",
     "term": "ekspresja genu"
    },
    {
     "gloss": "Różnice w danych wynikające z laboratorium, nie z biologii.",
     "term": "efekt partii"
    },
    {
     "gloss": "Opisany zbiór referencyjny typów komórek z wielu tkanek.",
     "term": "atlas komórek"
    }
   ],
   "terms_en": [
    {
     "gloss": "How strongly a given gene is active in a cell.",
     "term": "gene expression"
    },
    {
     "gloss": "Data differences caused by the lab, not by biology.",
     "term": "batch effect"
    },
    {
     "gloss": "A labelled reference collection of cell types across tissues.",
     "term": "cell atlas"
    }
   ],
   "prereq": [
    "transformerfamilies",
    "representations"
   ],
   "keywords": [
    "scGPT",
    "Geneformer",
    "scRNA-seq",
    "CELLxGENE",
    "cell type annotation",
    "batch integration",
    "perturbation prediction",
    "virtual cell"
   ],
   "source_ids": [
    "scgpt-github"
   ],
   "url": "https://aiatlasgraph.com/t/singlecellfm",
   "markdown_url": "https://aiatlasgraph.com/t/singlecellfm.md",
   "updated": "2026-10-30"
  },
  "sits": {
   "id": "sits",
   "parent_id": "eoanalysis",
   "label": "Szeregi czasowe zdjęć satelitarnych",
   "canonical_name": "Satellite image time series",
   "aliases": [
    "SITS",
    "multi-temporal remote sensing",
    "temporal satellite imagery",
    "analiza wieloczasowa",
    "image time series classification"
   ],
   "description": "Klasyfikacja i segmentacja na stosach obrazów z wielu dat, wykorzystująca zmiany spektralne w czasie, np. do mapowania typów upraw.",
   "description_en": "Classification and segmentation over stacks of multi-date images, exploiting spectral change over time, e.g. for crop-type mapping.",
   "plain": "Analiza wielu zdjęć tego samego miejsca z całego sezonu, żeby rozpoznać to, czego nie widać na jednym ujęciu.",
   "plain_en": "Analysing many pictures of the same place across a season to recognise what a single shot cannot reveal.",
   "solves": "Na jednym zdjęciu pszenica i jęczmień wyglądają tak samo, a chmury co chwilę zasłaniają pola, więc pojedyncze ujęcie często nie wystarcza.",
   "solves_en": "On a single image wheat and barley look the same, and clouds keep hiding fields, so one snapshot is often not enough.",
   "does": "Jak film poklatkowy z ogrodu: dopiero widząc, kiedy co kiełkuje i kwitnie, odróżniasz od siebie podobne rośliny.",
   "does_en": "Like a time-lapse of a garden: only by seeing when each plant sprouts and flowers can you tell similar ones apart.",
   "example": "Mapa upraw w regionie powstaje z kilkudziesięciu zdjęć z sezonu, bo dopiero rytm wzrostu zdradza, co rośnie na polu.",
   "example_en": "A regional crop map is built from dozens of images across the season, because only the growth rhythm reveals what is in each field.",
   "for_you": [
    "śledzisz, co rośnie na polach w twoim regionie",
    "pracujesz z danymi, które zmieniają się sezonowo"
   ],
   "for_you_en": [
    "follow what grows in the fields of your region",
    "work with data that change with the seasons"
   ],
   "how": "Każdy piksel lub działka staje się sekwencją pomiarów spektralnych w nieregularnych odstępach. Modele z uwagą czasową, rekurencyjne lub splotowe 3D kompresują wymiar czasu, a enkoder przestrzenny, np. U-Net, dodaje kontekst sąsiedztwa. Daty koduje się podobnie jak pozycje w transformerze.",
   "how_en": "Each pixel or parcel becomes a sequence of spectral measurements at irregular intervals. Temporal-attention, recurrent or 3D convolutional models compress the time axis, while a spatial encoder such as a U-Net adds neighbourhood context. Dates are encoded much like positions in a transformer.",
   "limits": "Zdjęcia przychodzą nieregularnie, z lukami po chmurach, a mniej dat wyraźnie obniża jakość. Rytm wzrostu zmienia się z rokiem i regionem, więc modele słabo przenoszą się geograficznie. Dane z wielu dat są ciężkie do przechowywania i przetwarzania.",
   "limits_en": "Images arrive irregularly with cloud gaps, and fewer dates clearly lower quality. Growth rhythms vary by year and region, so models transfer poorly geographically. Multi-date data are heavy to store and process.",
   "terms": [
    {
     "gloss": "Mechanizm wybierający, które daty sezonu najbardziej liczą się dla decyzji.",
     "term": "uwaga czasowa"
    },
    {
     "gloss": "Przebieg zieloności rośliny w ciągu sezonu.",
     "term": "krzywa fenologiczna"
    },
    {
     "gloss": "Klasa dla każdego piksela plus rozróżnienie poszczególnych działek.",
     "term": "segmentacja panoptyczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A mechanism choosing which dates in the season matter most.",
     "term": "temporal attention"
    },
    {
     "gloss": "How a plant's greenness rises and falls over the season.",
     "term": "phenological curve"
    },
    {
     "gloss": "A class for every pixel plus separating individual parcels.",
     "term": "panoptic segmentation"
    }
   ],
   "prereq": [
    "selfattention",
    "semanticseg"
   ],
   "keywords": [
    "U-TAE",
    "L-TAE",
    "PASTIS",
    "TempCNN",
    "BreizhCrops",
    "Sentinel-2 time series",
    "temporal attention",
    "crop type mapping"
   ],
   "source_ids": [
    "garnot-pastis-utae-2021"
   ],
   "url": "https://aiatlasgraph.com/t/sits",
   "markdown_url": "https://aiatlasgraph.com/t/sits.md",
   "updated": "2026-10-30"
  },
  "skilldisclosure": {
   "id": "skilldisclosure",
   "parent_id": "agentskills",
   "label": "Stopniowe wczytywanie umiejętności",
   "canonical_name": "Progressive disclosure of skills",
   "aliases": [
    "progressive disclosure",
    "stopniowe odkrywanie umiejętności"
   ],
   "description": "Trzystopniowe ładowanie umiejętności: metadane na starcie, treść po wyborze, zasoby na żądanie.",
   "description_en": "Three-level skill loading: metadata at startup, body after selection, resources on demand.",
   "plain": "Asystent najpierw widzi spis umiejętności, a szczegóły otwiera dopiero przy pasującym zadaniu.",
   "plain_en": "The assistant first sees a list of skills and opens the details only for a matching task.",
   "solves": "Pełne instrukcje wszystkich procedur nie mieszczą się w jednej rozmowie i zagłuszają właściwe zadanie.",
   "solves_en": "Full instructions for every procedure do not fit in one conversation and drown out the actual task.",
   "does": "Działa jak spis treści: najpierw tytuły, potem rozdział, a załączniki dopiero gdy są potrzebne.",
   "does_en": "It works like a table of contents: titles first, then the chapter, and attachments only when needed.",
   "example": "Masz dwadzieścia procedur firmowych. Asystent widzi ich opisy, a pełną instrukcję zwrotów otwiera dopiero przy reklamacji.",
   "example_en": "You have twenty company procedures. The assistant sees their descriptions and opens the full returns instructions only for a complaint.",
   "for_you": [
    "masz więcej procedur, niż mieści się w jednej wiadomości",
    "asystent gubi się, gdy dostaje wszystkie zasady naraz"
   ],
   "for_you_en": [
    "have more procedures than fit in one message",
    "the assistant gets lost when given every rule at once"
   ],
   "how": "Specyfikacja rozdziela trzy poziomy. Metadane, około stu tokenów na umiejętność, trafiają do kontekstu przy starcie. Treść pliku instrukcji, zalecana poniżej pięciu tysięcy tokenów, jest czytana po aktywacji. Pliki w scripts, references i assets są otwierane dopiero, gdy instrukcja do nich odsyła.",
   "how_en": "The specification separates three levels. Metadata, about a hundred tokens per skill, enters context at startup. The instruction body, recommended under five thousand tokens, is read after activation. Files under scripts, references and assets are opened only when the instructions point to them.",
   "limits": "Wybór zależy od jakości opisu, nie od pełnej treści. Zbyt wiele opisów i tak zajmuje kontekst startowy. Agent może nie doczytać pliku, do którego instrukcja odsyła.",
   "limits_en": "Selection depends on description quality, not on the full text. Too many descriptions still consume the startup context. The agent may fail to open a file the instructions refer to.",
   "terms": [
    {
     "gloss": "Krótka nazwa i opis wczytywane przy każdym starcie.",
     "term": "poziom metadanych"
    },
    {
     "gloss": "Pełna treść pliku czytana dopiero po wyborze umiejętności.",
     "term": "poziom instrukcji"
    },
    {
     "gloss": "Dodatkowe pliki otwierane tylko na odwołanie z instrukcji.",
     "term": "poziom zasobów"
    }
   ],
   "terms_en": [
    {
     "gloss": "Short name and description loaded at every startup.",
     "term": "metadata level"
    },
    {
     "gloss": "Full file body read only after the skill is selected.",
     "term": "instruction level"
    },
    {
     "gloss": "Extra files opened only when the instructions refer to them.",
     "term": "resource level"
    }
   ],
   "prereq": [
    "contextmanagement",
    "prompting"
   ],
   "keywords": [
    "progressive disclosure",
    "skill metadata",
    "on-demand loading",
    "context budget",
    "skill activation",
    "reference files"
   ],
   "source_ids": [
    "agentskills-spec",
    "anthropic-agent-skills-2025",
    "openai-codex-skills-docs"
   ],
   "url": "https://aiatlasgraph.com/t/skilldisclosure",
   "markdown_url": "https://aiatlasgraph.com/t/skilldisclosure.md",
   "updated": "2026-10-30"
  },
  "skillformat": {
   "id": "skillformat",
   "parent_id": "agentskills",
   "label": "Format pliku umiejętności",
   "canonical_name": "Skill file format",
   "aliases": [
    "SKILL.md format",
    "frontmatter umiejętności"
   ],
   "description": "Folder z plikiem instrukcji, którego nagłówek ma co najmniej nazwę i opis, zgodne z nazwą folderu.",
   "description_en": "A folder with an instruction file whose header has at least a name and description, matching the folder name.",
   "plain": "Ustalony układ folderu: krótka metryczka na górze pliku i instrukcja pod spodem.",
   "plain_en": "A fixed folder layout: a short header at the top of the file and instructions underneath.",
   "solves": "Każdy opisuje procedury inaczej, więc asystent nie wie, czego szukać ani kiedy je stosować.",
   "solves_en": "Everyone describes procedures differently, so the assistant does not know what to look for or when to apply them.",
   "does": "Wymaga nazwy i opisu w stałym nagłówku, a kroki trzyma w zwykłym tekście pod spodem.",
   "does_en": "It requires a name and description in a fixed header, and keeps the steps in ordinary text below.",
   "example": "Zapisujesz zamknięcie miesiąca jako folder z plikiem instrukcji, a asystent rozpoznaje go po opisie, nie po nazwie czatu.",
   "example_en": "You save month-end closing as a folder with an instruction file, and the assistant recognizes it from the description, not the chat title.",
   "for_you": [
    "chcesz, żeby asystent sam wybrał właściwą procedurę",
    "opisujesz powtarzalną pracę tak, by dało się ją przekazać"
   ],
   "for_you_en": [
    "want the assistant to pick the right procedure itself",
    "describe repeatable work so someone else can reuse it"
   ],
   "how": "Wymagany plik zaczyna się od nagłówka z polami name i description. Nazwa jest krótka, małymi literami i myślnikami, i musi zgadzać się z nazwą folderu. Opis mówi, co umiejętność robi i kiedy jej użyć, bo to jedyne pole widoczne przed włączeniem. Opcjonalne katalogi scripts, references i assets trzymają kod, dokumentację i szablony.",
   "how_en": "The required file starts with a header containing name and description. The name is short, lowercase and hyphenated, and must match the folder name. The description says what the skill does and when to use it, because that is the only field visible before activation. Optional scripts, references and assets directories hold code, documentation and templates.",
   "limits": "Za długi albo ogólnikowy opis psuje wybór. Pole dozwolonych narzędzi jest eksperymentalne i nie każdy agent je honoruje. Sama zgodność nagłówka nie gwarantuje, że skrypty zadziałają w innym środowisku.",
   "limits_en": "An overly long or vague description breaks selection. The allowed-tools field is experimental and not every agent honors it. A valid header does not guarantee that scripts will run in another environment.",
   "terms": [
    {
     "gloss": "Pola na górze pliku, oddzielone od właściwej instrukcji.",
     "term": "nagłówek"
    },
    {
     "gloss": "Zdanie, po którym agent decyduje, czy otworzyć umiejętność.",
     "term": "opis wywołania"
    },
    {
     "gloss": "Opcjonalne pliki z kodem, dokumentacją albo szablonami.",
     "term": "katalog zasobów"
    }
   ],
   "terms_en": [
    {
     "gloss": "Fields at the top of the file, separate from the instructions.",
     "term": "frontmatter"
    },
    {
     "gloss": "The sentence the agent uses to decide whether to open a skill.",
     "term": "trigger description"
    },
    {
     "gloss": "Optional files with code, documentation or templates.",
     "term": "resource directory"
    }
   ],
   "prereq": [
    "promptstructure",
    "structured"
   ],
   "keywords": [
    "SKILL.md",
    "YAML frontmatter",
    "skill name constraints",
    "skill description",
    "scripts directory",
    "references directory",
    "assets directory",
    "skills-ref"
   ],
   "source_ids": [
    "agentskills-spec",
    "anthropic-agent-skills-2025",
    "openai-codex-skills-docs"
   ],
   "url": "https://aiatlasgraph.com/t/skillformat",
   "markdown_url": "https://aiatlasgraph.com/t/skillformat.md",
   "updated": "2026-10-30"
  },
  "skillrating": {
   "id": "skillrating",
   "parent_id": "playermodeling",
   "label": "Bayesowskie oceny umiejętności graczy",
   "canonical_name": "Bayesian player skill rating",
   "aliases": [
    "Bayesian skill rating",
    "player skill rating",
    "probabilistic skill rating",
    "bayesowska ocena umiejętności",
    "probabilistyczny ranking graczy"
   ],
   "description": "Bayesowskie wnioskowanie o ukrytej umiejętności i jej niepewności z wyników pojedynków lub drużyn; oceny mogą wspierać dobieranie wyrównanych meczów.",
   "description_en": "Bayesian inference of latent skill and its uncertainty from individual or team outcomes; ratings can support balanced matchmaking.",
   "plain": "Gra szacuje, jak dobry jest każdy gracz, i na tej podstawie dobiera mu przeciwników oraz sojuszników o podobnym poziomie.",
   "plain_en": "A game estimates how good each player is and uses that to pick opponents and teammates at a similar level.",
   "solves": "Mecze z dużo lepszymi lub dużo słabszymi rywalami są nudne albo frustrujące, więc gracze szybko rezygnują.",
   "solves_en": "Matches against much stronger or much weaker rivals are dull or frustrating, so players quickly quit.",
   "does": "Każdy wynik meczu przesuwa ocenę gracza; zaskakujące zwycięstwo nad mocniejszym przesuwa ją mocniej niż oczekiwane.",
   "does_en": "Every match result shifts a player's rating; a surprise win over a stronger rival moves it more than an expected one.",
   "example": "Po kilku pierwszych meczach w grze sieciowej trafiasz do rozgrywek z ludźmi, z którymi wygrywasz mniej więcej co drugi raz.",
   "example_en": "After your first few matches in an online game, you end up playing people you beat roughly every other time.",
   "for_you": [
    "grasz w rankingowe gry sieciowe",
    "organizujesz turniej lub ligę",
    "porównujesz modele AI w pojedynkach"
   ],
   "for_you_en": [
    "play ranked online games",
    "run a tournament or league",
    "compare AI models in head-to-head matchups"
   ],
   "how": "System przechowuje dla każdego gracza rozkład prawdopodobieństwa umiejętności. Po wyniku meczu aktualizuje rozkłady wszystkich uczestników; w grze drużynowej wnioskuje wkład poszczególnych osób przez przybliżone przekazywanie wiadomości w grafie czynników. Wysoka niepewność pozwala szybciej zmieniać ocenę nowego gracza.",
   "how_en": "The system stores a probability distribution over each player's skill. After a match result it updates all participants' distributions; in team play it infers individual contributions through approximate message passing on a factor graph. High uncertainty lets a new player's rating move faster.",
   "limits": "Ocena wnioskuje umiejętność głównie z wyników, więc nie widzi wszystkich przyczyn wygranej ani przegranej. Jej trafność zależy od założeń modelu i liczby rozegranych meczów; na początku niepewność jest celowo wysoka.",
   "limits_en": "The rating infers skill mainly from outcomes, so it cannot observe every cause of a win or loss. Accuracy depends on model assumptions and the number of matches played; uncertainty is deliberately high at the beginning.",
   "terms": [
    {
     "gloss": "Ukryta liczba, którą gra używa do dobierania graczy.",
     "term": "MMR"
    },
    {
     "gloss": "Jak bardzo system nie jest jeszcze pewny poziomu gracza.",
     "term": "niepewność oceny"
    },
    {
     "gloss": "Granie dobrego gracza na nowym koncie przeciw początkującym.",
     "term": "smurfing"
    }
   ],
   "terms_en": [
    {
     "gloss": "A hidden number the game uses to match players.",
     "term": "MMR"
    },
    {
     "gloss": "How unsure the system still is about a player's level.",
     "term": "rating uncertainty"
    },
    {
     "gloss": "A strong player using a new account to face beginners.",
     "term": "smurfing"
    }
   ],
   "prereq": [
    "bayesinference"
   ],
   "keywords": [
    "Elo rating",
    "Glicko-2",
    "TrueSkill",
    "TrueSkill 2",
    "Bradley-Terry model",
    "matchmaking rating",
    "OpenSkill",
    "factor graph"
   ],
   "source_ids": [
    "herbrich-trueskill-2006"
   ],
   "url": "https://aiatlasgraph.com/t/skillrating",
   "markdown_url": "https://aiatlasgraph.com/t/skillrating.md",
   "updated": "2026-10-30"
  },
  "skillscripts": {
   "id": "skillscripts",
   "parent_id": "agentskills",
   "label": "Skrypty w paczce umiejętności",
   "canonical_name": "Bundled skill scripts",
   "aliases": [
    "skill scripts",
    "skrypty umiejętności"
   ],
   "description": "Kod wykonywalny dołączony do umiejętności, uruchamiany jako narzędzie zamiast generowania go w kontekście.",
   "description_en": "Executable code bundled with a skill and run as a tool instead of being generated into context.",
   "plain": "Gotowy program w paczce, który asystent uruchamia zamiast za każdym razem pisać kod od nowa.",
   "plain_en": "A ready program in the package that the assistant runs instead of writing the code from scratch each time.",
   "solves": "Asystent za każdym razem inaczej liczy, wypełnia albo przekształca dane i trudno przewidzieć wynik.",
   "solves_en": "The assistant calculates, fills or transforms data differently each time, so the result is hard to predict.",
   "does": "Uruchamia zapisany skrypt jak narzędzie i dostaje wynik, bez wklejania całego kodu do rozmowy.",
   "does_en": "It runs the saved script as a tool and receives the result, without pasting the whole program into the conversation.",
   "example": "Przy zestawieniu asystent odpala zapisany skrypt sprawdzający sumy, zamiast liczyć je w odpowiedzi i ryzykować pomyłkę.",
   "example_en": "For a report the assistant runs a saved script that checks the totals, instead of calculating them in the reply and risking a mistake.",
   "for_you": [
    "powtarzasz obliczenia albo przekształcenia, które muszą wyjść tak samo",
    "nie chcesz, by asystent wymyślał kod do znanej procedury"
   ],
   "for_you_en": [
    "repeat calculations or transforms that must come out the same",
    "do not want the assistant to invent code for a known procedure"
   ],
   "how": "Katalog scripts trzyma programy, które agent może wywołać po wczytaniu instrukcji. Wynik wraca do kontekstu, a sam kod nie musi być tam wklejany. Ten sam plik może też służyć jako dokumentacja sposobu obliczenia. Specyfikacja zaleca czytelne komunikaty błędów i obsługę przypadków brzegowych.",
   "how_en": "The scripts directory holds programs the agent can call after loading the instructions. The result returns to context, while the code itself need not be pasted there. The same file can also document how the calculation works. The specification recommends clear error messages and handling of edge cases.",
   "limits": "Skrypt ma zależności i uprawnienia środowiska, których inny agent może nie mieć. Uruchomienie cudzego kodu to ryzyko dla danych i systemu. Błąd w skrypcie powtarza się przy każdym wywołaniu.",
   "limits_en": "A script has environment dependencies and permissions another agent may lack. Running someone else's code risks data and the system. A bug in the script repeats on every call.",
   "terms": [
    {
     "gloss": "Gotowy program uruchamiany przez agenta, a nie pisany w odpowiedzi.",
     "term": "skrypt"
    },
    {
     "gloss": "To, co program zwraca do rozmowy po uruchomieniu.",
     "term": "wynik narzędzia"
    },
    {
     "gloss": "Program lub uprawnienie, bez którego skrypt się nie uruchomi.",
     "term": "zależność środowiska"
    }
   ],
   "terms_en": [
    {
     "gloss": "A ready program the agent runs, rather than writing in the reply.",
     "term": "script"
    },
    {
     "gloss": "What the program returns to the conversation after it runs.",
     "term": "tool result"
    },
    {
     "gloss": "A program or permission the script needs in order to run.",
     "term": "environment dependency"
    }
   ],
   "prereq": [
    "mcp",
    "structured"
   ],
   "keywords": [
    "bundled scripts",
    "deterministic tools",
    "code execution",
    "skill scripts",
    "error handling",
    "allowed-tools"
   ],
   "source_ids": [
    "agentskills-spec",
    "anthropic-agent-skills-2025"
   ],
   "url": "https://aiatlasgraph.com/t/skillscripts",
   "markdown_url": "https://aiatlasgraph.com/t/skillscripts.md",
   "updated": "2026-10-30"
  },
  "slam": {
   "id": "slam",
   "parent_id": "spatial",
   "label": "Jednoczesna lokalizacja i budowa mapy (SLAM)",
   "canonical_name": "Simultaneous localisation and mapping (SLAM)",
   "aliases": [
    "SLAM",
    "visual SLAM",
    "visual odometry",
    "neural SLAM",
    "simultaneous localization and mapping",
    "jednoczesna lokalizacja i mapowanie",
    "odometria wizualna"
   ],
   "description": "Jednoczesne szacowanie położenia kamery lub robota i budowanie bądź aktualizowanie mapy nieznanego otoczenia. Klasyczne metody łączą obserwacje z optymalizacją geometryczną, a nowsze systemy wykorzystują także uczone moduły, sieci rekurencyjne oraz reprezentacje scen oparte na polach radiancji lub gaussianach.",
   "description_en": "Simultaneously estimating the pose of a camera or robot while building or updating a map of an unknown environment. Classical methods combine observations with geometric optimisation, while newer systems also use learned modules, recurrent networks and scene representations based on radiance fields or Gaussians.",
   "examples": "odometria wizualna · bundle adjustment · DROID-SLAM · SLAM z NeRF lub 3DGS",
   "examples_en": "visual odometry · bundle adjustment · DROID-SLAM · NeRF- or 3DGS-based SLAM",
   "plain": "To jednoczesne tworzenie mapy nieznanego miejsca i szacowanie, gdzie maszyna znajduje się na tej mapie.",
   "plain_en": "This builds a map of an unfamiliar place while estimating where a machine is on that map.",
   "solves": "Wewnątrz budynku robot nie może polegać na nawigacji satelitarnej, a potrzebuje mapy i własnego położenia.",
   "solves_en": "Inside a building, a robot cannot rely on satellite navigation but needs a map and its own position.",
   "does": "Jak turysta w obcym mieście: zapamiętuje charakterystyczne punkty, liczy kroki i stale poprawia mapę w głowie.",
   "does_en": "Like a tourist in a strange city: it remembers landmarks, counts steps and keeps correcting the map in its head.",
   "example": "Robot sprzątający po pierwszym przejeździe zna rozkład mieszkania, omija sofę i sam wraca do stacji ładowania.",
   "example_en": "After its first run, a robot vacuum knows the flat's layout, steers around the sofa and finds its own way back to the charger.",
   "for_you": [
    "budujesz lub programujesz roboty mobilne",
    "interesujesz się goglami rozszerzonej rzeczywistości",
    "chcesz mapować wnętrza kamerą"
   ],
   "for_you_en": [
    "build or program mobile robots",
    "are interested in augmented reality headsets",
    "want to map interiors with a camera"
   ],
   "how": "Pomiary kolejnych obserwacji tworzą ograniczenia między pozycjami sensora i elementami mapy. Estymacja oraz optymalizacja uzgadniają te zależności, a wykrycie wcześniej odwiedzonego miejsca pozwala korygować narastający dryf.",
   "how_en": "Successive observations create constraints between sensor poses and map elements. Estimation and optimisation reconcile these relationships, while recognising revisited places helps correct accumulated drift.",
   "limits": "Mało tekstury, obiekty ruchome i błędne skojarzenia utrudniają estymację. Pomyłka w zamknięciu pętli może zniekształcić mapę; skala zależy od sensorów i założeń.",
   "limits_en": "Limited texture, moving objects and false associations impede estimation. Incorrect loop closures can distort maps; scale depends on sensors and assumptions.",
   "terms": [
    {
     "gloss": "Rozpoznanie powrotu do miejsca w celu uzgodnienia mapy i pozycji.",
     "term": "loop closure"
    },
    {
     "gloss": "Wspólna optymalizacja pozycji kamer i geometrii z obserwacji obrazowych.",
     "term": "bundle adjustment"
    }
   ],
   "terms_en": [
    {
     "gloss": "Recognising revisited places to reconcile maps and poses.",
     "term": "loop closure"
    },
    {
     "gloss": "Joint optimisation of camera poses and geometry from image observations.",
     "term": "bundle adjustment"
    }
   ],
   "prereq": [
    "linearalgebra",
    "bayesinference"
   ],
   "keywords": [
    "visual odometry",
    "bundle adjustment",
    "loop closure",
    "DROID-SLAM",
    "ORB-SLAM",
    "pose graph optimization"
   ],
   "source_ids": [
    "droid-slam-2021",
    "slam-radiance-fields-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/slam",
   "markdown_url": "https://aiatlasgraph.com/t/slam.md",
   "updated": "2026-10-30"
  },
  "sleepstaging": {
   "id": "sleepstaging",
   "parent_id": "biosignals",
   "label": "Automatyczna ocena faz snu",
   "canonical_name": "Automated sleep staging",
   "aliases": [
    "sleep stage scoring",
    "polysomnography scoring AI",
    "ocena polisomnografii",
    "U-Sleep"
   ],
   "description": "Klasyfikacja 30-sekundowych epok polisomnografii (EEG, EOG, EMG) do faz snu według zasad AASM przez sieci konwolucyjne i rekurencyjne.",
   "description_en": "Classifying 30-second polysomnography epochs (EEG, EOG, EMG) into sleep stages under AASM rules with convolutional and recurrent networks.",
   "plain": "Program analizuje nocne badanie snu i rozpisuje, kiedy pacjent czuwał, spał płytko, głęboko albo śnił.",
   "plain_en": "Software analyses an overnight sleep study and maps when the patient was awake, in light or deep sleep, or dreaming.",
   "solves": "Technik godzinami ocenia każdą noc w laboratorium snu, więc na badanie i wynik czeka się tygodniami.",
   "solves_en": "A technician spends hours scoring each night in a sleep lab, so people wait weeks for a test and result.",
   "does": "Dzieli noc na krótkie odcinki i każdemu nadaje fazę, jak sekretarz, który przepisuje nagranie na protokół minuta po minucie.",
   "does_en": "Cuts the night into short chunks and labels each with a stage, like a clerk turning a recording into minute-by-minute minutes.",
   "example": "Po nocy w pracowni snu pacjent z chrapaniem dostaje wynik następnego dnia, bo technik tylko poprawia gotowy hipnogram.",
   "example_en": "After a night in the sleep lab, a patient who snores gets results next day because the technician only corrects a ready hypnogram.",
   "for_you": [
    "czekasz na badanie snu",
    "śledzisz sen opaską i ciekawi cię, jak to działa"
   ],
   "for_you_en": [
    "are waiting for a sleep study",
    "track sleep with a band and wonder how it works"
   ],
   "how": "Sieć (np. w pełni konwolucyjna, wzorowana na U-Net) bierze kilka kanałów i przewiduje fazę dla każdej epoki: czuwanie, N1, N2, N3 lub REM, uwzględniając kontekst sąsiednich epok. Trening na wielu kohortach pozwala działać przy różnych układach elektrod i częstotliwościach próbkowania bez ponownego uczenia.",
   "how_en": "A network (e.g. fully convolutional, U-Net-inspired) takes a few channels and predicts a stage per epoch: wake, N1, N2, N3 or REM, using neighbouring-epoch context. Training on many cohorts lets it work across electrode layouts and sampling rates without retraining.",
   "limits": "Nawet eksperci nie zgadzają się co do części epok, zwłaszcza fazy N1, co ogranicza możliwą dokładność. Sen z urządzeń noszonych bez EEG to przybliżenie. Ocena faz nie zastępuje oceny bezdechów i innych zaburzeń.",
   "limits_en": "Even experts disagree on some epochs, especially N1, which caps achievable accuracy. Sleep from wearables without EEG is an approximation. Staging alone does not replace scoring apnoeas and other disorders.",
   "terms": [
    {
     "gloss": "Nocne badanie snu rejestrujące mózg, oczy, mięśnie i oddech.",
     "term": "polisomnografia"
    },
    {
     "gloss": "Wykres pokazujący, jak fazy snu zmieniały się przez noc.",
     "term": "hipnogram"
    },
    {
     "gloss": "Odcinek zapisu, zwykle 30 sekund, któremu nadaje się fazę.",
     "term": "epoka"
    }
   ],
   "terms_en": [
    {
     "gloss": "Overnight sleep test recording brain, eyes, muscles and breathing.",
     "term": "polysomnography"
    },
    {
     "gloss": "Chart showing how sleep stages changed through the night.",
     "term": "hypnogram"
    },
    {
     "gloss": "Recording chunk, usually 30 seconds, given one stage label.",
     "term": "epoch"
    }
   ],
   "prereq": [
    "timeseries",
    "cnn"
   ],
   "keywords": [
    "U-Sleep",
    "AASM scoring",
    "Sleep-EDF",
    "SHHS",
    "DeepSleepNet",
    "SleepTransformer",
    "hypnogram",
    "inter-scorer agreement"
   ],
   "source_ids": [
    "usleep-2021"
   ],
   "url": "https://aiatlasgraph.com/t/sleepstaging",
   "markdown_url": "https://aiatlasgraph.com/t/sleepstaging.md",
   "updated": "2026-10-30"
  },
  "slidingwindow": {
   "id": "slidingwindow",
   "parent_id": "efficientarch",
   "label": "Uwaga lokalna z przesuwnym oknem",
   "canonical_name": "Sliding-window (local) attention",
   "aliases": [
    "sliding window attention",
    "SWA",
    "local attention",
    "uwaga lokalna",
    "sparse attention"
   ],
   "description": "Uwaga lokalna, w której token oddziałuje tylko z ograniczonym oknem sąsiednich tokenów zamiast z całą sekwencją. Przy stałym rozmiarze okna całkowity koszt obliczeń rośnie liniowo z długością sekwencji, a pamięć KV dla generowania może być ograniczona rozmiarem okna. Niektóre architektury łączą ją z uwagą globalną lub pełną.",
   "description_en": "Local attention in which a token interacts only with a bounded window of neighbouring tokens rather than the entire sequence. With a fixed window, total compute grows linearly with sequence length, and the KV memory used for generation can be bounded by the window size. Some architectures combine it with global or full attention.",
   "examples": "Longformer (uwaga lokalna + globalna) · Mistral 7B · przeplot uwagi lokalnej i pełnej",
   "examples_en": "Longformer (local + global attention) · Mistral 7B · interleaved local and full attention",
   "plain": "To uwaga, która dla każdego fragmentu danych korzysta tylko z ograniczonego sąsiedztwa.",
   "plain_en": "This attention mechanism uses only a limited neighbourhood for each data element.",
   "solves": "Porównywanie wszystkich fragmentów długiego tekstu ze wszystkimi zużywa dużo pamięci i obliczeń.",
   "solves_en": "Comparing every part of a long text with every other part consumes substantial memory and computation.",
   "does": "Okno przesuwa się wraz z tekstem, ograniczając bezpośrednie porównania; dalsze informacje mogą docierać przez inne warstwy lub dodatkową uwagę.",
   "does_en": "A window moves along the text, limiting direct comparisons; distant information can arrive through other layers or additional attention.",
   "example": "Model analizuje długi zapis zdarzeń, skupiając każdy krok na pobliskich wpisach zamiast całej historii naraz.",
   "example_en": "A model analyses a long event log, focusing each step on nearby entries rather than the whole history at once.",
   "for_you": [
    "najważniejsze zależności są lokalne",
    "chcesz ograniczyć koszt uwagi w długiej sekwencji"
   ],
   "for_you_en": [
    "work with mostly local relationships",
    "want to reduce attention costs in long sequences"
   ],
   "how": "Maska uwagi ogranicza bezpośrednie porównania do lokalnego okna wokół pozycji lub poprzedzającego ją prefiksu. Kolejne warstwy mogą pośrednio przenosić informacje dalej, a pierścieniowy bufor ogranicza pamięć lokalnych kluczy i wartości podczas generowania.",
   "how_en": "An attention mask restricts direct comparisons to a local window around a position or its preceding prefix. Successive layers can indirectly propagate information further, while a rolling buffer limits local key–value memory during generation.",
   "limits": "Odległe informacje nie są bezpośrednio dostępne w lokalnej warstwie. Okno i głębokość wpływają na dostępny kontekst; warstwy pełnej uwagi mogą nadal wymagać rosnącej pamięci.",
   "limits_en": "Distant information is not directly accessible in a local layer. Window size and depth affect available context; full-attention layers can still require growing memory.",
   "terms": [
    {
     "gloss": "Zbiór pobliskich pozycji dostępnych dla bezpośredniego porównania.",
     "term": "okno uwagi"
    },
    {
     "gloss": "Pamięć zastępująca najstarsze lokalne elementy nowymi.",
     "term": "bufor pierścieniowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Nearby positions available for direct comparison.",
     "term": "attention window"
    },
    {
     "gloss": "Memory replacing the oldest local elements with new ones.",
     "term": "rolling buffer"
    }
   ],
   "prereq": [
    "selfattention",
    "posencoding"
   ],
   "keywords": [
    "Longformer",
    "Mistral 7B",
    "local attention",
    "global attention",
    "rolling KV cache"
   ],
   "source_ids": [
    "hf-llm-course-transformer-arch",
    "raschka-llm-arch-comparison",
    "mistral-7b-2023",
    "longformer-2020"
   ],
   "url": "https://aiatlasgraph.com/t/slidingwindow",
   "markdown_url": "https://aiatlasgraph.com/t/slidingwindow.md",
   "updated": "2026-10-30"
  },
  "socialchoice": {
   "id": "socialchoice",
   "parent_id": "gametheory",
   "label": "Wybór społeczny: łączenie preferencji wielu osób",
   "canonical_name": "Computational social choice",
   "aliases": [
    "social choice",
    "computational social choice",
    "voting theory",
    "teoria wyboru społecznego",
    "teoria głosowania",
    "preference aggregation",
    "agregacja preferencji"
   ],
   "description": "Formalna analiza reguł agregujących indywidualne preferencje w decyzję grupową, z aksjomatami, twierdzeniami o niemożliwości i złożonością obliczeniową.",
   "description_en": "Formal analysis of rules aggregating individual preferences into a group decision, with axioms, impossibility theorems and computational complexity.",
   "plain": "Nauka o tym, jak połączyć różne opinie wielu osób w jedną wspólną decyzję albo ranking.",
   "plain_en": "The study of how to combine many people's differing opinions into one shared decision or ranking.",
   "solves": "Ludzie oceniający odpowiedzi AI często się nie zgadzają, a prosty sposób uśredniania potrafi dać wynik, którego nikt nie chciał.",
   "solves_en": "People rating AI answers often disagree, and a naive way of averaging can yield an outcome nobody wanted.",
   "does": "Jak ordynacja wyborcza: ta sama urna z głosami może wyłonić różnych zwycięzców, zależnie od przyjętej metody liczenia.",
   "does_en": "Like an electoral system: the same ballot box can produce different winners depending on the counting method chosen.",
   "example": "Zespół tysięcy oceniających porównuje pary odpowiedzi czatu, a twórcy muszą zdecydować, jak z tych sprzecznych ocen ustalić, co model ma preferować.",
   "example_en": "Thousands of raters compare pairs of chat answers, and the builders must decide how to turn those conflicting ratings into what the model should prefer.",
   "for_you": [
    "zbierasz oceny od wielu ludzi i chcesz je uczciwie połączyć",
    "zastanawiasz się, czyje wartości odzwierciedla AI"
   ],
   "for_you_en": [
    "collect ratings from many people and want to combine them fairly",
    "wonder whose values an AI reflects"
   ],
   "how": "Reguły głosowania, takie jak większość, Borda czy ranked pairs, ocenia się przez jawne kryteria, m.in. anonimowość, niezależność od klonów i podatność na głosowanie strategiczne. Twierdzenie Arrowa mówi, że przy co najmniej trzech opcjach i nieograniczonej dziedzinie preferencji nie istnieje reguła rankingu społecznego spełniająca jednocześnie zasadę Pareto, niezależność od alternatyw niezwiązanych i niedyktatorskość. W dostrajaniu modeli narzędzia wyboru społecznego pomagają analizować agregację ocen i zasad pochodzących od wielu osób.",
   "how_en": "Voting rules such as majority, Borda and ranked pairs are evaluated against explicit criteria including anonymity, independence of clones and susceptibility to strategic voting. Arrow's theorem says that with at least three options and unrestricted preference profiles, no social-ranking rule simultaneously satisfies Pareto, independence of irrelevant alternatives and non-dictatorship. In model fine-tuning, social-choice tools help analyse aggregation of ratings and principles from many people.",
   "limits": "Każda reguła poświęca którąś pożądaną własność, więc wybór metody jest decyzją wartościującą, nie czysto techniczną. Zbiorowe preferencje mogą być cykliczne, a wyniki zależą od tego, kto w ogóle ocenia.",
   "limits_en": "Every rule sacrifices some desirable property, so choosing a method is a value judgement, not a purely technical one. Collective preferences can be cyclic, and results depend on who gets to rate at all.",
   "terms": [
    {
     "gloss": "Żadna reguła głosowania nie spełnia naraz kilku intuicyjnych warunków uczciwości.",
     "term": "twierdzenie Arrowa"
    },
    {
     "gloss": "Grupa może woleć A od B, B od C i C od A.",
     "term": "paradoks Condorceta"
    },
    {
     "gloss": "Podawanie nieszczerych preferencji, by przechylić wynik na swoją korzyść.",
     "term": "głosowanie strategiczne"
    }
   ],
   "terms_en": [
    {
     "gloss": "No voting rule meets several intuitive fairness conditions at once.",
     "term": "Arrow's theorem"
    },
    {
     "gloss": "A group can prefer A to B, B to C and C to A.",
     "term": "Condorcet paradox"
    },
    {
     "gloss": "Reporting insincere preferences to tilt the result.",
     "term": "strategic voting"
    }
   ],
   "keywords": [
    "Arrow's impossibility theorem",
    "Borda count",
    "Condorcet winner",
    "ranked pairs",
    "independence of clones",
    "Gibbard-Satterthwaite",
    "pluralistic alignment",
    "RLHF preference aggregation",
    "collective constitutional AI"
   ],
   "source_ids": [
    "conitzer-socialchoice-alignment-2024"
   ],
   "url": "https://aiatlasgraph.com/t/socialchoice",
   "markdown_url": "https://aiatlasgraph.com/t/socialchoice.md",
   "updated": "2026-10-30"
  },
  "socialnav": {
   "id": "socialnav",
   "parent_id": "robotnav",
   "label": "Poruszanie się robota wśród ludzi (nawigacja społeczna)",
   "canonical_name": "Social robot navigation",
   "aliases": [
    "social navigation",
    "crowd navigation",
    "human-aware navigation",
    "socially aware motion planning",
    "nawigacja społeczna",
    "nawigacja w tłumie"
   ],
   "description": "Planowanie ruchu robota mobilnego wśród pieszych z uwzględnieniem przewidywania ich trajektorii, norm społecznych i komfortu, wraz z metodami oceny.",
   "description_en": "Planning mobile robot motion among pedestrians, accounting for trajectory prediction, social norms and comfort, together with evaluation methods.",
   "plain": "Robot jeździ po korytarzach i chodnikach pełnych ludzi tak, żeby nikogo nie potrącić, nie zablokować przejścia i nie wystraszyć.",
   "plain_en": "A robot moves through corridors and pavements full of people without bumping into anyone, blocking the way or startling them.",
   "solves": "Robot, który omija ludzi jak słupki, zatrzymuje się w pół kroku albo wjeżdża komuś pod nogi, bo nie przewiduje ich ruchu.",
   "solves_en": "A robot that dodges people like bollards freezes mid-way or cuts in front of them, because it does not anticipate their movement.",
   "does": "Przewiduje, dokąd idą ludzie, i stosuje niepisane zasady tłumu, jak przechodzień, który trzyma się prawej i nie przecina grupy rozmawiających osób.",
   "does_en": "It predicts where people are heading and follows the unwritten rules of crowds, like a pedestrian keeping right and not cutting through a chatting group.",
   "example": "Robot dostarczający posiłki w szpitalu zwalnia przy wyjściu z windy, przepuszcza wózek z pacjentem i wraca na swój pas.",
   "example_en": "A hospital meal-delivery robot slows at the lift exit, lets a patient's wheelchair pass and returns to its lane.",
   "for_you": [
    "robot ma jeździć w miejscach publicznych",
    "projektujesz roboty dostawcze, sklepowe lub szpitalne",
    "zastanawiasz się, jak ludzie odbierają ruch maszyn"
   ],
   "for_you_en": [
    "need a robot to move in public places",
    "design delivery, retail or hospital robots",
    "wonder how people perceive machine movement"
   ],
   "how": "System łączy przewidywanie ruchu pieszych z planowaniem trasy oraz regułami zachowania, które chronią bezpieczeństwo, przestrzeń osobistą i komfort ludzi. Projektowanie obejmuje nie tylko unikanie kolizji, lecz także czytelny ruch robota. Ocena zestawia miary techniczne, takie jak kolizje i czas przejazdu, z badaniami użytkowników.",
   "how_en": "The system combines pedestrian motion prediction with path planning and behaviour rules that protect safety, personal space and human comfort. Design covers not only collision avoidance but also legible robot motion. Evaluation combines technical measures such as collisions and travel time with user studies.",
   "limits": "Symulowani piesi zachowują się inaczej niż prawdziwi, którzy reagują na robota. Normy różnią się między krajami i miejscami. Brakuje wspólnych protokołów oceny, a zbyt ostrożny robot blokuje się w tłumie.",
   "limits_en": "Simulated pedestrians behave differently from real ones, who react to the robot. Norms differ across countries and places. Shared evaluation protocols are lacking, and an overly cautious robot freezes in crowds.",
   "terms": [
    {
     "gloss": "Ruch, z którego człowiek łatwo odgaduje zamiar robota.",
     "term": "czytelny ruch"
    },
    {
     "gloss": "Odległość, której ludzie nie lubią, gdy ktoś ją narusza.",
     "term": "przestrzeń osobista"
    },
    {
     "gloss": "Poczucie bezpieczeństwa i naturalności podczas mijania robota.",
     "term": "komfort społeczny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Motion that lets a person easily infer the robot's intent.",
     "term": "legible motion"
    },
    {
     "gloss": "The distance people dislike being intruded on.",
     "term": "personal space"
    },
    {
     "gloss": "The feeling of safety and naturalness when passing a robot.",
     "term": "social comfort"
    }
   ],
   "prereq": [
    "motionforecasting"
   ],
   "keywords": [
    "social navigation",
    "crowd navigation",
    "human-aware planning",
    "pedestrian motion prediction",
    "proxemics",
    "human comfort",
    "socially aware motion"
   ],
   "source_ids": [
    "social-nav-challenges-2021"
   ],
   "url": "https://aiatlasgraph.com/t/socialnav",
   "markdown_url": "https://aiatlasgraph.com/t/socialnav.md",
   "updated": "2026-10-30"
  },
  "softprompts": {
   "id": "softprompts",
   "parent_id": "peft",
   "label": "Miękkie prompty (prompt tuning, prefix tuning)",
   "canonical_name": "Soft prompts: prompt and prefix tuning",
   "aliases": [
    "soft prompts",
    "prompt tuning",
    "prefix tuning",
    "P-tuning"
   ],
   "description": "Model pozostaje zamrożony, a uczy się niewielkiego zestawu ciągłych wektorów. Prompt tuning dodaje je jako wirtualne tokeny przy wejściu, natomiast prefix tuning wprowadza uczone prefiksy do kolejnych warstw uwagi.",
   "description_en": "The model stays frozen while a small set of continuous vectors is learned. Prompt tuning adds them as virtual input tokens, whereas prefix tuning supplies learned prefixes to successive attention layers.",
   "examples": "prompt tuning · prefix tuning · P-tuning",
   "examples_en": "prompt tuning · prefix tuning · P-tuning",
   "plain": "To uczenie małych liczbowych wskazówek dołączanych do modelu bez zmieniania jego głównych ustawień.",
   "plain_en": "This learns small numerical prompts attached to a model without changing its main parameters.",
   "solves": "Ręcznie pisana instrukcja nie wystarcza do dostosowania modelu, a pełne zmienianie jego ustawień jest kosztowne.",
   "solves_en": "A manually written instruction does not sufficiently adapt a model, while changing its full parameters is costly.",
   "does": "Trening poprawia wirtualne fragmenty wejścia lub wskazówki w warstwach uwagi, które kierują zachowaniem stałego modelu.",
   "does_en": "Training updates virtual input elements or attention-layer prefixes that guide a fixed model's behaviour.",
   "example": "Dla sortowania zgłoszeń uczysz krótki zestaw liczbowych wskazówek, zachowując wspólny model bez zmian.",
   "example_en": "For sorting support requests, you learn a short set of numerical prompts while keeping the shared model unchanged.",
   "for_you": [
    "chcesz uczyć wskazówki zamiast całego modelu",
    "potrzebujesz małych zapisów dostosowania do zadań"
   ],
   "for_you_en": [
    "want to train prompts rather than the whole model",
    "need small task-adaptation representations"
   ],
   "how": "Gradient uczy ciągłe wektory dołączane do wejścia lub kluczy i wartości uwagi w wybranych warstwach. Zamrożony model interpretuje je jako dodatkowy kontekst sterujący, chociaż nie odpowiadają zwykłym słowom użytkownika.",
   "how_en": "Gradients train continuous vectors attached to inputs or attention keys and values in selected layers. Frozen models interpret them as additional conditioning context, although they do not represent ordinary user words.",
   "limits": "Prefiksy zużywają kontekst lub pamięć uwagi i wymagają wsparcia wykonawczego. Efekty zależą od modelu oraz zadania; uczone wektory nie muszą przenosić się między checkpointami.",
   "limits_en": "Prefixes consume context or attention memory and need runtime support. Outcomes depend on models and tasks; learned vectors may not transfer between checkpoints.",
   "terms": [
    {
     "gloss": "Uczony wektor zajmujący miejsce kontekstu bez odpowiadającego mu słowa.",
     "term": "token wirtualny"
    },
    {
     "gloss": "Uczenie dodatkowych reprezentacji sterujących uwagą przy zamrożonych wagach modelu.",
     "term": "prefix tuning"
    }
   ],
   "terms_en": [
    {
     "gloss": "A learned vector occupying context space without a corresponding word.",
     "term": "virtual token"
    },
    {
     "gloss": "Learning extra attention-conditioning representations while model weights remain frozen.",
     "term": "prefix tuning"
    }
   ],
   "prereq": [
    "tokenization",
    "selfattention"
   ],
   "keywords": [
    "prompt tuning",
    "prefix tuning",
    "P-tuning",
    "virtual tokens",
    "prefix key-value vectors",
    "frozen language model"
   ],
   "source_ids": [
    "prefix-tuning-2021",
    "prompt-tuning-2021",
    "peft-survey-2024",
    "hf-peft-docs"
   ],
   "url": "https://aiatlasgraph.com/t/softprompts",
   "markdown_url": "https://aiatlasgraph.com/t/softprompts.md",
   "updated": "2026-10-30"
  },
  "softsensors": {
   "id": "softsensors",
   "parent_id": "processcontrol",
   "label": "Czujniki wirtualne (soft sensors)",
   "canonical_name": "Data-driven soft sensors",
   "aliases": [
    "soft sensor",
    "virtual sensor",
    "inferential sensor",
    "virtual metrology",
    "czujnik programowy",
    "czujnik wirtualny",
    "pomiar wnioskowany"
   ],
   "description": "Modele regresyjne szacujące w czasie rzeczywistym trudno mierzalne zmienne procesu (jakość, skład) z łatwo dostępnych pomiarów.",
   "description_en": "Regression models estimating hard-to-measure process variables (quality, composition) in real time from readily available measurements.",
   "plain": "Program, który szacuje wielkość trudną do zmierzenia, na przykład skład czy jakość produktu, z innych, łatwo mierzonych odczytów.",
   "plain_en": "Software that estimates something hard to measure, such as a product's composition or quality, from other readings that are easy to take.",
   "solves": "Jakość produktu sprawdza laboratorium co kilka godzin, więc gdy wynik jest zły, zdążyła już powstać cała wadliwa partia.",
   "solves_en": "The lab checks product quality every few hours, so by the time a bad result comes back a whole faulty batch has been made.",
   "does": "Jak piekarz, który po zapachu, kolorze skórki i czasie w piecu wie, czy chleb jest gotowy, bez przekrawania.",
   "does_en": "Like a baker who knows from the smell, crust colour and baking time whether the bread is done, without cutting it.",
   "example": "W rafinerii model co minutę szacuje zawartość siarki w paliwie z temperatur i przepływów, a laboratorium tylko okresowo sprawdza jego wynik.",
   "example_en": "At a refinery a model estimates the sulphur content of fuel every minute from temperatures and flows, and the lab only checks it periodically.",
   "for_you": [
    "czekasz godzinami na wyniki laboratorium z produkcji",
    "masz drogi analizator, który często się psuje"
   ],
   "for_you_en": [
    "wait hours for lab results from production",
    "have an expensive analyser that often breaks down"
   ],
   "how": "Model regresji — od PLS i procesów gaussowskich po sieci rekurencyjne — uczy się zależności między rutynowymi pomiarami a rzadkimi wynikami laboratorium. Dane trzeba zsynchronizować z opóźnieniami procesu. W produkcji model jest okresowo douczany, bo proces dryfuje, a jego wynik trafia do operatora lub pętli regulacji.",
   "how_en": "A regression model — from PLS and Gaussian processes to recurrent networks — learns the link between routine measurements and sparse lab results. Data must be aligned with process delays. In production the model is retrained periodically because the process drifts, and its output goes to the operator or a control loop.",
   "limits": "Wyników laboratorium jest mało i przychodzą z opóźnieniem, więc brakuje etykiet. Proces dryfuje przez zużycie katalizatora czy zmianę surowca, co psuje model bez douczania. Zepsuty czujnik wejściowy po cichu zniekształca szacunek.",
   "limits_en": "Lab results are few and delayed, so labels are scarce. The process drifts with catalyst ageing or feedstock changes, which breaks the model without retraining. A failed input sensor silently distorts the estimate.",
   "terms": [
    {
     "gloss": "Wielkość, którą chcemy znać, np. zawartość siarki, mierzona rzadko.",
     "term": "zmienna jakościowa"
    },
    {
     "gloss": "Regresja na kilku ukrytych składowych, klasyka chemometrii.",
     "term": "PLS"
    },
    {
     "gloss": "Powolna zmiana zachowania instalacji w czasie.",
     "term": "dryf procesu"
    }
   ],
   "terms_en": [
    {
     "gloss": "The quantity we want, e.g. sulphur content, measured rarely.",
     "term": "quality variable"
    },
    {
     "gloss": "Regression on a few latent components, a chemometrics classic.",
     "term": "PLS"
    },
    {
     "gloss": "A slow change in how the plant behaves over time.",
     "term": "process drift"
    }
   ],
   "prereq": [
    "linearmodels",
    "driftdetection"
   ],
   "keywords": [
    "partial least squares",
    "Gaussian process regression",
    "LSTM soft sensor",
    "virtual metrology",
    "inferential sensing",
    "just-in-time learning",
    "chemometrics",
    "concept drift"
   ],
   "source_ids": [
    "lawrence-ml-industrial-sensing-control-2024"
   ],
   "url": "https://aiatlasgraph.com/t/softsensors",
   "markdown_url": "https://aiatlasgraph.com/t/softsensors.md",
   "updated": "2026-10-30"
  },
  "softwaregym": {
   "id": "softwaregym",
   "parent_id": "computeruse",
   "label": "Syntetyczne środowiska komputerowe do treningu",
   "canonical_name": "Synthetic computer-use environments for agent training",
   "aliases": [
    "SoftwareGym",
    "WildAWM",
    "computer-use environment synthesis",
    "synteza środowisk użycia komputera"
   ],
   "description": "Pipeline’y automatyzujące syntezę, resetowanie i weryfikację wykonywalnych środowisk treningowych dla agentów użycia komputera.",
   "description_en": "Pipelines that automate synthesis, resetting and verification of executable training environments for computer-use agents.",
   "plain": "Automatyczne tworzenie wykonywalnych programów lub całych środowisk komputera, w których agent może bezpiecznie ćwiczyć.",
   "plain_en": "Automatically creating executable applications or full computer environments in which an agent can practice safely.",
   "solves": "Ręczne budowanie różnorodnych środowisk dla agentów jest kosztowne, a trening na prawdziwych systemach trudno resetować, skalować i kontrolować.",
   "solves_en": "Manually building diverse agent environments is costly, while training on real systems is difficult to reset, scale, and control.",
   "does": "Pipeline syntetyzuje działające aplikacje albo połączone światy z GUI, CLI, usługami MCP i plikami, weryfikuje zadania przez wykonanie i zbiera trajektorie do SFT lub RL.",
   "does_en": "A pipeline synthesizes working applications or connected worlds with GUI, CLI, MCP services and files, verifies tasks by execution, and collects trajectories for SFT or RL.",
   "example": "SoftwareGym buduje i naprawia warianty aplikacji GUI; WildAWM tworzy wielodniowe światy osobistych komputerów i zadania wymagające przełączania między GUI, terminalem i MCP.",
   "example_en": "SoftwareGym builds and repairs GUI application variants; WildAWM creates multi-day personal-computer worlds and tasks that switch among GUI, terminal, and MCP.",
   "for_you": [
    "trening agenta użycia komputera wymaga wielu różnych programów i stanów",
    "chcesz skalować dane SFT lub RL bez działania na prawdziwych kontach",
    "potrzebujesz wykonywalnych zadań z automatycznym weryfikatorem"
   ],
   "for_you_en": [
    "computer-use agent training needs many varied applications and states",
    "want to scale SFT or RL data without acting on real accounts",
    "need executable tasks with automatic verifiers"
   ],
   "how": "Systemy tej klasy generują specyfikacje i stan środowiska, materializują aplikacje, usługi i pliki, a następnie uruchamiają agentów oraz weryfikatory. SoftwareGym koncentruje się na różnorodnych aplikacjach GUI i iteracyjnych naprawach. WildAWM buduje kumulatywne światy z GUI, CLI i MCP, a pięć bramek opartych na rolloutach ocenia rozwiązywalność, trudność i wiarygodność weryfikacji.",
   "how_en": "Systems in this class generate environment specifications and state, materialize applications, services and files, then run agents and verifiers. SoftwareGym focuses on diverse GUI applications and iterative repair. WildAWM builds cumulative GUI, CLI and MCP worlds, while five rollout-based gates assess solvability, difficulty and verifier reliability.",
   "limits": "Dowody pochodzą z pojedynczych pipeline’ów i konkretnych ustawień treningowych. Synteza jest kosztowna, automatyczne weryfikatory nie są bezbłędne, a transfer z wygenerowanych światów nie zastępuje testów na prawdziwych systemach. WildAWM opublikował 341 par środowisko–zadanie i ocenę na ośmiu benchmarkach; SoftwareGym raportuje znaczny koszt generacji i niepełną niezawodność aplikacji.",
   "limits_en": "Evidence comes from individual pipelines and specific training setups. Synthesis is costly, automatic verifiers are imperfect, and transfer from generated worlds does not replace testing on real systems. WildAWM released 341 environment-task pairs and evaluated on eight benchmarks; SoftwareGym reports substantial generation cost and incomplete application reliability.",
   "terms": [
    {
     "gloss": "Automatyczne materializowanie aplikacji, usług, plików i stanu potrzebnego do wykonania zadań.",
     "term": "synteza środowiska"
    },
    {
     "gloss": "Program lub procedura sprawdzająca rezultat na podstawie rzeczywistego stanu środowiska.",
     "term": "weryfikator wykonywalny"
    },
    {
     "gloss": "Zadanie łączące co najmniej dwa sposoby interakcji, np. GUI, terminal i MCP.",
     "term": "zadanie międzyinterfejsowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "Automatically materializing applications, services, files and state needed to execute tasks.",
     "term": "environment synthesis"
    },
    {
     "gloss": "A program or procedure that checks outcomes against the actual environment state.",
     "term": "executable verifier"
    },
    {
     "gloss": "A task combining at least two interaction modes such as GUI, terminal and MCP.",
     "term": "cross-interface task"
    }
   ],
   "prereq": [
    "evalsets",
    "tools"
   ],
   "keywords": [
    "synthetic environments",
    "computer-use agents",
    "environment synthesis",
    "GUI synthesis",
    "cross-interface tasks",
    "execution quality gates",
    "SoftwareGym",
    "WildAWM",
    "OSWorld transfer"
   ],
   "source_ids": [
    "jin-softwaregym-2026",
    "softwaregym-github-2026",
    "wildawm-arxiv-2610-26828",
    "wildawm-github-2026"
   ],
   "url": "https://aiatlasgraph.com/t/softwaregym",
   "markdown_url": "https://aiatlasgraph.com/t/softwaregym.md",
   "updated": "2026-10-30"
  },
  "sourcing": {
   "id": "sourcing",
   "parent_id": "data",
   "label": "Pozyskiwanie i pochodzenie",
   "canonical_name": "Data sourcing and provenance",
   "description": "Skąd są dane i czy możemy ich użyć.",
   "description_en": "Where the data comes from and whether we may use it.",
   "examples": "Zbiory · licencje · lineage",
   "examples_en": "Datasets · licences · lineage",
   "plain": "To wybieranie źródeł danych i ustalanie ich pochodzenia oraz warunków użycia.",
   "plain_en": "This chooses data sources and establishes where they came from and how they may be used.",
   "solves": "Nie wiesz, czy zebrane materiały pasują do zadania i czy wolno ci je wykorzystać.",
   "solves_en": "You do not know whether collected material fits the task or whether you may use it.",
   "does": "Sprawdza źródła i dokumentację, zapisuje ograniczenia oraz zachowuje informacje pozwalające wrócić do pochodzenia materiałów.",
   "does_en": "It checks sources and their documentation, records restrictions and keeps information that lets you trace material back to its origins.",
   "example": "Przygotowując asystenta do zgłoszeń, wybierasz archiwum odpowiednich spraw i sprawdzasz warunki wykorzystania zapisanych rozmów.",
   "example_en": "When preparing a support assistant, you choose an archive of relevant requests and check the conditions for using recorded conversations.",
   "for_you": [
    "szukasz materiałów do nauki modelu",
    "chcesz znać pochodzenie danych, których używasz"
   ],
   "for_you_en": [
    "look for material to train a model",
    "want to know where your data came from"
   ],
   "how": "Źródła identyfikuje się razem z warunkami dostępu, pochodzeniem i przewidywanym użyciem próbek. Pobieranie tworzy wersjonowany zapis materiału, a metadane umożliwiają późniejsze audyty i selekcję.",
   "how_en": "Sources are identified along with access conditions, provenance and intended sample use. Acquisition creates a versioned record of material, while metadata enables later audits and selection.",
   "limits": "Dostępność w sieci nie przesądza o dopuszczalnym użyciu. Źródła mogą zmieniać treść i warunki dostępu; brak zapisów pochodzenia utrudnia usunięcie problematycznych próbek.",
   "limits_en": "Online availability does not determine permitted use. Sources can change content and access conditions; missing provenance records make problematic samples harder to remove.",
   "terms": [
    {
     "gloss": "Zapis miejsca pozyskania, czasu i warunków użycia materiału.",
     "term": "rekord źródła"
    },
    {
     "gloss": "Historia pochodzenia materiału i jego przekształceń.",
     "term": "proweniencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A record of acquisition location, time and usage conditions.",
     "term": "source record"
    },
    {
     "gloss": "The history of material origins and transformations.",
     "term": "provenance"
    }
   ],
   "prereq": [
    "dataversioning"
   ],
   "keywords": [
    "Common Crawl",
    "source attribution",
    "licensing metadata",
    "dataset manifests",
    "W3C PROV",
    "data lineage"
   ],
   "source_ids": [
    "fsdl",
    "cs336"
   ],
   "url": "https://aiatlasgraph.com/t/sourcing",
   "markdown_url": "https://aiatlasgraph.com/t/sourcing.md",
   "updated": "2026-10-30"
  },
  "spacedrepetition": {
   "id": "spacedrepetition",
   "parent_id": "tutoring",
   "label": "Planowanie powtórek (spaced repetition)",
   "canonical_name": "Spaced repetition scheduling",
   "aliases": [
    "spaced repetition",
    "SRS",
    "memory models for learning",
    "half-life regression",
    "FSRS",
    "powtórki w odstępach",
    "fiszki z algorytmem"
   ],
   "description": "Modele zapominania uczone na historii powtórek, które dla każdej karty przewidują prawdopodobieństwo przypomnienia i wyznaczają termin kolejnej powtórki.",
   "description_en": "Forgetting models trained on review history that predict, for each card, the probability of recall and set the next review date.",
   "plain": "Algorytm, który wybiera, kiedy powtórzyć fiszkę: tuż przed momentem, w którym najpewniej byś ją zapomniał.",
   "plain_en": "An algorithm that picks when to review a flashcard: just before the moment you would most likely forget it.",
   "solves": "Powtarzanie wszystkiego codziennie zabiera za dużo czasu, a rzadkie powtórki sprawiają, że wyuczony materiał szybko ucieka z głowy.",
   "solves_en": "Reviewing everything daily takes too long, while rare reviews let what you learned slip away fast.",
   "does": "Jak ogrodnik, który podlewa każdą roślinę dopiero, gdy ziemia zaczyna wysychać: mniej pracy, a nic nie usycha.",
   "does_en": "Like a gardener who waters each plant only when its soil starts to dry: less work, and nothing wilts.",
   "example": "Uczysz się słówek przed wyjazdem; aplikacja codziennie daje kilkanaście kart, a te dobrze znane wracają dopiero po kilku tygodniach.",
   "example_en": "You learn vocabulary before a trip; the app gives a dozen cards a day, and the ones you know well return only after a few weeks.",
   "for_you": [
    "uczysz się słówek, definicji lub dat z fiszek",
    "przygotowujesz się do egzaminu z dużą ilością materiału"
   ],
   "for_you_en": [
    "learn words, definitions or dates from flashcards",
    "prepare for an exam with lots of material"
   ],
   "how": "Model opisuje pamięć każdej karty kilkoma wielkościami, np. trudnością, stabilnością i bieżącą szansą przypomnienia, która maleje z czasem. Parametry dopasowuje się do logów powtórek, a następny termin wybiera tak, by szansa przypomnienia spadła do zadanego poziomu, np. 90%. Starsze reguły stosowały stałe mnożniki odstępów.",
   "how_en": "The model describes each card's memory by a few quantities, e.g. difficulty, stability and current recall probability, which decays over time. Parameters are fitted to review logs, and the next date is chosen so that recall probability falls to a target level, e.g. 90%. Older rules used fixed interval multipliers.",
   "limits": "Działa najlepiej dla wiedzy, którą da się rozbić na krótkie próby przypomnienia, gorzej dla rozumienia i umiejętności złożonych. Harmonogram zależy od wiarygodnej informacji, czy odpowiedź została przypomniana poprawnie; błędna samoocena lub automatyczna ocena zniekształca model. Wyższy cel zapamiętania oznacza więcej powtórek.",
   "limits_en": "It works best for knowledge that can be broken into short recall attempts, less well for understanding and complex skills. Scheduling depends on reliable information about whether recall was correct; faulty self-grading or automatic grading distorts the model. A higher retention target means more reviews.",
   "terms": [
    {
     "gloss": "Spadek szansy przypomnienia w miarę upływu czasu od nauki.",
     "term": "krzywa zapominania"
    },
    {
     "gloss": "Czas, po którym szansa przypomnienia spada do zadanego poziomu.",
     "term": "stabilność"
    },
    {
     "gloss": "Szansa przypomnienia, przy której system planuje powtórkę.",
     "term": "docelowa retencja"
    }
   ],
   "terms_en": [
    {
     "gloss": "The drop in recall probability as time passes after learning.",
     "term": "forgetting curve"
    },
    {
     "gloss": "The time after which recall probability falls to a set level.",
     "term": "stability"
    },
    {
     "gloss": "The recall probability at which the system schedules a review.",
     "term": "desired retention"
    }
   ],
   "prereq": [
    "mle",
    "distributions"
   ],
   "keywords": [
    "FSRS",
    "half-life regression",
    "SM-2",
    "Leitner system",
    "Anki",
    "forgetting curve",
    "DSR model",
    "desired retention"
   ],
   "source_ids": [
    "settles-hlr-2016",
    "fsrs-algorithm-wiki"
   ],
   "url": "https://aiatlasgraph.com/t/spacedrepetition",
   "markdown_url": "https://aiatlasgraph.com/t/spacedrepetition.md",
   "updated": "2026-10-30"
  },
  "spatial": {
   "id": "spatial",
   "parent_id": "modalities",
   "label": "Dane przestrzenne i 3D",
   "canonical_name": "Spatial and 3D perception",
   "description": "Reprezentacje świata i obiektów w przestrzeni.",
   "description_en": "Representations of the world and objects in space.",
   "examples": "Głębia · chmury punktów · rekonstrukcja",
   "examples_en": "Depth · point clouds · reconstruction",
   "plain": "To uczenie komputerów rozumienia przestrzeni: jak daleko są rzeczy, jaki mają kształt i gdzie się znajdują.",
   "plain_en": "This teaches computers to understand space: how far away things are, what shape they have and where they sit.",
   "solves": "Zwykłe zdjęcie jest płaskie, a roboty, samochody czy gogle muszą wiedzieć, co jest bliżej, co dalej i gdzie można przejść.",
   "solves_en": "A normal photo is flat, yet robots, cars and headsets must know what is near, what is far and where there is room to move.",
   "does": "Modele szacują odległości i kształty ze zdjęć lub czujników oraz zapisują je jako punkty, powierzchnie albo inne reprezentacje przestrzeni.",
   "does_en": "Models estimate distances and shapes from images or sensors and represent them as points, surfaces or other spatial forms.",
   "example": "Aplikacja meblowa mierzy twój pokój kamerą telefonu i pokazuje, czy nowa sofa zmieści się pod oknem.",
   "example_en": "A furniture app measures your room with the phone camera and shows whether a new sofa will fit under the window.",
   "for_you": [
    "interesujesz się robotami, dronami lub autonomicznymi autami",
    "chcesz zamieniać zdjęcia w modele przestrzenne",
    "tworzysz gry, wirtualne spacery lub rozszerzoną rzeczywistość"
   ],
   "for_you_en": [
    "are interested in robots, drones or self-driving cars",
    "want to turn photos into spatial models",
    "build games, virtual tours or augmented reality"
   ],
   "how": "Układy współrzędnych, geometria kamer i reprezentacje scen wiążą obserwacje z położeniem obiektów. Rekonstrukcja, estymacja stanu i generowanie łączą pomiary z modelami, często optymalizując zgodność renderów lub punktów z danymi.",
   "how_en": "Coordinate systems, camera geometry and scene representations connect observations to object locations. Reconstruction, state estimation and generation combine measurements with models, often optimising agreement between renders or points and data.",
   "limits": "Niepełne widoki i błędy kalibracji tworzą niejednoznaczne rekonstrukcje. Skala, zasłonięcie i ruch wymagają dodatkowych założeń; poprawny render nie gwarantuje dokładnej geometrii.",
   "limits_en": "Incomplete views and calibration errors create ambiguous reconstructions. Scale, occlusion and motion need further assumptions; correct renders do not guarantee accurate geometry.",
   "terms": [
    {
     "gloss": "Odniesienie używane do opisu pozycji i kierunków.",
     "term": "układ współrzędnych"
    },
    {
     "gloss": "Estymacja parametrów obrazowania oraz powiązania kamery z przestrzenią.",
     "term": "kalibracja kamery"
    }
   ],
   "terms_en": [
    {
     "gloss": "A reference used to describe positions and directions.",
     "term": "coordinate frame"
    },
    {
     "gloss": "Estimating imaging parameters and the camera's relationship to space.",
     "term": "camera calibration"
    }
   ],
   "prereq": [
    "linearalgebra",
    "visionbackbones"
   ],
   "keywords": [
    "camera calibration",
    "coordinate frames",
    "multi-view geometry",
    "structure from motion",
    "point clouds",
    "depth maps",
    "NeRF",
    "3D Gaussian Splatting",
    "SLAM",
    "mesh reconstruction"
   ],
   "source_ids": [
    "audio",
    "vision",
    "cs336",
    "hf-cv-course-3d-vision"
   ],
   "url": "https://aiatlasgraph.com/t/spatial",
   "markdown_url": "https://aiatlasgraph.com/t/spatial.md",
   "updated": "2026-10-30"
  },
  "spatialcv": {
   "id": "spatialcv",
   "parent_id": "spatialml",
   "label": "Walidacja przestrzenna (bloki zamiast losowania)",
   "canonical_name": "Spatial cross-validation",
   "aliases": [
    "spatial block cross-validation",
    "blocked cross-validation",
    "buffered leave-one-out",
    "walidacja krzyżowa przestrzenna",
    "spatial CV"
   ],
   "description": "Podział danych na zbiory testowe według bloków przestrzennych, buforów lub odległości, aby oszacować błąd modelu przy autokorelacji przestrzennej i ekstrapolacji.",
   "description_en": "Splitting data into test folds by spatial blocks, buffers or distance to estimate model error under spatial autocorrelation and extrapolation.",
   "plain": "Sprawdzanie modelu mapy na miejscach oddalonych od tych, na których się uczył, żeby uczciwie zmierzyć, jak poradzi sobie w nowym terenie.",
   "plain_en": "Testing a mapping model on places far from those it learned from, to measure fairly how it will cope in new terrain.",
   "solves": "Losowo wybrane punkty testowe leżą tuż obok treningowych, więc model wygląda na świetny, a w nowym miejscu zawodzi.",
   "solves_en": "Randomly picked test points sit right next to training ones, so the model looks great yet fails in a new place.",
   "does": "Jak egzamin z innego rozdziału niż ćwiczony: uczeń, który tylko zapamiętał odpowiedzi z zeszytu, od razu się zdradza.",
   "does_en": "Like an exam on a chapter other than the one practised: a student who only memorised the workbook answers is caught at once.",
   "example": "Mapa biomasy lasów wydaje się trafna przy losowym teście, a sprawdzona na odległych obszarach okazuje się niewiele lepsza od zgadywania średniej.",
   "example_en": "A forest biomass map looks accurate in a random test, but checked on distant areas it turns out barely better than guessing the average.",
   "for_you": [
    "tworzysz mapę lub prognozę z punktów pomiarowych",
    "nie dowierzasz mapom o rzekomo bardzo wysokiej dokładności"
   ],
   "for_you_en": [
    "build a map or forecast from measurement points",
    "distrust maps that claim very high accuracy"
   ],
   "how": "Zamiast losowo, dane dzieli się na zwarte bloki przestrzenne albo usuwa z treningu punkty w buforze wokół testowego. Blok powinien być co najmniej tak duży jak zasięg autokorelacji reszt. Dodatkowo wyznacza się obszar stosowalności: miejsca, gdzie predyktory przypominają dane treningowe.",
   "how_en": "Instead of randomly, data are split into compact spatial blocks, or points within a buffer around each test point are removed from training. Blocks should be at least as large as the range of residual autocorrelation. An area of applicability is also computed: places where predictors resemble the training data.",
   "limits": "Wielkość bloku dobiera się arbitralnie, a wynik bywa zbyt pesymistyczny, bo testuje ekstrapolację zamiast interpolacji. Gdy autokorelacja sięga połowy obszaru, metoda zawodzi. Bez losowej próby kontrolnej nie da się w pełni potwierdzić dokładności mapy globalnej.",
   "limits_en": "Block size is chosen arbitrarily, and results can be too pessimistic because they test extrapolation rather than interpolation. If autocorrelation spans half the study area, the method fails. Without a random control sample, a global map's accuracy cannot be fully confirmed.",
   "terms": [
    {
     "gloss": "Błędy modelu w pobliskich miejscach są do siebie podobne.",
     "term": "autokorelacja reszt"
    },
    {
     "gloss": "Pas wokół punktu testowego wyłączony z treningu.",
     "term": "bufor"
    },
    {
     "gloss": "Przewidywanie dla warunków, jakich model nie widział w danych.",
     "term": "ekstrapolacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Model errors at nearby places resemble each other.",
     "term": "residual autocorrelation"
    },
    {
     "gloss": "A zone around a test point excluded from training.",
     "term": "buffer"
    },
    {
     "gloss": "Predicting for conditions the model never saw in its data.",
     "term": "extrapolation"
    }
   ],
   "prereq": [
    "crossval",
    "leakagetypes"
   ],
   "keywords": [
    "spatial block cross-validation",
    "buffered leave-one-out",
    "blockCV",
    "CAST",
    "area of applicability",
    "nearest neighbour distance matching",
    "spatial autocorrelation",
    "GroupKFold"
   ],
   "source_ids": [
    "ploton-spatial-validation-2020",
    "roberts-block-cv-2017",
    "meyer-pebesma-global-maps-2022"
   ],
   "url": "https://aiatlasgraph.com/t/spatialcv",
   "markdown_url": "https://aiatlasgraph.com/t/spatialcv.md",
   "updated": "2026-10-30"
  },
  "spatialinterpolation": {
   "id": "spatialinterpolation",
   "parent_id": "spatialml",
   "label": "Uzupełnianie mapy między punktami pomiarowymi",
   "canonical_name": "Spatial interpolation with machine learning and geostatistics",
   "aliases": [
    "spatial prediction",
    "geostatistical interpolation",
    "interpolacja przestrzenna"
   ],
   "description": "Predykcja zmiennej ciągłej w nieopróbkowanych lokalizacjach przez kriging, modele uczenia maszynowego z cechami przestrzennymi lub ich połączenie.",
   "description_en": "Predicting a continuous variable at unsampled locations via kriging, machine-learning models with spatial features, or a combination.",
   "plain": "Szacowanie wartości, np. zanieczyszczenia czy składu gleby, w miejscach między nielicznymi punktami, w których naprawdę ją zmierzono.",
   "plain_en": "Estimating a value, such as pollution or soil content, in places between the few points where it was actually measured.",
   "solves": "Czujników i próbek jest zwykle kilkadziesiąt, a decyzje trzeba podejmować dla każdej działki, ulicy czy hektara.",
   "solves_en": "There are usually only dozens of sensors or samples, yet decisions must be made for every plot, street or hectare.",
   "does": "Wykorzystuje regułę, że bliższe miejsca są do siebie podobne, i dokłada wskazówki z map rzeźby terenu czy zdjęć satelitarnych.",
   "does_en": "Uses the rule that nearby places resemble each other and adds clues from terrain maps or satellite images.",
   "example": "Mieszkańcy sprawdzają mapę smogu dla swojej ulicy, choć najbliższy czujnik stoi dwa kilometry dalej.",
   "example_en": "Residents check a smog map for their street although the nearest sensor is two kilometres away.",
   "for_you": [
    "masz pomiary tylko w kilku punktach terenu",
    "tworzysz ciągłe mapy z danych terenowych"
   ],
   "for_you_en": [
    "have measurements at only a few points",
    "make continuous maps from field data"
   ],
   "how": "Kriging modeluje autokorelację przestrzenną wariogramem i daje predykcję z niepewnością. Podejścia uczenia maszynowego, np. las losowy, dodają do zmiennych środowiskowych odległości od punktów pomiarowych albo współrzędne. Regression kriging łączy oba: model przewiduje trend, a kriging rozkłada reszty.",
   "how_en": "Kriging models spatial autocorrelation with a variogram and yields predictions with uncertainty. Machine-learning approaches, e.g. random forests, add distances to sampling points or coordinates alongside environmental covariates. Regression kriging combines both: a model predicts the trend and kriging spreads the residuals.",
   "limits": "Modele drzewiaste słabo ekstrapolują poza zakres danych treningowych i są wrażliwe na stronnicze rozmieszczenie próbek. Odległości od wielu punktów są kosztowne w obliczeniach. Ocenę trafności trzeba robić walidacją przestrzenną, nie losową.",
   "limits_en": "Tree models extrapolate poorly beyond the training range and are sensitive to biased sample placement. Distances to many points are costly to compute. Accuracy must be assessed with spatial, not random, validation.",
   "terms": [
    {
     "gloss": "klasyczna metoda interpolacji ważąca sąsiednie pomiary według odległości",
     "term": "kriging"
    },
    {
     "gloss": "wykres, jak szybko podobieństwo pomiarów maleje z odległością",
     "term": "variogram"
    },
    {
     "gloss": "dodatkowa mapa pomagająca w przewidywaniu, np. wysokość terenu",
     "term": "covariate"
    }
   ],
   "terms_en": [
    {
     "gloss": "classic interpolation weighting nearby measurements by distance",
     "term": "kriging"
    },
    {
     "gloss": "curve of how measurement similarity falls with distance",
     "term": "variogram"
    },
    {
     "gloss": "extra map that helps prediction, e.g. elevation",
     "term": "covariate"
    }
   ],
   "prereq": [
    "randomforest",
    "probability"
   ],
   "keywords": [
    "RFsp",
    "regression kriging",
    "ordinary kriging",
    "variogram",
    "Gaussian process regression",
    "gstat",
    "PyKrige",
    "digital soil mapping"
   ],
   "source_ids": [
    "rfsp-hengl-2018"
   ],
   "url": "https://aiatlasgraph.com/t/spatialinterpolation",
   "markdown_url": "https://aiatlasgraph.com/t/spatialinterpolation.md",
   "updated": "2026-10-30"
  },
  "spatialml": {
   "id": "spatialml",
   "parent_id": "geoai",
   "label": "Uczenie maszynowe na danych przestrzennych",
   "canonical_name": "Spatial machine learning",
   "aliases": [
    "spatially explicit machine learning",
    "spatial data science",
    "geostatistical machine learning",
    "uczenie przestrzenne",
    "spatial ML"
   ],
   "description": "Metody uczenia maszynowego jawnie uwzględniające przestrzeń: walidacja przestrzenna, kodowanie położenia, modelowanie autokorelacji i niejednorodności przestrzennej oraz geolokalizacja.",
   "description_en": "Machine-learning methods that treat space explicitly: spatial validation, location encoding, modelling spatial autocorrelation and heterogeneity, and geolocalisation.",
   "plain": "Uczenie maszynowe, które bierze pod uwagę, że miejsca położone blisko siebie są podobne, a samo położenie niesie informację.",
   "plain_en": "Machine learning that accounts for the fact that nearby places resemble each other and that location itself carries information.",
   "solves": "Zwykłe modele traktują każdy punkt na mapie jak osobne losowanie, więc chwalą się dokładnością, której nie mają w nowych, odległych miejscach.",
   "solves_en": "Ordinary models treat every point on a map as an independent draw, so they boast an accuracy they lack in new, distant places.",
   "does": "Jak lokalny przewodnik, który wie, że sąsiednie ulice mają podobny charakter, ale nie udaje, że zna dzielnice, w których nigdy nie był.",
   "does_en": "Like a local guide who knows neighbouring streets share a character, but does not pretend to know districts never visited.",
   "example": "Model cen mieszkań wypada świetnie w testach, a w nowym mieście bardzo się myli, bo sprawdzano go na sąsiadach mieszkań z treningu.",
   "example_en": "A flat-price model scores brilliantly in tests yet misses badly in a new city, because it was tested on neighbours of its training flats.",
   "for_you": [
    "robisz mapy lub prognozy dla miejsc bez pomiarów",
    "oceniasz model na danych z GPS-em lub adresami"
   ],
   "for_you_en": [
    "make maps or forecasts for places without measurements",
    "evaluate a model on data with GPS points or addresses"
   ],
   "how": "Dane przestrzenne łamią założenie niezależnych próbek: pobliskie punkty mają podobne wartości i podobne błędy. Dlatego przy walidacji dzieli się je na bloki przestrzenne, zamienia współrzędne na cechy, które sieć potrafi wykorzystać, i sprawdza, gdzie model w ogóle wolno stosować.",
   "how_en": "Spatial data break the assumption of independent samples: nearby points share similar values and similar errors. So validation splits them into spatial blocks, coordinates are turned into features a network can use, and one checks where the model may be applied at all.",
   "limits": "Nie ma jednej właściwej wielkości bloku ani jednego najlepszego kodowania położenia; wybór zależy od celu mapy. Modele łatwo uczą się samego położenia zamiast zjawiska. Precyzyjne dane o miejscach niosą ryzyko dla prywatności.",
   "limits_en": "There is no single right block size or best location encoding; the choice depends on the map's purpose. Models easily learn location itself instead of the phenomenon. Precise location data carry privacy risks.",
   "terms": [
    {
     "gloss": "Bliskie miejsca mają podobne wartości, dalekie coraz mniej.",
     "term": "autokorelacja przestrzenna"
    },
    {
     "gloss": "Część mapy, gdzie dane wejściowe przypominają te z treningu.",
     "term": "obszar stosowalności"
    },
    {
     "gloss": "Model, którego wynik zmienia się, gdy zjawisko przeniesiemy w inne miejsce.",
     "term": "model jawnie przestrzenny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Nearby places have similar values; distant ones less so.",
     "term": "spatial autocorrelation"
    },
    {
     "gloss": "The part of a map where inputs resemble the training data.",
     "term": "area of applicability"
    },
    {
     "gloss": "A model whose output changes if the phenomenon is moved elsewhere.",
     "term": "spatially explicit model"
    }
   ],
   "prereq": [
    "crossval",
    "splitstrategies"
   ],
   "keywords": [
    "spatial autocorrelation",
    "spatial cross-validation",
    "area of applicability",
    "location encoders",
    "geographically weighted regression",
    "kriging",
    "spatial heterogeneity",
    "CAST",
    "blockCV",
    "GeoAI"
   ],
   "source_ids": [
    "gao-hu-li-geoai-handbook-2023",
    "janowicz-geoai-2020",
    "ploton-spatial-validation-2020",
    "meyer-pebesma-global-maps-2022"
   ],
   "url": "https://aiatlasgraph.com/t/spatialml",
   "markdown_url": "https://aiatlasgraph.com/t/spatialml.md",
   "updated": "2026-10-30"
  },
  "speakerdiarization": {
   "id": "speakerdiarization",
   "parent_id": "audio",
   "label": "Diaryzacja: kto kiedy mówi",
   "canonical_name": "Speaker diarization",
   "aliases": [
    "speaker diarisation",
    "diaryzacja",
    "podział nagrania według mówców"
   ],
   "description": "To oznaczanie, które fragmenty rozmowy wypowiada ta sama osoba.",
   "description_en": "This labels which parts of a conversation are spoken by the same person.",
   "plain": "To oznaczanie, które fragmenty rozmowy wypowiada ta sama osoba.",
   "plain_en": "This labels which parts of a conversation are spoken by the same person.",
   "solves": "W długiej rozmowie trudno ręcznie przypisać każdą wypowiedź do rozmówcy.",
   "solves_en": "In a long conversation, assigning every utterance to a speaker by hand is tedious.",
   "does": "Układa wypowiedzi w grupy według podobieństwa głosu, jak kolorowe znaczniki dla rozmówców.",
   "does_en": "It groups utterances by voice similarity, like colour-coded markers for speakers.",
   "example": "W nagraniu wywiadu otrzymujesz odcinki oznaczone jako osoba pierwsza i osoba druga.",
   "example_en": "An interview recording gets sections labelled speaker one and speaker two.",
   "for_you": [
    "opracowujesz wywiady lub debaty",
    "potrzebujesz podziału rozmowy na osoby"
   ],
   "for_you_en": [
    "edit interviews or debates",
    "need a conversation split by speaker"
   ],
   "how": "Przykładowy potok segmentuje krótkie okna mowy, oblicza embeddingi mówców i grupuje je globalnie. Wynik stanowią przedziały czasu z etykietami mówców.",
   "how_en": "One pipeline segments short speech windows, computes speaker embeddings and clusters them globally. It outputs time intervals with speaker labels.",
   "limits": "Etykieta mówcy nie ustala nazwiska. Nakładające się głosy i krótkie wypowiedzi mogą prowadzić do błędów.",
   "limits_en": "A speaker label does not establish a person's name. Overlapping voices and short utterances can cause errors.",
   "terms": [
    {
     "gloss": "Wektor opisujący brzmienie głosu konkretnej osoby.",
     "term": "osadzenie mówcy"
    },
    {
     "gloss": "Wskaźnik błędu diaryzacji: odsetek źle przypisanego czasu nagrania.",
     "term": "DER"
    },
    {
     "gloss": "Fragmenty, w których mówi kilka osób naraz.",
     "term": "nakładanie się mowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A vector describing the sound of one person's voice.",
     "term": "speaker embedding"
    },
    {
     "gloss": "Diarization error rate: share of recording time wrongly attributed.",
     "term": "DER"
    },
    {
     "gloss": "Stretches where several people talk at once.",
     "term": "overlapped speech"
    }
   ],
   "prereq": [
    "clustering",
    "vad"
   ],
   "keywords": [
    "pyannote.audio",
    "speaker embeddings",
    "agglomerative clustering",
    "DER"
   ],
   "source_ids": [
    "bredin-pyannote-2023"
   ],
   "url": "https://aiatlasgraph.com/t/speakerdiarization",
   "markdown_url": "https://aiatlasgraph.com/t/speakerdiarization.md",
   "updated": "2026-10-30"
  },
  "speakerisolation": {
   "id": "speakerisolation",
   "parent_id": "voiceaudio",
   "label": "Rozpoznawanie właściwego rozmówcy",
   "canonical_name": "Target-speaker attribution in voice agents",
   "description": "Odróżnianie wypowiedzi użytkownika od mowy innych osób, tak aby agent nie traktował głosów w tle jako poleceń lub przerwań.",
   "description_en": "Distinguishing the user's speech from other speakers so background voices do not become commands or interruptions.",
   "examples": "atrybucja mówcy · rozmowa wieloosobowa",
   "examples_en": "speaker attribution · multi-party conversation",
   "plain": "To odróżnianie głosu rozmówcy od wypowiedzi innych osób w tle.",
   "plain_en": "This distinguishes the caller's voice from other people speaking in the background.",
   "solves": "Telewizor lub druga osoba może wypowiedzieć słowa, których asystent nie powinien potraktować jako twojego polecenia.",
   "solves_en": "A television or another person may say words the assistant should not treat as your instruction.",
   "does": "System wykorzystuje cechy głosu i kontekst rozmowy, żeby przypisać wypowiedzi właściwej osobie.",
   "does_en": "A system uses voice characteristics and conversation context to attribute speech to the intended person.",
   "example": "Rozmawiasz z asystentem w kuchni, a rozmowa z telewizora nie zmienia twojego zamówienia.",
   "example_en": "You speak to an assistant in the kitchen, and television dialogue does not change your order.",
   "for_you": [
    "korzystasz z głosu wśród innych ludzi",
    "potrzebujesz oddzielić polecenia od mowy w tle"
   ],
   "for_you_en": [
    "use voice interaction around other people",
    "need to separate instructions from background speech"
   ],
   "how": "Cechy głosu, separacja źródeł i kontekst uczestników pomagają przypisać fragment mowy właściwemu rozmówcy. Bramka wejścia wykorzystuje tę ocenę, aby odróżnić polecenia użytkownika od głosów tła i niepożądanych przerwań.",
   "how_en": "Voice features, source separation and participant context help assign speech segments to the intended speaker. An input gate uses this assessment to distinguish user commands from background voices and unwanted interruptions.",
   "limits": "Nakładanie głosów i krótka wypowiedź utrudniają identyfikację. Najgłośniejsza osoba nie musi być użytkownikiem, a rozpoznanie głosu nie jest samo potwierdzeniem intencji polecenia.",
   "limits_en": "Overlapping voices and short utterances complicate identification. The loudest person need not be the user, and voice recognition alone does not establish command intent.",
   "terms": [
    {
     "gloss": "Przypisywanie fragmentów nagrania do odróżnionych mówców.",
     "term": "diaryzacja"
    },
    {
     "gloss": "Rozdzielanie nakładających się sygnałów dźwiękowych.",
     "term": "separacja źródeł"
    }
   ],
   "terms_en": [
    {
     "gloss": "Assigning recording segments to distinct speakers.",
     "term": "diarisation"
    },
    {
     "gloss": "Separating overlapping sound signals.",
     "term": "source separation"
    }
   ],
   "prereq": [
    "audioclassification",
    "representations"
   ],
   "keywords": [
    "speaker diarization",
    "target speaker extraction",
    "source separation",
    "speaker embeddings",
    "third-party speech rejection"
   ],
   "source_ids": [
    "tpi-bench-voice"
   ],
   "url": "https://aiatlasgraph.com/t/speakerisolation",
   "markdown_url": "https://aiatlasgraph.com/t/speakerisolation.md",
   "updated": "2026-10-30"
  },
  "specdec": {
   "id": "specdec",
   "parent_id": "serving",
   "label": "Dekodowanie spekulatywne",
   "canonical_name": "Speculative decoding",
   "description": "Tani model zgaduje kilka tokenów naprzód, duży tylko je sprawdza.",
   "description_en": "A cheap model guesses several tokens ahead; the big one only verifies them.",
   "examples": "Medusa · EAGLE · model szkicowy",
   "examples_en": "Medusa · EAGLE · draft model",
   "plain": "To przyspieszanie odpowiedzi przez przygotowanie kilku fragmentów z wyprzedzeniem i sprawdzenie ich przez docelowy model.",
   "plain_en": "This accelerates responses by drafting several elements ahead and having the target model verify them.",
   "solves": "Duży model generuje tekst po jednym kawałku, choć wiele kolejnych fragmentów jest łatwych do przewidzenia.",
   "solves_en": "A large model generates text one piece at a time, even when many upcoming elements are easy to predict.",
   "does": "Tańszy model proponuje ciąg dalszy, a docelowy sprawdza kilka propozycji razem i odrzuca niepasującą część zgodnie z regułą wyboru.",
   "does_en": "A cheaper model drafts continuations, while the target checks proposals together and rejects unsuitable portions according to the sampling rule.",
   "example": "Asystent szybciej przygotowuje rutynową odpowiedź, gdy większy model przyjmuje wiele fragmentów szkicu z jednej wspólnej kontroli.",
   "example_en": "An assistant produces a routine response faster when the larger model accepts several draft elements in one shared check.",
   "for_you": [
    "chcesz skrócić czas generowania",
    "możesz sprawdzać szkice tańszego modelu"
   ],
   "for_you_en": [
    "want to shorten generation time",
    "can verify drafts from a cheaper model"
   ],
   "how": "Tańszy mechanizm proponuje kilka tokenów, które model docelowy ocenia w jednym przebiegu. Reguła akceptacji oraz korekta po odrzuceniu wybierają zachowany prefiks; poprawne próbkowanie pozwala zachować rozkład modelu docelowego.",
   "how_en": "A cheaper mechanism proposes several tokens that the target model scores in one pass. Acceptance rules and rejection correction select the retained prefix; correct sampling can preserve the target model's distribution.",
   "limits": "Niska zgodność propozycji zmniejsza zysk, a dodatkowy model zużywa pamięć i obliczenia. Dokładność rozkładu zależy od właściwej reguły akceptacji; przybliżone warianty mogą zmieniać zachowanie.",
   "limits_en": "Poor proposal agreement reduces gains, and extra models consume memory and computation. Distribution fidelity depends on correct acceptance rules; approximate variants can change behaviour.",
   "terms": [
    {
     "gloss": "Tańszy model lub mechanizm proponujący kandydackie tokeny.",
     "term": "draft model"
    },
    {
     "gloss": "Reguła akceptacji i korekty zachowująca określony rozkład docelowy.",
     "term": "próbkowanie odrzucające"
    }
   ],
   "terms_en": [
    {
     "gloss": "A cheaper model or mechanism proposing candidate tokens.",
     "term": "draft model"
    },
    {
     "gloss": "An acceptance and correction rule preserving a specified target distribution.",
     "term": "rejection sampling"
    }
   ],
   "prereq": [
    "probability",
    "transformerfamilies"
   ],
   "keywords": [
    "draft model",
    "Medusa",
    "EAGLE",
    "rejection sampling",
    "token acceptance rate",
    "parallel verification"
   ],
   "source_ids": [
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/specdec",
   "markdown_url": "https://aiatlasgraph.com/t/specdec.md",
   "updated": "2026-10-30"
  },
  "specdriven": {
   "id": "specdriven",
   "parent_id": "aicoding",
   "label": "Programowanie od specyfikacji",
   "canonical_name": "Spec-driven development with coding agents",
   "aliases": [
    "spec-driven development",
    "SDD",
    "specification-first development",
    "rozwój sterowany specyfikacją"
   ],
   "description": "Najpierw powstaje ustrukturyzowana specyfikacja, często także plan techniczny i lista zadań; materiały te kierują pracą agenta i mogą pozostać punktem odniesienia dla dalszych zmian.",
   "description_en": "A structured specification is created first, often together with a technical plan and task list; these artifacts guide the agent and may remain a reference point for later changes.",
   "plain": "Zanim sztuczna inteligencja napisze kod, razem spisujecie, co dokładnie ma robić program, i dopiero według tego planu powstaje kod.",
   "plain_en": "Before AI writes any code, you and it write down exactly what the program should do, and the code follows that plan.",
   "solves": "Asystent pisze kod, który wygląda poprawnie, ale robi coś innego, niż chciałeś, bo prośba była zbyt ogólna.",
   "solves_en": "An assistant writes code that looks right but does something other than you wanted, because the request was too vague.",
   "does": "Jak budowa domu według projektu architekta: najpierw rysunki i kosztorys, które obie strony zatwierdzają, a dopiero potem murowanie.",
   "does_en": "Like building a house from an architect's drawings: first plans and estimates both sides approve, and only then the bricklaying.",
   "example": "Zanim zespół doda logowanie do aplikacji, asystent spisuje wymagania i kroki, ludzie je poprawiają, a potem asystent wykonuje zadania jedno po drugim.",
   "example_en": "Before a team adds sign-in to an app, an assistant writes requirements and steps, people correct them, then the assistant completes the tasks one by one.",
   "for_you": [
    "zlecasz asystentowi większe zmiany niż jedna poprawka",
    "chcesz móc sprawdzić plan, zanim powstanie kod"
   ],
   "for_you_en": [
    "give an assistant changes bigger than a single fix",
    "want to review a plan before code is written"
   ],
   "how": "Praca może przechodzić od specyfikacji wymagań przez plan techniczny i listę zadań do implementacji. Wyróżnia się podejścia spec-first, spec-anchored i spec-as-source, zależnie od tego, jak długo specyfikacja pozostaje wiążąca.",
   "how_en": "Work may proceed from a requirements specification through a technical plan and task list to implementation. Spec-first, spec-anchored, and spec-as-source approaches differ in how long the specification remains authoritative.",
   "limits": "Rozbudowane specyfikacje w markdownie bywają trudniejsze do przejrzenia niż sam kod i nie pasują do małych zmian. Agent i tak potrafi zignorować instrukcje; podejście przypomina wcześniejsze, nieudane próby generowania kodu z modeli.",
   "limits_en": "Lengthy markdown specs can be harder to review than code and do not fit small changes. Agents may still ignore instructions; the approach echoes earlier failed attempts at generating code from models.",
   "terms": [
    {
     "gloss": "Opis zachowania programu i kryteriów jego akceptacji.",
     "term": "specyfikacja"
    },
    {
     "gloss": "Wybrana architektura, technologie i ograniczenia realizacji.",
     "term": "plan techniczny"
    },
    {
     "gloss": "Ludzie edytują tylko specyfikację, a kod jest z niej generowany.",
     "term": "spec-as-source"
    }
   ],
   "terms_en": [
    {
     "gloss": "A description of program behaviour and its acceptance criteria.",
     "term": "specification"
    },
    {
     "gloss": "Chosen architecture, technologies and implementation constraints.",
     "term": "technical plan"
    },
    {
     "gloss": "People edit only the spec; code is generated from it.",
     "term": "spec-as-source"
    }
   ],
   "prereq": [
    "prompting",
    "agentroles"
   ],
   "keywords": [
    "Spec Kit",
    "Kiro",
    "Tessl",
    "requirements",
    "acceptance criteria",
    "task breakdown",
    "plan mode",
    "AGENTS.md"
   ],
   "source_ids": [
    "fowler-sdd-2025",
    "github-speckit-2025"
   ],
   "url": "https://aiatlasgraph.com/t/specdriven",
   "markdown_url": "https://aiatlasgraph.com/t/specdriven.md",
   "updated": "2026-10-30"
  },
  "speech2speech": {
   "id": "speech2speech",
   "parent_id": "voicearch",
   "label": "Modele mowa–mowa",
   "canonical_name": "Speech-to-speech models",
   "description": "Model przyjmuje mowę i generuje mowę bez osobnych usług STT i TTS w potoku. Wewnętrzna reprezentacja może jednak zawierać tekst lub transkrypcję; możliwości narzędzi i kontroli kontekstu zależą od modelu.",
   "description_en": "A model takes speech and generates speech without separate STT and TTS services in the pipeline. Its internal representation may still include text or transcription; tool use and context control depend on the model.",
   "examples": "Moshi · NemotronLabs VoiceChat · sesje głosowe czasu rzeczywistego",
   "examples_en": "Moshi · NemotronLabs VoiceChat · realtime voice sessions",
   "plain": "To model, który przyjmuje wypowiedź głosową i sam generuje odpowiedź głosową.",
   "plain_en": "This model takes spoken input and generates a spoken response itself.",
   "solves": "Osobne usługi mowy i tekstu mogą wydłużać rozmowę i utrudniać wykorzystanie brzmienia wypowiedzi.",
   "solves_en": "Separate speech and text services can delay conversations and make vocal information harder to use.",
   "does": "Model przetwarza dźwięk i tworzy dźwięk odpowiedzi we wspólnym rozwiązaniu; jego wewnętrzna praca może nadal korzystać z tekstu.",
   "does_en": "A model processes audio and produces response audio within one system; its internal processing may still involve text.",
   "example": "Zadajesz pytanie na głos, a asystent odpowiada mową bez osobnego zewnętrznego programu czytającego odpowiedź.",
   "example_en": "You ask aloud, and an assistant replies in speech without a separate external program reading the response.",
   "for_you": [
    "szukasz bezpośredniej rozmowy z modelem",
    "chcesz uwzględniać brzmienie głosu rozmówcy"
   ],
   "for_you_en": [
    "seek direct spoken interaction with a model",
    "want to account for how a caller sounds"
   ],
   "how": "Enkoder mowy przekazuje reprezentację akustyczną do modelu przewidującego odpowiedź w audio. Dekoder odtwarza falę, przy czym wewnętrzne cele lub reprezentacje mogą obejmować tekst bez osobnych usług transkrypcji i syntezy.",
   "how_en": "A speech encoder supplies acoustic representations to a model predicting audio responses. A decoder reconstructs waveforms, while internal objectives or representations may include text without separate transcription and synthesis services.",
   "limits": "Zintegrowanie etapów ogranicza dostęp do niektórych pośrednich informacji. Kontrola dokładnego tekstu, kontekstu i narzędzi zależy od modelu; niski czas reakcji nie jest gwarantowany.",
   "limits_en": "Integration limits access to some intermediate information. Exact-text, context and tool control depend on the model; low latency is not guaranteed.",
   "terms": [
    {
     "gloss": "Kod sygnału zachowujący wybrane własności mowy poza samym tekstem.",
     "term": "reprezentacja akustyczna"
    },
    {
     "gloss": "Moduł przekształcający reprezentację odpowiedzi w dźwięk.",
     "term": "dekoder mowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A signal encoding retaining selected speech properties beyond text.",
     "term": "acoustic representation"
    },
    {
     "gloss": "A module converting response representations into sound.",
     "term": "speech decoder"
    }
   ],
   "prereq": [
    "transformers",
    "tts"
   ],
   "keywords": [
    "Moshi",
    "NemotronLabs VoiceChat",
    "neural audio codecs",
    "acoustic tokens",
    "speech decoder",
    "full-duplex dialogue"
   ],
   "source_ids": [
    "voiceprimer",
    "moshi",
    "wavchat-survey",
    "nemotron-voicechat-2026"
   ],
   "url": "https://aiatlasgraph.com/t/speech2speech",
   "markdown_url": "https://aiatlasgraph.com/t/speech2speech.md",
   "updated": "2026-10-30"
  },
  "speechdatacuration": {
   "id": "speechdatacuration",
   "parent_id": "multimodaldata",
   "label": "Przygotowanie danych mowy z nagrań „z życia”",
   "canonical_name": "In-the-wild speech data curation",
   "aliases": [
    "speech data pipeline",
    "speech dataset curation",
    "in-the-wild speech curation",
    "kuracja danych mowy"
   ],
   "description": "Pipeline normalizacji, separacji źródeł, diaryzacji, segmentacji VAD, automatycznej transkrypcji i filtrowania jakości dla dużych zbiorów mowy.",
   "description_en": "A pipeline of normalisation, source separation, diarization, VAD segmentation, automatic transcription and quality filtering for large speech corpora.",
   "plain": "Zamiana podcastów, wywiadów i filmów w czyste, podpisane fragmenty mowy, na których można uczyć syntezę i rozpoznawanie mowy.",
   "plain_en": "Turning podcasts, interviews and videos into clean, transcribed speech snippets for training speech synthesis and recognition.",
   "solves": "Studyjnych nagrań lektorskich jest mało i brzmią sztucznie, a prawdziwe nagrania mają muzykę, kilku mówców i brak transkrypcji.",
   "solves_en": "Studio narration is scarce and sounds stiff, while real recordings have music, several speakers and no transcripts.",
   "does": "Jak realizator w postprodukcji: wycina podkład, rozdziela głosy, tnie na zdania, spisuje tekst i odrzuca brudne ujęcia.",
   "does_en": "Like a post-production engineer: removing the music bed, separating voices, cutting into sentences, transcribing and rejecting dirty takes.",
   "example": "Syntezator czyta audiobook z naturalnym śmiechem i wahaniem, bo uczył się na rozmowach, a nie tylko na czytanym tekście.",
   "example_en": "A synthetic voice reads an audiobook with natural laughs and hesitation, because it learned from conversations, not just read text.",
   "for_you": [
    "masz archiwum audycji lub nagrań rozmów",
    "chcesz zbudować głos syntetyczny w rzadszym języku",
    "oceniasz, skąd biorą się dane do modeli mowy"
   ],
   "for_you_en": [
    "have an archive of broadcasts or recorded conversations",
    "want to build a synthetic voice in a less common language",
    "assess where speech model data comes from"
   ],
   "how": "Audio sprowadza się do wspólnego formatu i głośności, model separacji usuwa muzykę i tło, diaryzacja dzieli nagranie na wypowiedzi jednego mówcy, a VAD tnie je na odcinki kilku–kilkudziesięciu sekund. ASR dopisuje transkrypcję (pseudo-etykiety), a filtry odrzucają złą detekcję języka, niską ocenę jakości (np. DNSMOS) i nietypowe tempo mowy.",
   "how_en": "Audio is standardised to a common format and loudness, a separation model removes music and background, diarization splits recordings into single-speaker turns and VAD cuts them into segments of a few to tens of seconds. ASR adds transcripts (pseudo-labels), and filters drop wrong language ID, low quality scores (e.g. DNSMOS) and outlier speaking rates.",
   "limits": "Błędy ASR i separacji przechodzą do danych, a filtry odrzucają często ponad połowę nagrań. Nagrania „z życia” niosą ryzyko praw autorskich i zgody mówców; łatwo też przypadkiem sklonować głos konkretnej osoby.",
   "limits_en": "ASR and separation errors leak into the data, and filters often discard more than half the audio. In-the-wild recordings carry copyright and speaker-consent risks, and can inadvertently enable cloning a specific person's voice.",
   "terms": [
    {
     "gloss": "Ustalenie, kto mówi kiedy, w nagraniu kilku osób.",
     "term": "diaryzacja"
    },
    {
     "gloss": "Rozdzielenie głosu od muzyki i hałasu w jednym nagraniu.",
     "term": "separacja źródeł"
    },
    {
     "gloss": "Automatyczna ocena jakości mowy, przybliżająca oceny słuchaczy.",
     "term": "DNSMOS"
    }
   ],
   "terms_en": [
    {
     "gloss": "Working out who speaks when in a multi-speaker recording.",
     "term": "diarization"
    },
    {
     "gloss": "Splitting a voice from music and noise in one recording.",
     "term": "source separation"
    },
    {
     "gloss": "Automatic speech quality score approximating listener ratings.",
     "term": "DNSMOS"
    }
   ],
   "prereq": [
    "asr",
    "speakerdiarization",
    "vad"
   ],
   "keywords": [
    "Emilia-Pipe",
    "WhisperX",
    "pyannote",
    "Silero VAD",
    "UVR / MDX-Net",
    "DNSMOS",
    "pseudo-labelling",
    "LibriLight",
    "GigaSpeech"
   ],
   "source_ids": [
    "he-2024-emilia"
   ],
   "url": "https://aiatlasgraph.com/t/speechdatacuration",
   "markdown_url": "https://aiatlasgraph.com/t/speechdatacuration.md",
   "updated": "2026-10-30"
  },
  "speechenhancement": {
   "id": "speechenhancement",
   "parent_id": "audio",
   "label": "Oczyszczanie i poprawa jakości mowy",
   "canonical_name": "Speech enhancement",
   "aliases": [
    "speech denoising",
    "odszumianie mowy",
    "poprawa jakości mowy"
   ],
   "description": "To ograniczanie zakłóceń, aby nagrany głos był wyraźniejszy.",
   "description_en": "This reduces interference to make a recorded voice clearer.",
   "plain": "To ograniczanie zakłóceń, aby nagrany głos był wyraźniejszy.",
   "plain_en": "This reduces interference to make a recorded voice clearer.",
   "solves": "Szum tła utrudnia słuchanie rozmowy i zasłania ciche słowa.",
   "solves_en": "Background noise makes a conversation tiring to listen to and obscures quiet words.",
   "does": "Działa jak filtr, który próbuje przepuszczać mowę i przyciszać niepożądane tło.",
   "does_en": "It acts like a filter that tries to retain speech and turn down unwanted background sound.",
   "example": "Oczyszczasz wywiad nagrany przy szumiącym wentylatorze.",
   "example_en": "You clean an interview recorded beside a noisy fan.",
   "for_you": [
    "nagrywasz rozmowy poza studiem",
    "przygotowujesz materiały do odsłuchu"
   ],
   "for_you_en": [
    "record conversations outside a studio",
    "prepare recordings for listening"
   ],
   "how": "Modele przewidują maski lub filtry dla reprezentacji czasowo-częstotliwościowej. DeepFilterNet łączy wzmocnienia pasm percepcyjnych z filtrowaniem wykorzystującym sąsiednie ramki.",
   "how_en": "Models predict masks or filters for a time-frequency representation. DeepFilterNet combines perceptual-band gains with filtering that uses neighbouring frames.",
   "limits": "Silne odszumianie może zniekształcić głos. Nie gwarantuje odzyskania słów zagłuszonych w oryginale; wynik należy odsłuchać.",
   "limits_en": "Strong denoising can distort a voice. It cannot guarantee recovery of words masked in the original; listen to the result.",
   "terms": [
    {
     "gloss": "Mnożniki tłumiące szum w każdym paśmie i chwili nagrania.",
     "term": "maska czasowo-częstotliwościowa"
    },
    {
     "gloss": "Stosunek głośności mowy do szumu.",
     "term": "SNR"
    },
    {
     "gloss": "Odbicia dźwięku od ścian, które rozmywają mowę.",
     "term": "pogłos"
    }
   ],
   "terms_en": [
    {
     "gloss": "Multipliers that suppress noise in each band and moment.",
     "term": "time-frequency mask"
    },
    {
     "gloss": "Signal-to-noise ratio: speech loudness relative to noise.",
     "term": "SNR"
    },
    {
     "gloss": "Sound reflections off walls that smear speech.",
     "term": "reverberation"
    }
   ],
   "prereq": [
    "convpool"
   ],
   "keywords": [
    "DeepFilterNet",
    "spectral masking",
    "deep filtering",
    "ERB"
   ],
   "source_ids": [
    "schroter-deepfilternet-2021"
   ],
   "url": "https://aiatlasgraph.com/t/speechenhancement",
   "markdown_url": "https://aiatlasgraph.com/t/speechenhancement.md",
   "updated": "2026-10-30"
  },
  "speechtranslation": {
   "id": "speechtranslation",
   "parent_id": "machinetranslation",
   "label": "Tłumaczenie mowy na inny język",
   "canonical_name": "Speech translation",
   "aliases": [
    "speech translation",
    "tłumaczenie mowy"
   ],
   "description": "Tłumaczenie mowy źródłowej na tekst lub mowę w języku docelowym, kaskadowo (ASR→MT→TTS) albo bezpośrednio jednym modelem.",
   "description_en": "Translating source speech into target-language text or speech, either cascaded (ASR→MT→TTS) or directly with one model.",
   "plain": "Program słucha kogoś mówiącego w jednym języku i podaje tłumaczenie napisem albo głosem w innym.",
   "plain_en": "Software listens to someone speaking one language and gives the translation as text or speech in another.",
   "solves": "Rozmowa z kimś bez wspólnego języka wymaga tłumacza, którego zwykle nie ma pod ręką.",
   "solves_en": "Talking to someone without a shared language needs an interpreter, who is rarely at hand.",
   "does": "Działa jak tłumacz w słuchawce: słucha kawałek wypowiedzi i od razu mówi ją w twoim języku.",
   "does_en": "It works like an interpreter in your earpiece: it hears a chunk of speech and says it right away in your language.",
   "example": "Na wakacjach mówisz do telefonu po polsku, a sprzedawca słyszy pytanie po hiszpańsku.",
   "example_en": "On holiday you speak into your phone in your language and the shopkeeper hears the question in theirs.",
   "for_you": [
    "rozmawiasz z ludźmi bez wspólnego języka",
    "oglądasz nagrania w obcym języku",
    "organizujesz spotkania międzynarodowe"
   ],
   "for_you_en": [
    "talk to people without a shared language",
    "watch recordings in a foreign language",
    "run international meetings"
   ],
   "how": "System kaskadowy najpierw transkrybuje mowę przez ASR, tłumaczy tekst i — jeśli potrzebne jest wyjście głosowe — przekazuje wynik do syntezy mowy. Model bezpośredni mapuje reprezentację dźwięku na tekst lub mowę w języku docelowym. W trybie strumieniowym model zaczyna generować wynik przed końcem wypowiedzi, używając monotonicznej uwagi lub polityki decydującej, kiedy emitować kolejne fragmenty.",
   "how_en": "A cascaded system first transcribes speech with ASR, translates the text and—when spoken output is required—passes it to speech synthesis. A direct model maps audio representations to target-language text or speech. In streaming mode, the model starts producing output before the utterance ends, using monotonic attention or a policy that decides when to emit each segment.",
   "limits": "Szum, akcenty i nakładające się głosy obniżają jakość. Tryb na żywo wymaga kompromisu między opóźnieniem a trafnością, a języki o małych zasobach mają mało danych mowy z tłumaczeniem.",
   "limits_en": "Noise, accents and overlapping voices reduce quality. Live mode trades latency against accuracy, and low-resource languages have little translated speech data.",
   "terms": [
    {
     "gloss": "Łańcuch osobnych modeli: rozpoznawanie, tłumaczenie, synteza mowy.",
     "term": "kaskada"
    },
    {
     "gloss": "Tłumaczenie zaczynane, zanim mówca skończy zdanie.",
     "term": "simultaneous translation"
    },
    {
     "gloss": "Ocena tłumaczenia głosowego po zamianie go z powrotem na tekst.",
     "term": "ASR-BLEU"
    }
   ],
   "terms_en": [
    {
     "gloss": "A chain of separate models: recognition, translation, speech synthesis.",
     "term": "cascade"
    },
    {
     "gloss": "Translation started before the speaker finishes the sentence.",
     "term": "simultaneous translation"
    },
    {
     "gloss": "Scoring spoken translation after transcribing it back to text.",
     "term": "ASR-BLEU"
    }
   ],
   "prereq": [
    "asr"
   ],
   "keywords": [
    "speech translation",
    "direct speech translation",
    "speech-to-text translation",
    "speech-to-speech translation",
    "SeamlessM4T",
    "Whisper translate",
    "MuST-C",
    "CoVoST",
    "IWSLT"
   ],
   "source_ids": [
    "seamless-2023-m4t",
    "seamless-2023-streaming"
   ],
   "url": "https://aiatlasgraph.com/t/speechtranslation",
   "markdown_url": "https://aiatlasgraph.com/t/speechtranslation.md",
   "updated": "2026-10-30"
  },
  "splits": {
   "id": "splits",
   "parent_id": "data",
   "label": "Podziały i wyciek danych",
   "canonical_name": "Data splits and leakage",
   "description": "Oddzielenie materiału do nauki od uczciwego sprawdzianu.",
   "description_en": "Keeping study material apart from an honest exam.",
   "examples": "Train/validation/test · contamination",
   "examples_en": "Train/validation/test · contamination",
   "plain": "To oddzielanie materiału do nauki modelu od przykładów używanych do jego sprawdzania.",
   "plain_en": "This separates a model's learning material from the examples used to assess it.",
   "solves": "Dobry wynik niczego nie dowodzi, jeśli model widział już odpowiedzi na pytania ze sprawdzianu.",
   "solves_en": "A good score proves little if the model has already seen answers to its test questions.",
   "does": "Odkłada osobne zbiory do nauki, wyboru ustawień i końcowej oceny, sprawdzając, czy informacje nie przenikają między nimi.",
   "does_en": "It sets aside separate collections for learning, choosing settings and final assessment, checking whether information crosses between them.",
   "example": "Uczysz program rozpoznawać wady produktów i sprawdzasz go na zdjęciach, których nie używano podczas nauki ani dobierania ustawień.",
   "example_en": "You train software to recognise product defects and test it on photos never used for learning or choosing settings.",
   "for_you": [
    "chcesz poznać jakość modelu na nowych przypadkach",
    "dobierasz ustawienia na podstawie wyników prób"
   ],
   "for_you_en": [
    "want to know how a model handles new cases",
    "choose settings based on trial results"
   ],
   "how": "Przed dopasowaniem transformacji wydziela się dane do uczenia, strojenia i końcowej oceny. Relacje czasowe oraz grupowe określają granice podziału, aby test odzwierciedlał przyszłe użycie.",
   "how_en": "Before fitting transformations, data is separated for training, tuning and final evaluation. Temporal and group relationships define split boundaries so testing reflects future use.",
   "limits": "Niezależność wierszy często jest pozorna. Wielokrotne sprawdzanie testu, wspólne obiekty i dane z przyszłości zawyżają wynik nawet przy formalnie rozłącznych plikach.",
   "limits_en": "Row independence is often illusory. Repeated test inspection, shared entities and future information inflate results even when files are formally disjoint.",
   "terms": [
    {
     "gloss": "Dane do wyboru ustawień bez używania końcowego testu.",
     "term": "zbiór walidacyjny"
    },
    {
     "gloss": "Informacja niedostępna podczas rzeczywistego użycia trafiająca do uczenia lub oceny.",
     "term": "wyciek danych"
    }
   ],
   "terms_en": [
    {
     "gloss": "Data used to choose settings without consulting the final test.",
     "term": "validation set"
    },
    {
     "gloss": "Information unavailable in actual use entering training or evaluation.",
     "term": "data leakage"
    }
   ],
   "prereq": [
    "supervised"
   ],
   "keywords": [
    "holdout validation",
    "cross-validation",
    "stratified sampling",
    "grouped splitting",
    "temporal splitting",
    "benchmark contamination",
    "training-only preprocessing"
   ],
   "source_ids": [
    "fsdl",
    "cs336"
   ],
   "url": "https://aiatlasgraph.com/t/splits",
   "markdown_url": "https://aiatlasgraph.com/t/splits.md",
   "updated": "2026-10-30"
  },
  "splitstrategies": {
   "id": "splitstrategies",
   "parent_id": "splits",
   "label": "Strategie podziału: losowy, czasowy, grupowy",
   "canonical_name": "Split strategies: random, temporal, grouped",
   "aliases": [
    "temporal split",
    "group split",
    "train test split"
   ],
   "description": "Dobór sposobu dzielenia danych do sytuacji: podział po czasie dla prognoz, po użytkowniku lub pacjencie, gdy przykłady są ze sobą powiązane.",
   "description_en": "Choosing how to split data for the situation: by time for forecasting, by user or patient when examples are related to each other.",
   "examples": "Podział czasowy · podział grupowy · stratyfikacja klas",
   "examples_en": "Temporal split · group split · class stratification",
   "plain": "To dobieranie podziału danych tak, żeby sprawdzian modelu przypominał jego późniejsze użycie.",
   "plain_en": "This chooses a data split that makes a model's test resemble how it will later be used.",
   "solves": "Przypadkowy podział może dać łatwy sprawdzian, który nie pokazuje zachowania wobec przyszłych lub nowych przypadków.",
   "solves_en": "A random split can produce an easy test that misses how the model handles future or unfamiliar cases.",
   "does": "Dzieli losowo, według czasu lub powiązanych grup, na przykład zachowując wszystkie wpisy jednej osoby po tej samej stronie.",
   "does_en": "It splits randomly, by time or by related groups, for example keeping one person's records together.",
   "example": "Przewidujesz liczbę zamówień: uczysz model na starszych miesiącach i sprawdzasz na późniejszych, żeby nie podglądał przyszłości.",
   "example_en": "You forecast order numbers, train on earlier months and test on later ones so the model cannot peek into the future.",
   "for_you": [
    "prognozujesz przyszłe zdarzenia",
    "masz wiele powiązanych przykładów od tych samych osób"
   ],
   "for_you_en": [
    "predict future events",
    "have several related examples from the same people"
   ],
   "how": "Podział losowy zakłada wymienność przykładów, czasowy zachowuje kierunek prognozowania, a grupowy izoluje powiązane obiekty. Transformacje dopasowuje się wyłącznie na części treningowej każdego podziału.",
   "how_en": "Random splitting assumes exchangeable examples, temporal splitting preserves forecasting direction, and grouped splitting isolates related entities. Transformations are fitted only on the training portion of each split.",
   "limits": "Podział losowy nie symuluje przyszłości przy dryfcie. Mało grup lub krótka historia zwiększają wariancję oceny; żaden schemat nie zastępuje znajomości sposobu użycia modelu.",
   "limits_en": "Random splits do not simulate the future under drift. Few groups or short histories increase evaluation variance; no scheme replaces understanding how the model will be used.",
   "terms": [
    {
     "gloss": "Założenie, że kolejność przykładów nie zmienia ich wspólnego rozkładu.",
     "term": "wymienność"
    },
    {
     "gloss": "Oddzielenie całych grup powiązanych obserwacji między częściami zbioru.",
     "term": "podział grupowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "The assumption that example order does not change their joint distribution.",
     "term": "exchangeability"
    },
    {
     "gloss": "Separating entire groups of related observations across dataset partitions.",
     "term": "grouped split"
    }
   ],
   "prereq": [
    "distributions",
    "timeseries"
   ],
   "keywords": [
    "stratified split",
    "TimeSeriesSplit",
    "GroupKFold",
    "StratifiedGroupKFold",
    "train_test_split"
   ],
   "source_ids": [
    "kapoor-leakage-2022"
   ],
   "url": "https://aiatlasgraph.com/t/splitstrategies",
   "markdown_url": "https://aiatlasgraph.com/t/splitstrategies.md",
   "updated": "2026-10-30"
  },
  "spokenconfirm": {
   "id": "spokenconfirm",
   "parent_id": "voicetools",
   "label": "Potwierdzanie działań wykonywanych głosem",
   "canonical_name": "Spoken confirmation before consequential actions",
   "description": "Przed działaniem zmieniającym dane agent głosowo streszcza zamiar i skutek, czeka na wyraźne potwierdzenie, a sukces ogłasza dopiero po wyniku narzędzia.",
   "description_en": "Before an action that changes data, the agent speaks the intended action and consequence, waits for explicit confirmation and reports success only after the tool succeeds.",
   "examples": "rezerwacja · wysłanie wiadomości · zmiana zamówienia",
   "examples_en": "booking · sending a message · changing an order",
   "plain": "To uzyskanie wyraźnego potwierdzenia głosowego przed wykonaniem działania zmieniającego dane.",
   "plain_en": "This obtains explicit spoken confirmation before performing an action that changes data.",
   "solves": "Źle zrozumiana rozmowa może doprowadzić do niechcianej rezerwacji, anulowania lub wysłania wiadomości.",
   "solves_en": "A misunderstood conversation can cause an unwanted booking, cancellation or sent message.",
   "does": "Asystent odczytuje zamiar i skutek, czeka na potwierdzenie, a wykonanie ogłasza dopiero po sprawdzeniu wyniku narzędzia.",
   "does_en": "An assistant states the intention and consequence, waits for confirmation, and announces completion only after checking the tool's result.",
   "example": "Przed anulowaniem wizyty asystent powtarza jej termin i pyta, czy rzeczywiście chcesz ją odwołać.",
   "example_en": "Before cancelling an appointment, an assistant repeats its date and asks whether you really want to cancel it.",
   "for_you": [
    "wykonujesz działania o istotnych skutkach przez głos",
    "chcesz potwierdzić zamiar przed zmianą danych"
   ],
   "for_you_en": [
    "perform consequential actions by voice",
    "want to confirm intent before changing data"
   ],
   "how": "Przed działaniem agent odczytuje jego zakres i istotne argumenty, wiążąc odpowiedź użytkownika z konkretną wersją żądania. Narzędzie wykonuje zatwierdzone żądanie, a komunikat o sukcesie powstaje dopiero po sprawdzeniu wyniku.",
   "how_en": "Before acting, the agent reads the action scope and key arguments, linking the user's response to a specific request version. The tool executes that confirmed request, and a success message follows only after checking the result.",
   "limits": "Ogólne potakiwanie lub cisza nie rozstrzygają zgody na konkretny krok. Zmiana argumentów unieważnia wcześniejsze potwierdzenie; niejasny wynik narzędzia wymaga sprawdzenia zamiast zapewnienia o sukcesie.",
   "limits_en": "Generic acknowledgement or silence does not establish consent to a specific step. Changed arguments invalidate earlier confirmation; unclear tool results require checking rather than claiming success.",
   "terms": [
    {
     "gloss": "Akceptacja konkretnego działania wraz z jego istotnymi parametrami.",
     "term": "potwierdzenie zakresu"
    },
    {
     "gloss": "Ustalony zestaw argumentów, do którego odnosi się potwierdzenie.",
     "term": "wersja żądania"
    }
   ],
   "terms_en": [
    {
     "gloss": "Approval of a specific action and its key parameters.",
     "term": "scope confirmation"
    },
    {
     "gloss": "The fixed argument set to which confirmation applies.",
     "term": "request version"
    }
   ],
   "prereq": [
    "structured",
    "usercontrol"
   ],
   "keywords": [
    "read-back confirmation",
    "action authorization",
    "request versioning",
    "argument validation",
    "postcondition checking"
   ],
   "source_ids": [
    "openai-realtime-prompting",
    "openai-voice-guide"
   ],
   "url": "https://aiatlasgraph.com/t/spokenconfirm",
   "markdown_url": "https://aiatlasgraph.com/t/spokenconfirm.md",
   "updated": "2026-10-30"
  },
  "spuriousinterrupt": {
   "id": "spuriousinterrupt",
   "parent_id": "bargein",
   "label": "Rozróżnianie przerwania od potakiwania i tła",
   "canonical_name": "Distinguishing interruptions from backchannels and background speech",
   "description": "Po wykryciu dźwięku ocena, czy użytkownik rzeczywiście chce przejąć turę, czy jedynie potakuje, kaszle albo w tle odzywa się inna osoba.",
   "description_en": "After detecting audio, deciding whether the user wants to take the turn, is backchanneling or coughing, or another person spoke in the background.",
   "examples": "klasyfikacja reakcji · uwzględnienie mówcy",
   "examples_en": "backchannel classification · speaker awareness",
   "plain": "To odróżnianie prawdziwego przerwania od potakiwania, kaszlu lub głosów w tle.",
   "plain_en": "This distinguishes real interruptions from acknowledgements, coughing or background voices.",
   "solves": "Asystent urywa odpowiedź za każdym razem, gdy potakujesz lub ktoś odzywa się obok.",
   "solves_en": "An assistant cuts its response short whenever you acknowledge it or someone nearby speaks.",
   "does": "Po wykryciu dźwięku system ocenia jego pochodzenie i znaczenie, zanim zdecyduje o oddaniu głosu.",
   "does_en": "After detecting sound, a system assesses its source and meaning before deciding to yield the turn.",
   "example": "Mówisz „mhm” podczas wyjaśnienia, a asystent kontynuuje; po twoim „chwila” zatrzymuje odpowiedź.",
   "example_en": "You say “mm-hm” during an explanation and the assistant continues; when you say “wait”, it stops.",
   "for_you": [
    "potakujesz podczas słuchania",
    "rozmawiasz w miejscu z głosami w tle"
   ],
   "for_you_en": [
    "acknowledge what you hear while listening",
    "converse where other voices are audible"
   ],
   "how": "Detektor rozpatruje długość, treść i źródło nowego dźwięku podczas odpowiedzi agenta. Reguły lub model odróżniają przejęcie tury od potakiwania i zakłóceń, a po fałszywym alarmie mogą wznowić odtwarzanie.",
   "how_en": "A detector examines the duration, content and source of new sound during an agent response. Rules or a model distinguish turn takeover from acknowledgements and noise, and can resume playback after false alarms.",
   "limits": "To samo słowo może oznaczać potakiwanie albo sprzeciw. Zwłoka potrzebna do rozpoznania intencji utrudnia szybkie przerwanie; źródło dźwięku bywa niejednoznaczne.",
   "limits_en": "The same word can signal acknowledgement or objection. Delays needed to recognise intent hinder rapid interruption; the sound source may be ambiguous.",
   "terms": [
    {
     "gloss": "Zatrzymanie odpowiedzi mimo braku próby przejęcia tury.",
     "term": "fałszywe przerwanie"
    },
    {
     "gloss": "Kontynuowanie przerwanego audio po odrzuceniu alarmu.",
     "term": "wznowienie odtwarzania"
    }
   ],
   "terms_en": [
    {
     "gloss": "Stopping a response without an attempt to take the turn.",
     "term": "false interruption"
    },
    {
     "gloss": "Continuing interrupted audio after dismissing an alarm.",
     "term": "playback resumption"
    }
   ],
   "prereq": [
    "vad",
    "speakerisolation"
   ],
   "keywords": [
    "backchannel detection",
    "false interruption recovery",
    "speaker attribution",
    "third-party interruptions",
    "playback resumption"
   ],
   "source_ids": [
    "voiceprimer",
    "tpi-bench-voice"
   ],
   "url": "https://aiatlasgraph.com/t/spuriousinterrupt",
   "markdown_url": "https://aiatlasgraph.com/t/spuriousinterrupt.md",
   "updated": "2026-10-30"
  },
  "ssm": {
   "id": "ssm",
   "parent_id": "efficientarch",
   "label": "Modele przestrzeni stanów (Mamba)",
   "canonical_name": "State-space models (Mamba)",
   "aliases": [
    "SSM",
    "state space model",
    "state-space model",
    "model przestrzeni stanów",
    "Mamba"
   ],
   "description": "Rodzina modeli sekwencyjnych, które aktualizują stan o stałym rozmiarze zamiast przechowywać pełną macierz uwagi lub KV cache. Mamba wprowadza selektywny, zależny od wejścia mechanizm stanu; autorzy raportują liniowe skalowanie względem długości sekwencji i konkurencyjne wyniki na kilku modalnościach.",
   "description_en": "A family of sequence models that update a fixed-size state instead of storing a full attention matrix or KV cache. Mamba introduces a selective, input-dependent state mechanism; its authors report linear scaling with sequence length and competitive results across several modalities.",
   "examples": "Mamba · selektywne modele przestrzeni stanów · selektywne skanowanie",
   "examples_en": "Mamba · selective state-space models · selective scan",
   "plain": "To modele sekwencji, które aktualizują zwarty stan opisujący wcześniejsze informacje.",
   "plain_en": "These sequence models update a compact state representing earlier information.",
   "solves": "Przechowywanie i porównywanie całej historii danych staje się zbyt kosztowne, gdy sekwencja rośnie.",
   "solves_en": "Storing and comparing the full data history becomes too costly as a sequence grows.",
   "does": "Każdy nowy element zmienia stan o ustalonym rozmiarze; wybrane konstrukcje uczą się, które informacje przekazywać dalej, a które pomijać.",
   "does_en": "Each new element updates a fixed-size state; selected designs learn which information to carry forward and which to discard.",
   "example": "Model przetwarza długie nagranie, aktualizując pamięć kolejnych dźwięków bez tworzenia pełnej tabeli ich wzajemnych powiązań.",
   "example_en": "A model processes a long recording, updating sound-history state without constructing a full table of relationships between all elements.",
   "for_you": [
    "przetwarzasz bardzo długie sekwencje",
    "szukasz alternatywy dla pamięci pełnej uwagi"
   ],
   "for_you_en": [
    "process very long sequences",
    "seek alternatives to full-attention memory"
   ],
   "how": "Stan aktualizuje się przez wyuczoną dynamikę i bieżące wejście, a osobna projekcja tworzy wyjście. Warianty selektywne uzależniają parametry aktualizacji od tokenu, regulując zachowanie informacji; odpowiedni skan umożliwia równoległy trening takiej rekurencji.",
   "how_en": "State is updated through learned dynamics and current input, with a separate projection producing output. Selective variants make update parameters token-dependent to control information retention; suitable scans enable parallel training of this recurrence.",
   "limits": "Stan o stałym rozmiarze kompresuje historię i nie zapewnia bezpośredniego odczytu dowolnego tokenu. Stabilność dynamiki oraz implementacja skanu wpływają na uczenie i rzeczywisty koszt.",
   "limits_en": "Fixed-sized state compresses history without direct access to arbitrary tokens. Dynamics stability and scan implementation affect learning and actual cost.",
   "terms": [
    {
     "gloss": "Opis sekwencji przez aktualizowany stan wewnętrzny i funkcję odczytu.",
     "term": "model przestrzeni stanów"
    },
    {
     "gloss": "Zmiana pamięci sterowana treścią bieżącego wejścia.",
     "term": "selektywna aktualizacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A sequence description using updated internal state and a readout function.",
     "term": "state-space model"
    },
    {
     "gloss": "A memory update controlled by current input content.",
     "term": "selective update"
    }
   ],
   "prereq": [
    "rnn",
    "linearalgebra"
   ],
   "keywords": [
    "Mamba",
    "S4",
    "selective scan",
    "selective state spaces",
    "discretization",
    "linear-time recurrence"
   ],
   "source_ids": [
    "mamba-2023",
    "raschka-hybrid-attention-gallery"
   ],
   "url": "https://aiatlasgraph.com/t/ssm",
   "markdown_url": "https://aiatlasgraph.com/t/ssm.md",
   "updated": "2026-10-30"
  },
  "stacking": {
   "id": "stacking",
   "parent_id": "ensembles",
   "label": "Stacking i łączenie modeli",
   "canonical_name": "Stacking and model blending",
   "aliases": [
    "stacked generalization",
    "blending",
    "uogólnienie stosowe"
   ],
   "description": "Uogólnienie stosowe: meta-model uczony na predykcjach poza-foldowych kilku modeli bazowych.",
   "description_en": "Stacked generalisation: a meta-model trained on out-of-fold predictions of several base models.",
   "plain": "Kilka różnych modeli daje swoje odpowiedzi, a dodatkowy model uczy się, jak je najlepiej połączyć.",
   "plain_en": "Several different models give their answers, and an extra model learns how best to combine them.",
   "solves": "Każdy model myli się w innych miejscach, a wybór jednego zwycięzcy marnuje mocne strony pozostałych.",
   "solves_en": "Each model errs in different places, and picking a single winner wastes the strengths of the rest.",
   "does": "Jak redaktor, który zna swoich reporterów i wie, komu w jakim temacie ufać bardziej.",
   "does_en": "Like an editor who knows the reporters and which one to trust more on which topic.",
   "example": "Prognoza sprzedaży sklepu łączy trzy modele, a czwarty uczy się, kiedy któremu z nich wierzyć bardziej.",
   "example_en": "A shop's sales forecast combines three models, and a fourth learns when to trust which of them more.",
   "for_you": [
    "masz kilka modeli o podobnej jakości",
    "walczysz o ostatnie punkty dokładności"
   ],
   "for_you_en": [
    "have several models of similar quality",
    "are chasing the last few points of accuracy"
   ],
   "how": "Modele bazowe trenuje się w walidacji krzyżowej, a ich predykcje dla foldów niewidzianych w treningu stają się cechami meta-modelu, często regresji logistycznej. Opcjonalnie meta-model widzi też oryginalne cechy. Blending zastępuje foldy jednym odłożonym zbiorem.",
   "how_en": "Base models are trained in cross-validation, and their predictions on folds unseen in training become features for a meta-model, often logistic regression. Optionally the meta-model also sees the original features. Blending replaces the folds with a single held-out set.",
   "limits": "Wielokrotny koszt treningu i predykcji oraz trudniejsze wdrożenie i wyjaśnianie. Meta-model uczony na predykcjach z danych treningowych się przeucza. Zysk bywa mały, gdy modele bazowe są do siebie podobne.",
   "limits_en": "Multiplies training and prediction cost and complicates deployment and explanation. A meta-model fitted on in-sample predictions overfits. Gains are small when base models are similar.",
   "terms": [
    {
     "gloss": "Model, który uczy się łączyć odpowiedzi innych modeli.",
     "term": "meta-model"
    },
    {
     "gloss": "Odpowiedzi modelu dla danych, których nie widział w treningu.",
     "term": "predykcje poza-foldowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model that learns to combine other models' answers.",
     "term": "meta-model"
    },
    {
     "gloss": "A model's answers on data it did not see during training.",
     "term": "out-of-fold predictions"
    }
   ],
   "prereq": [
    "crossval"
   ],
   "keywords": [
    "StackingClassifier",
    "StackingRegressor",
    "stacked generalization",
    "blending",
    "out-of-fold predictions",
    "voting ensemble",
    "AutoGluon"
   ],
   "source_ids": [
    "sklearn-stacking"
   ],
   "url": "https://aiatlasgraph.com/t/stacking",
   "markdown_url": "https://aiatlasgraph.com/t/stacking.md",
   "updated": "2026-10-30"
  },
  "staticmalware": {
   "id": "staticmalware",
   "parent_id": "malwareml",
   "label": "Statyczna klasyfikacja plików wykonywalnych",
   "canonical_name": "Static malware classification of executables",
   "aliases": [
    "static PE malware detection",
    "EMBER",
    "MalConv",
    "statyczne wykrywanie malware",
    "file-based malware classifier"
   ],
   "description": "Klasyfikacja plików wykonywalnych (np. Windows PE) jako złośliwych lub nie na podstawie cech wyciągniętych bez uruchamiania programu.",
   "description_en": "Classifying executables (e.g. Windows PE files) as malicious or benign from features extracted without running the program.",
   "plain": "Metoda oceny, czy plik programu jest szkodliwy, wyłącznie na podstawie jego zawartości, bez uruchamiania go.",
   "plain_en": "A way to judge whether a program file is harmful purely from its contents, without running it.",
   "solves": "Uruchamianie każdego pobranego pliku w izolacji trwa za długo, a decyzję trzeba podjąć, zanim użytkownik kliknie dwa razy.",
   "solves_en": "Running every downloaded file in isolation takes too long, and the decision is needed before the user double-clicks.",
   "does": "Jak rentgen walizki na lotnisku: widać, co jest w środku i jak to ułożono, bez otwierania bagażu.",
   "does_en": "Like an airport X-ray of a suitcase: you see what is inside and how it is packed without opening it.",
   "example": "Załącznik do maila to plik programu podpisany jako faktura; ochrona komputera ocenia go w ułamku sekundy i blokuje przed otwarciem.",
   "example_en": "An email attachment is a program file labelled as an invoice; your computer's protection scores it in a split second and blocks it before opening.",
   "for_you": [
    "chcesz zbudować pierwszy klasyfikator na danych z bezpieczeństwa",
    "oceniasz oprogramowanie antywirusowe",
    "analizujesz podejrzane pliki"
   ],
   "for_you_en": [
    "want to build a first classifier on security data",
    "evaluate antivirus software",
    "analyse suspicious files"
   ],
   "how": "Z pliku wyciąga się cechy: nagłówki, listę importowanych funkcji, sekcje i ich entropię, histogramy bajtów i ciągi znaków, po czym uczy się klasyfikatora, często gradient boosting. Alternatywą są sieci konwolucyjne czytające surowe bajty; na otwartym zbiorze EMBER prosty model na cechach pokonał taką sieć.",
   "how_en": "Features are extracted from the file: headers, imported functions, sections and their entropy, byte histograms and strings, then a classifier, often gradient boosting, is trained. Convolutional networks reading raw bytes are an alternative; on the open EMBER dataset a simple feature-based model beat such a network.",
   "limits": "Pakowanie i zaciemnianie kodu ukrywa cechy, a drobne zmiany pliku potrafią oszukać model. Prawdziwe próbki malware trudno legalnie udostępniać, więc zbiory zawierają zwykle same cechy. Model widzi tylko plik, nie jego zachowanie po uruchomieniu.",
   "limits_en": "Packing and obfuscation hide features, and small file edits can fool the model. Real malware samples are hard to share legally, so datasets usually contain features only. The model sees only the file, not its behaviour once run.",
   "terms": [
    {
     "gloss": "Format programów i bibliotek w systemie Windows.",
     "term": "plik PE"
    },
    {
     "gloss": "Miara losowości danych; wysoka sugeruje kompresję lub szyfrowanie.",
     "term": "entropia sekcji"
    },
    {
     "gloss": "Narzędzie kompresujące program i ukrywające jego prawdziwą zawartość.",
     "term": "packer"
    }
   ],
   "terms_en": [
    {
     "gloss": "The format of programs and libraries on Windows.",
     "term": "PE file"
    },
    {
     "gloss": "A measure of data randomness; high values suggest compression or encryption.",
     "term": "section entropy"
    },
    {
     "gloss": "A tool that compresses a program and hides its real contents.",
     "term": "packer"
    }
   ],
   "prereq": [
    "gradientboosting",
    "classimbalance"
   ],
   "keywords": [
    "EMBER",
    "MalConv",
    "LightGBM",
    "PE header features",
    "byte histogram",
    "adversarial malware",
    "SOREL-20M"
   ],
   "source_ids": [
    "anderson-roth-ember-2018"
   ],
   "url": "https://aiatlasgraph.com/t/staticmalware",
   "markdown_url": "https://aiatlasgraph.com/t/staticmalware.md",
   "updated": "2026-10-30"
  },
  "statuteqa": {
   "id": "statuteqa",
   "parent_id": "legalsearch",
   "label": "Odpowiedzi na pytania z przepisów",
   "canonical_name": "Statute retrieval and legal entailment",
   "aliases": [
    "statute retrieval",
    "statute law entailment",
    "legal question answering",
    "bar exam QA",
    "legal entailment",
    "wyszukiwanie przepisów",
    "pytania egzaminacyjne z prawa"
   ],
   "description": "Wyszukiwanie artykułów ustawy istotnych dla pytania oraz wnioskowanie tak/nie, czy pytanie wynika z tych artykułów.",
   "description_en": "Retrieving the statute articles relevant to a question and yes/no inference on whether the question follows from those articles.",
   "plain": "Program znajduje przepisy, które odnoszą się do pytania, i rozstrzyga, czy w ich świetle dane twierdzenie jest prawdziwe.",
   "plain_en": "Software finds the provisions that bear on a question and decides whether, in their light, a given statement is true.",
   "solves": "Kodeksy mają setki artykułów, które odsyłają do siebie nawzajem; łatwo wybrać zły przepis albo pominąć wyjątek.",
   "solves_en": "Codes have hundreds of articles that refer to each other; it is easy to pick the wrong provision or miss an exception.",
   "does": "Działa w dwóch krokach jak zdający egzamin prawniczy: najpierw otwiera kodeks na właściwych artykułach, potem sprawdza, czy z nich wynika teza z pytania.",
   "does_en": "Like a bar candidate, it works in two steps: open the code at the right articles, then check whether the statement follows from them.",
   "example": "Pytasz, czy możesz odstąpić od umowy kupna przez internet po dziesięciu dniach; asystent wskazuje artykuł i odpowiada „tak” lub „nie” z uzasadnieniem.",
   "example_en": "You ask whether you can withdraw from an online purchase after ten days; the assistant points to the article and answers yes or no with a reason.",
   "for_you": [
    "uczysz się do egzaminu prawniczego",
    "pytasz czatbota o swoje prawa konsumenta"
   ],
   "for_you_en": [
    "study for a law exam",
    "ask a chatbot about your consumer rights"
   ],
   "how": "Zadanie dzieli się na wyszukiwanie artykułów (metody leksykalne, gęste i reranking) oraz wnioskowanie tekstowe na parze pytanie–przepis. System klasyfikuje, czy z przywołanych przepisów wynika odpowiedź „tak” lub „nie”. Popularne dane pochodzą z pytań egzaminów adwokackich i oficjalnego tłumaczenia japońskiego kodeksu cywilnego.",
   "how_en": "The task is split into article retrieval (lexical, dense, and reranking methods) and textual inference over a question–statute pair. The system classifies whether the cited provisions imply a yes or no answer. Widely used data come from bar-exam questions and the official English translation of the Japanese Civil Code.",
   "limits": "Przepisy często wymagają łączenia kilku artykułów i wyjątków, a pytania egzaminacyjne mają uproszczone stany faktyczne. Wyniki na jednym kodeksie nie przenoszą się na inne systemy prawne ani języki.",
   "limits_en": "Provisions often require combining several articles and exceptions, and exam questions have simplified facts. Results on one code do not transfer to other legal systems or languages.",
   "terms": [
    {
     "gloss": "Relacja, w której z jednego tekstu logicznie wynika drugi.",
     "term": "entailment"
    },
    {
     "gloss": "Egzamin zawodowy dla kandydatów na adwokatów lub radców.",
     "term": "bar exam"
    }
   ],
   "terms_en": [
    {
     "gloss": "A relation in which one text logically follows from another.",
     "term": "entailment"
    },
    {
     "gloss": "The professional exam for candidate lawyers.",
     "term": "bar exam"
    }
   ],
   "prereq": [
    "questionanswering",
    "reasoningmodels"
   ],
   "keywords": [
    "COLIEE Task 3",
    "COLIEE Task 4",
    "Japanese Civil Code",
    "bar exam QA",
    "textual entailment",
    "statute retrieval",
    "legal QA"
   ],
   "source_ids": [
    "coliee-2023-summary"
   ],
   "url": "https://aiatlasgraph.com/t/statuteqa",
   "markdown_url": "https://aiatlasgraph.com/t/statuteqa.md",
   "updated": "2026-10-30"
  },
  "statutoryreasoning": {
   "id": "statutoryreasoning",
   "parent_id": "legalreasoning",
   "label": "Stosowanie przepisu do faktów (rozumowanie z ustaw)",
   "canonical_name": "Statutory reasoning",
   "aliases": [
    "statutory reasoning",
    "statute application",
    "rule application",
    "SARA",
    "tax law reasoning",
    "rozumowanie ustawowe",
    "subsumpcja"
   ],
   "description": "Zastosowanie podanego tekstu ustawy do opisanego stanu faktycznego: rozstrzygnięcie, czy przepis ma zastosowanie, lub obliczenie skutku prawnego.",
   "description_en": "Applying a given statute text to a described set of facts: deciding whether a provision applies or computing the legal outcome.",
   "plain": "Model dostaje tekst przepisu i opis sytuacji i ma rozstrzygnąć, czy przepis ma zastosowanie, albo policzyć na tej podstawie wynik, np. podatek.",
   "plain_en": "Given a law's text and a description of a situation, a model decides whether the law applies or computes a result such as tax owed.",
   "solves": "Przepisy pełne wyjątków i odesłań łatwo zastosować źle, a błąd w podatku czy świadczeniu kosztuje konkretnych ludzi pieniądze.",
   "solves_en": "Laws full of exceptions and cross-references are easy to misapply, and a mistake in tax or benefits costs real people money.",
   "does": "Jak uczeń rozwiązujący zadanie z treścią: najpierw przekłada słowa przepisu na reguły, potem podstawia fakty i liczy.",
   "does_en": "Like a pupil solving a word problem: first turning the law's words into rules, then plugging in the facts and calculating.",
   "example": "Ktoś wpisuje do asystenta podatkowego swoją sytuację rodzinną i dochody i pyta, czy może rozliczyć się wspólnie z małżonkiem i ile zapłaci.",
   "example_en": "Someone enters their family situation and income into a tax assistant and asks whether they can file jointly with their spouse and how much they will pay.",
   "for_you": [
    "rozliczasz podatki lub świadczenia z pomocą AI",
    "budujesz system stosujący przepisy do wniosków"
   ],
   "for_you_en": [
    "do taxes or benefit claims with AI help",
    "build a system that applies rules to applications"
   ],
   "how": "Zadanie ma dwie formy: wynikanie (czy przepis stosuje się do faktów) i obliczenie wyniku, np. należnego podatku. Podejścia obejmują bezpośrednie promptowanie LLM oraz metody neurosymboliczne: model tłumaczy przepisy i fakty na program logiczny, a solver liczy odpowiedź. Ręcznie napisany program w Prologu rozwiązywał referencyjny zbiór bezbłędnie.",
   "how_en": "The task has two forms: entailment (does the provision apply to the facts) and computing an outcome such as tax owed. Approaches include direct LLM prompting and neuro-symbolic methods: the model translates statutes and facts into a logic program and a solver computes the answer. A hand-written Prolog program solved the reference dataset perfectly.",
   "limits": "Czyste modele mylą się w arytmetyce i wyjątkach oraz opierają się na zapamiętanym prawie zamiast na podanym tekście; na sztucznych przepisach spoza treningu radziły sobie słabo. Metody symboliczne zależą od trafnego przełożenia tekstu na logikę. Zbiory testowe są małe i oparte na uproszczonym prawie.",
   "limits_en": "Pure models make arithmetic and exception errors and lean on memorised law rather than the given text; on synthetic statutes unseen in training they did poorly. Symbolic methods depend on accurate translation of text into logic. Test sets are small and based on simplified law.",
   "terms": [
    {
     "gloss": "Przyporządkowanie faktów sprawy do hipotezy przepisu.",
     "term": "subsumpcja"
    },
    {
     "gloss": "Zapis reguł, z którego solver wyprowadza wnioski.",
     "term": "program logiczny"
    },
    {
     "gloss": "Czy z przepisu i faktów wynika dane twierdzenie.",
     "term": "wynikanie (entailment)"
    }
   ],
   "terms_en": [
    {
     "gloss": "Fitting the facts of a case under the conditions of a provision.",
     "term": "subsumption"
    },
    {
     "gloss": "A set of rules from which a solver derives conclusions.",
     "term": "logic program"
    },
    {
     "gloss": "Whether a claim follows from the provision and the facts.",
     "term": "entailment"
    }
   ],
   "prereq": [
    "neurosymbolic",
    "statuteqa"
   ],
   "keywords": [
    "SARA dataset",
    "Prolog",
    "logic programs",
    "neuro-symbolic",
    "semantic parsing",
    "tax law",
    "chain-of-thought",
    "LegalBench rule application"
   ],
   "source_ids": [
    "holzenberger-sara-2020",
    "blairstanek-gpt3-statutory-2023",
    "jurayj-tax-logic-programs-2025"
   ],
   "url": "https://aiatlasgraph.com/t/statutoryreasoning",
   "markdown_url": "https://aiatlasgraph.com/t/statutoryreasoning.md",
   "updated": "2026-10-30"
  },
  "stepsafe": {
   "id": "stepsafe",
   "parent_id": "agentsecurity",
   "label": "Monitor interwencji krokowej dla agentów",
   "canonical_name": "Step-level timely intervention monitors for agents",
   "description": "Monitor rozumujący na poziomie kroku, który przed każdą akcją agenta wybiera CONTINUE, ASK albo STOP i jest uczony metodą Adaptive Stage-Aligned Policy Optimization (ASPO).",
   "description_en": "A step-level reasoning guardrail that chooses CONTINUE, ASK or STOP before each agent action and is trained with Adaptive Stage-Aligned Policy Optimization (ASPO).",
   "plain": "Monitor, który przed każdym krokiem agenta decyduje, czy kontynuować, zapytać czy zatrzymać, żeby uniknąć szkody we właściwym momencie.",
   "plain_en": "A monitor that before each agent step decides whether to continue, ask or stop, to avoid harm at the right moment.",
   "solves": "Agent może wykonać szkodliwą akcję, zanim ktoś zdąży zareagować, albo monitor zatrzymuje go zbyt często i psuje pracę.",
   "solves_en": "An agent can perform a harmful action before anyone reacts, or the monitor stops it too often and ruins the work.",
   "does": "Sprawdza historię i proponowaną akcję, porównuje z etapem ryzyka i wybiera kontynuację, pytanie albo stop.",
   "does_en": "It checks the history and proposed action, compares them to the risk stage and chooses continue, ask or stop.",
   "example": "Agent przygotowuje przelew na podstawie maila; monitor widzi podejrzany adres i prosi o potwierdzenie zanim wyśle.",
   "example_en": "An agent prepares a transfer based on an email; the monitor sees a suspicious address and asks for confirmation before sending.",
   "for_you": [
    "agent wykonuje akcje na narzędziach lub danych",
    "chcesz zatrzymywać ryzyko bez ciągłego blokowania"
   ],
   "for_you_en": [
    "let an agent act on tools or data",
    "want to stop risk without constant blocking"
   ],
   "how": "ASPO łączy dwa sygnały treningowe. SAPO porównuje odpowiedzi próbkowane dla tego samego prefiksu i premiuje decyzję zgodną z etapem ryzyka: kontynuację przed pojawieniem się sygnału, pytanie w oknie wyjaśnienia oraz zatrzymanie najpóźniej w ostatnim kroku zapobiegającym szkodzie. AFSD samodestyluje uzasadnienia na poziomie tokenów z adnotowanych werdyktów dla kroków wymagających interwencji i z reguł wydobytych z fałszywych alarmów modelu na krokach bezpiecznych. Dane treningowe zawierają taksonomię naruszeń i okna interwencji oraz są rozszerzane wieloagentowym red teamingiem.",
   "how_en": "ASPO combines two training signals. SAPO compares responses sampled at the same prefix and rewards the decision that matches the risk stage: continuing before a signal appears, asking during the clarification window, and stopping no later than the last preventable step. AFSD self-distils token-level reasoning from annotated verdicts on intervention steps and rules mined from the model's own false alarms on safe steps. Training data include a violation taxonomy and intervention windows and are extended through multi-agent red-teaming.",
   "limits": "Metoda zależy od okien interwencji oznaczanych i weryfikowanych przez modele językowe, więc może nie obejmować nowych zachowań agentów i może dziedziczyć błędy adnotatora. Ewaluacja używa także syntetycznych trajektorii red-teamingowych, a użyteczność offline mierzy brak alarmu, nie ukończenie zadania na żywo. To nie jest formalna gwarancja bezpieczeństwa; potrzebne są również kontrola dostępu, sandboxing, monitoring i nadzór człowieka nad istotnymi działaniami.",
   "limits_en": "The method depends on intervention windows labelled and verified by language models, so it may miss novel agent behaviours and inherit annotator errors. Evaluation also uses synthetic red-teamed trajectories, while offline utility measures absence of alarms rather than live task completion. It is not a formal safety guarantee; access controls, sandboxing, monitoring and human oversight of consequential actions are also required.",
   "terms": [
    {
     "gloss": "Adaptacyjna optymalizacja polityki dopasowana do etapu; rama łącząca kredyt decyzji SAPO z kredytem tokenowym AFSD.",
     "term": "ASPO"
    },
    {
     "gloss": "Składnik ASPO porównujący decyzje dla tego samego prefiksu i dopasowujący je do etapu ryzyka.",
     "term": "SAPO"
    },
    {
     "gloss": "Adaptacyjna samodestylacja informacji zwrotnej, która uczy uzasadnienia z adnotacji oraz reguł wydobytych z fałszywych alarmów.",
     "term": "AFSD"
    }
   ],
   "terms_en": [
    {
     "gloss": "Adaptive Stage-Aligned Policy Optimization; the framework combining SAPO decision credit with AFSD token credit.",
     "term": "ASPO"
    },
    {
     "gloss": "The ASPO component that compares decisions at the same prefix and aligns them with the risk stage.",
     "term": "SAPO"
    },
    {
     "gloss": "Adaptive Feedback Self-Distillation, which teaches reasoning from annotations and rules mined from false alarms.",
     "term": "AFSD"
    }
   ],
   "prereq": [
    "guardrails",
    "alignment"
   ],
   "keywords": [
    "step-level guardrail",
    "timely intervention",
    "agent safety monitoring",
    "adaptive stage-aligned policy optimization",
    "ASPO",
    "SAPO",
    "AFSD",
    "Youden's J",
    "ASSEBench"
   ],
   "source_ids": [
    "stepsafe-arxiv-2610.20960"
   ],
   "url": "https://aiatlasgraph.com/t/stepsafe",
   "markdown_url": "https://aiatlasgraph.com/t/stepsafe.md",
   "updated": "2026-10-30"
  },
  "stoploss": {
   "id": "stoploss",
   "parent_id": "agentsnode",
   "label": "Wyuczone wczesne zatrzymywanie nieudanych uruchomień agentów",
   "canonical_name": "Learned early stopping of failing agent runs",
   "aliases": [
    "agent-run failure prediction",
    "outcome-supervised agent early stopping",
    "przewidywanie porażki uruchomienia agenta",
    "wczesne zatrzymywanie agentów"
   ],
   "description": "Zewnętrzny mały model monitorujący, trenowany na zakończonych trajektoriach i wynikach weryfikatora, który przewiduje porażkę i przerywa uruchomienie.",
   "description_en": "External small monitor model trained on completed trajectories and verifier outcomes that predicts failure and aborts the run.",
   "plain": "Mały zewnętrzny monitor uczy się rozpoznawać, kiedy uruchomienie agenta skończy się porażką, i przerywa je wcześniej.",
   "plain_en": "A small external monitor learns to recognize when an agent run will fail and stops it early.",
   "solves": "Agenty kodujące kontynuują pracę na uruchomieniach, które i tak nie przejdą weryfikacji, marnując czas i pieniądze.",
   "solves_en": "Coding agents keep working on runs that will fail verification, wasting time and money.",
   "does": "Monitor ocenia ostatnie kroki na podstawie okien akcji i obserwacji, a próg kalibrowany na udanych uruchomieniach decyduje o przerwaniu bez zmiany samego agenta.",
   "does_en": "The monitor scores recent steps from action-observation windows, and a threshold calibrated on successful runs decides the abort without changing the agent.",
   "example": "Przy naprawie błędu w repozytorium monitor po kilku krokach widzi, że agent kręci się w kółko, i zatrzymuje go, zanim zużyje cały budżet.",
   "example_en": "When fixing a repository bug, the monitor sees the agent looping after a few steps and stops it before the full budget is spent.",
   "for_you": [
    "płacisz za długie uruchomienia agentów, które często kończą się niepowodzeniem",
    "chcesz oszczędzić koszty bez ręcznego nadzoru każdego kroku"
   ],
   "for_you_en": [
    "pay for long agent runs that often fail",
    "want to save costs without watching every step by hand"
   ],
   "how": "Etykiety z finalnych wyników weryfikacji oznaczają wcześniejsze okna trajektorii jako Abort, Continue lub Deliver. Fine-tuning modelu językowego przewiduje te etykiety na podstawie ostatnich par akcja-obserwacja. W czasie działania ocena okna w punktach kontrolnych daje wynik porażki; próg ustawiony na udanych uruchomieniach ogranicza fałszywe przerwania. Monitor działa w jednym przejściu forward i nie zmienia wykonawcy.",
   "how_en": "Labels from final verifier outcomes mark earlier trajectory windows as Abort, Continue or Deliver. Fine-tuning a language model predicts these labels from recent action-observation pairs. At runtime, window scores at checkpoints give a failure score; a threshold set on successful runs limits false aborts. The monitor runs in a single forward pass and does not change the executor.",
   "limits": "Oszczędność zależy od kompromisu między kosztem monitorowania a udanymi uruchomieniami przerwanymi omyłkowo. Badanie trenowało monitor wyłącznie na trajektoriach agentów GPT i testowało zadania programistyczne w Pythonie; zbiór Pro obejmował trzy repozytoria. Kalibracja progu jest empiryczna i może nie przenieść się na inny rozkład.",
   "limits_en": "Savings depend on the trade-off between monitoring cost and successful runs stopped by mistake. The study trained only on GPT-agent trajectories and tested Python programming tasks; the Pro set covered three repositories. Threshold calibration is empirical and may not transfer under distribution shift.",
   "terms": [
    {
     "gloss": "Kilka ostatnich kroków akcji i obserwacji, na których monitor ocenia ryzyko porażki.",
     "term": "okno trajektorii"
    },
    {
     "gloss": "Wartość kalibrowana, powyżej której uruchomienie jest zatrzymywane.",
     "term": "próg przerwania"
    },
    {
     "gloss": "Uczenie z finalnego wyniku weryfikacji zamiast etykiet pośrednich.",
     "term": "nadzór wynikowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Recent action-observation steps that the monitor scores for failure risk.",
     "term": "trajectory window"
    },
    {
     "gloss": "Calibrated value above which the run is stopped.",
     "term": "abort threshold"
    },
    {
     "gloss": "Training from final verifier result instead of intermediate labels.",
     "term": "outcome supervision"
    }
   ],
   "prereq": [
    "agentharness",
    "evalharness"
   ],
   "keywords": [
    "StopLoss",
    "early stopping agent",
    "outcome-supervised monitor",
    "failure prediction",
    "cost per retained solve",
    "SWE-rebench",
    "agent trajectory windows"
   ],
   "source_ids": [
    "stoploss-arxiv-2610.25525"
   ],
   "url": "https://aiatlasgraph.com/t/stoploss",
   "markdown_url": "https://aiatlasgraph.com/t/stoploss.md",
   "updated": "2026-10-30"
  },
  "streamingaggregation": {
   "id": "streamingaggregation",
   "parent_id": "voicelatency",
   "label": "Strumieniowe przekazywanie odpowiedzi do mowy",
   "canonical_name": "Streaming model output into speech",
   "description": "Fragmenty odpowiedzi modelu są przekazywane do syntezy, zanim cała wypowiedź będzie gotowa; granice fragmentów wpływają na zwłokę i naturalność mowy.",
   "description_en": "Model output is passed to speech generation before the whole reply is complete; chunk boundaries affect latency and naturalness.",
   "examples": "agregacja zdań · strumieniowy TTS",
   "examples_en": "sentence aggregation · streaming TTS",
   "plain": "To przekazywanie gotowych fragmentów odpowiedzi do czytania na głos, zanim powstanie cały tekst.",
   "plain_en": "This sends completed response fragments for speech generation before the whole text is ready.",
   "solves": "Asystent ma już początek odpowiedzi, ale nadal czekasz w ciszy na przygotowanie reszty.",
   "solves_en": "An assistant already has the response opening, but you wait in silence while it prepares the rest.",
   "does": "System zbiera napływające słowa w sensowne fragmenty i kolejno oddaje je do syntezy mowy.",
   "does_en": "A system groups arriving words into meaningful chunks and sends them to speech synthesis in sequence.",
   "example": "Asystent zaczyna czytać pierwsze zdanie wyjaśnienia, zanim model skończy pisać ostatnie.",
   "example_en": "An assistant starts reading the first sentence of an explanation before the model finishes writing the last.",
   "for_you": [
    "generujesz długie odpowiedzi głosowe",
    "chcesz pogodzić szybki start z naturalnym brzmieniem"
   ],
   "for_you_en": [
    "generate long spoken responses",
    "want both a prompt start and natural speech"
   ],
   "how": "Strumień tokenów gromadzi się w fragmenty nadające się do syntezy, korzystając z interpunkcji, granic fraz lub limitu oczekiwania. Kolejne fragmenty trafiają do syntezatora zanim model zakończy odpowiedź, a buforowanie reguluje ciągłość odtwarzania.",
   "how_en": "A token stream is grouped into synthesis-ready chunks using punctuation, phrase boundaries or waiting limits. Successive chunks reach the synthesiser before the model finishes its response, while buffering controls playback continuity.",
   "limits": "Małe fragmenty skracają oczekiwanie, lecz utrudniają spójną prozodię. Wypowiedzianego początku nie da się już poprawić; nieregularny strumień może powodować przerwy lub nadmiar buforowania.",
   "limits_en": "Small chunks reduce waiting but hinder coherent prosody. An already spoken opening cannot be corrected; uneven streams can cause pauses or excessive buffering.",
   "terms": [
    {
     "gloss": "Miejsce podziału tekstu zachowujące sens i naturalny rytm mowy.",
     "term": "granica frazy"
    },
    {
     "gloss": "Kolejka fragmentów oczekujących na generowanie albo odtwarzanie audio.",
     "term": "bufor syntezy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A text split preserving meaning and natural speech rhythm.",
     "term": "phrase boundary"
    },
    {
     "gloss": "A queue of chunks awaiting audio generation or playback.",
     "term": "synthesis buffer"
    }
   ],
   "prereq": [
    "tts",
    "decoding"
   ],
   "keywords": [
    "sentence aggregation",
    "phrase boundaries",
    "streaming TTS",
    "synthesis buffering",
    "chunked audio playback"
   ],
   "source_ids": [
    "voiceprimer"
   ],
   "url": "https://aiatlasgraph.com/t/streamingaggregation",
   "markdown_url": "https://aiatlasgraph.com/t/streamingaggregation.md",
   "updated": "2026-10-30"
  },
  "streamingdatasets": {
   "id": "streamingdatasets",
   "parent_id": "pipelines",
   "label": "Strumieniowe, shardowane zbiory treningowe",
   "canonical_name": "Streaming sharded training datasets",
   "aliases": [
    "sharded datasets",
    "dataset streaming",
    "formaty shardów",
    "data loading at scale"
   ],
   "description": "Organizacja próbek w sekwencyjnie czytanych shardach oraz ich strumieniowe dostarczanie z dysku lub magazynu obiektowego do procesu treningu.",
   "description_en": "Organising samples into sequentially read shards and streaming them from disk or object storage into training.",
   "plain": "Pakowanie ogromnych zbiorów w duże paczki czytane po kolei, żeby karty graficzne nie czekały na dane z dysku.",
   "plain_en": "Packing huge datasets into large chunks read in order, so graphics cards are not left waiting for data from disk.",
   "solves": "Miliardy małych plików czytanych w losowej kolejności dławią dyski i sieć, a drogie GPU stoją bezczynnie.",
   "solves_en": "Billions of small files read in random order choke disks and networks, leaving expensive GPUs idle.",
   "does": "Jak przewóz towaru w kontenerach zamiast luzem: mniej przeładunków, równy strumień, a tasuje się całe skrzynie i ich zawartość.",
   "does_en": "Like shipping goods in containers instead of loose: fewer transfers, a steady flow, with crates and their contents shuffled.",
   "example": "Trening startuje od razu z danych w chmurze, bez wielogodzinnego kopiowania milionów zdjęć na serwer.",
   "example_en": "Training starts straight from cloud data, without hours of copying millions of photos to the server.",
   "for_you": [
    "twoje GPU czekają na wczytanie danych",
    "zbiór nie mieści się na lokalnym dysku"
   ],
   "for_you_en": [
    "your GPUs wait for data to load",
    "your dataset does not fit on local disk"
   ],
   "how": "Próbki grupuje się w numerowane shardy po ok. setki MB; pliki jednej próbki leżą obok siebie. Loader czyta shardy sekwencyjnie przez URL (dysk, HTTP, S3), dzieli je między workery i węzły, a tasuje na dwóch poziomach: kolejność shardów i bufor próbek. Dekodowanie i augmentacja dzieją się w potoku równolegle do treningu.",
   "how_en": "Samples are grouped into numbered shards of roughly hundreds of MB, with a sample's files stored together. The loader reads shards sequentially via URL (disk, HTTP, S3), splits them across workers and nodes, and shuffles at two levels: shard order and a sample buffer. Decoding and augmentation run in a pipeline parallel to training.",
   "limits": "Tasowanie jest tylko przybliżone, a dokładna liczba próbek na epokę i wznowienie w połowie są trudniejsze. Zmiana pojedynczej próbki wymaga przepisania sharda; dobór rozmiaru shardów zależy od infrastruktury.",
   "limits_en": "Shuffling is only approximate, and exact samples per epoch and mid-epoch resumption are harder. Changing a single sample means rewriting its shard; shard size tuning depends on the infrastructure.",
   "terms": [
    {
     "gloss": "Jedna z wielu dużych paczek, na które podzielono zbiór danych.",
     "term": "shard"
    },
    {
     "gloss": "Pula próbek w pamięci, z której losuje się kolejne do batcha.",
     "term": "bufor tasowania"
    },
    {
     "gloss": "Chmurowa przestrzeń na pliki dostępna przez sieć, np. kubełki S3.",
     "term": "magazyn obiektowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "One of many large chunks a dataset is split into.",
     "term": "shard"
    },
    {
     "gloss": "In-memory pool of samples from which the next batch items are drawn.",
     "term": "shuffle buffer"
    },
    {
     "gloss": "Network-accessed cloud file storage, such as S3 buckets.",
     "term": "object storage"
    }
   ],
   "prereq": [
    "compute"
   ],
   "keywords": [
    "WebDataset",
    "MosaicML Streaming (MDS)",
    "Hugging Face datasets streaming",
    "Apache Parquet",
    "TFRecord",
    "FFCV",
    "PyTorch IterableDataset",
    "AIStore"
   ],
   "source_ids": [
    "webdataset-github",
    "pytorch-blog-webdataset-2020"
   ],
   "url": "https://aiatlasgraph.com/t/streamingdatasets",
   "markdown_url": "https://aiatlasgraph.com/t/streamingdatasets.md",
   "updated": "2026-10-30"
  },
  "structured": {
   "id": "structured",
   "parent_id": "tools",
   "label": "Structured outputs i walidacja",
   "canonical_name": "Structured outputs and validation",
   "description": "Wymuszenie kształtu odpowiedzi i sprawdzenie jej przed użyciem.",
   "description_en": "Forcing the shape of an answer and checking it before use.",
   "examples": "Pydantic · schematy",
   "examples_en": "Pydantic · schemas",
   "plain": "To odpowiedzi o ustalonym układzie, które program sprawdza przed dalszym użyciem.",
   "plain_en": "These answers follow a set structure that software checks before using them.",
   "solves": "Odpowiedź ma inny układ za każdym razem, więc program nie potrafi jej pewnie odczytać.",
   "solves_en": "Answers come in different layouts, so software cannot reliably read what it needs.",
   "does": "Wskazuje wymagane pola i rodzaje wartości, a kontrola wyłapuje brakujące lub źle zapisane dane.",
   "does_en": "It specifies required fields and value types, then checks for missing entries or incorrectly formatted data.",
   "example": "Asystent odczytuje zgłoszenie do pól „data”, „adres” i „opis”, a program sprawdza ich obecność przed zapisaniem zgłoszenia.",
   "example_en": "An assistant turns a request into date, address and description fields, and software checks that they are present before saving the request.",
   "for_you": [
    "chcesz przekazywać odpowiedzi modelu do innego programu",
    "ręcznie poprawiasz układ danych otrzymanych od asystenta"
   ],
   "for_you_en": [
    "want another program to use a model's answers",
    "fix the layout of assistant responses by hand"
   ],
   "how": "Oczekiwany wynik opisuje się schematem typów, pól i dozwolonych wartości. Dekoder może ograniczać generowanie do zgodnych struktur, a aplikacja parsuje odpowiedź i sprawdza reguły schematu oraz dodatkowe warunki domenowe.",
   "how_en": "The expected output is described by a schema of types, fields and allowed values. A decoder can restrict generation to compatible structures, while the application parses the response and checks schema rules and additional domain conditions.",
   "limits": "Zgodność ze schematem nie potwierdza prawdziwości ani poprawności znaczenia danych. Dekodery obsługują różne podzbiory schematów; aplikacja musi obsłużyć odmowy, przerwane odpowiedzi i błędy walidacji.",
   "limits_en": "Schema compliance does not establish truth or semantic correctness. Decoders support different schema subsets; the application must handle refusals, interrupted responses and validation errors.",
   "terms": [
    {
     "gloss": "Format opisu struktury i ograniczeń danych zapisanych jako JSON.",
     "term": "JSON Schema"
    },
    {
     "gloss": "Generowanie dopuszczające tylko kontynuacje zgodne z określonymi regułami.",
     "term": "dekodowanie ograniczone"
    },
    {
     "gloss": "Sprawdzanie warunków wynikających ze znaczenia danych i zasad zadania.",
     "term": "walidacja domenowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A format describing the structure and constraints of JSON data.",
     "term": "JSON Schema"
    },
    {
     "gloss": "Generation allowing only continuations consistent with specified rules.",
     "term": "constrained decoding"
    },
    {
     "gloss": "Checking conditions arising from data meaning and task rules.",
     "term": "domain validation"
    }
   ],
   "prereq": [
    "decoding"
   ],
   "keywords": [
    "JSON Schema",
    "Pydantic",
    "constrained decoding",
    "Zod",
    "JSON mode",
    "schema validation",
    "domain validation"
   ],
   "courses": [
    {
     "title": "Pydantic for LLM Workflows",
     "url": "https://www.deeplearning.ai/courses/pydantic-for-llm-workflows"
    }
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/structured",
   "markdown_url": "https://aiatlasgraph.com/t/structured.md",
   "updated": "2026-10-30"
  },
  "stylegan": {
   "id": "stylegan",
   "parent_id": "gan",
   "label": "Generator sterowany stylem (StyleGAN)",
   "canonical_name": "Style-based GAN generators (StyleGAN)",
   "aliases": [
    "StyleGAN",
    "StyleGAN2",
    "StyleGAN3",
    "style-based generator",
    "generator stylowy"
   ],
   "description": "Architektura generatora GAN, w której sieć mapująca tworzy wektor stylu wstrzykiwany do każdej warstwy syntezy, rozdzielając cechy ogólne od szczegółów.",
   "description_en": "A GAN generator architecture where a mapping network produces a style vector injected into every synthesis layer, separating coarse attributes from fine detail.",
   "plain": "Generator obrazów, w którym osobnymi pokrętłami ustawiasz ogólny kształt, np. pozę twarzy, i drobne szczegóły, np. piegi czy włosy.",
   "plain_en": "An image generator with separate dials for the overall shape, such as a face's pose, and for fine details like freckles or hair.",
   "solves": "Zwykły generator miesza wszystkie cechy obrazu naraz, więc trudno zmienić jedną rzecz bez psucia reszty.",
   "solves_en": "A plain generator mixes all image features together, so it is hard to change one thing without spoiling the rest.",
   "does": "Działa jak mikser dźwięku: każda warstwa ma własny suwak stylu, od zgrubnej kompozycji po fakturę, a losowy szum dodaje drobne nieregularności.",
   "does_en": "It works like a mixing desk: each layer has its own style fader, from rough composition to texture, while random noise adds small irregularities.",
   "example": "Strona pokazująca zdjęcia twarzy ludzi, którzy nie istnieją, odświeżana co chwilę nową, przekonującą osobą.",
   "example_en": "A website showing photos of faces of people who do not exist, refreshed every moment with a new, convincing person.",
   "for_you": [
    "trafiasz na realistyczne twarze wygenerowane komputerowo",
    "chcesz zmieniać pojedyncze cechy wygenerowanego obrazu"
   ],
   "for_you_en": [
    "come across realistic computer-generated faces",
    "want to change single features of a generated image"
   ],
   "how": "Losowy wektor przechodzi przez sieć mapującą do pośredniej przestrzeni W, a styl z W moduluje kolejne warstwy splotowe od niskiej do wysokiej rozdzielczości. Osobny szum na każdej warstwie odpowiada za losowe detale. Mieszanie stylów z dwóch wektorów na różnych poziomach pozwala łączyć cechy dwóch obrazów.",
   "how_en": "A random vector passes through a mapping network into an intermediate space W, and the W style modulates successive convolution layers from low to high resolution. Per-layer noise drives stochastic detail. Mixing styles from two vectors at different levels combines features of two images.",
   "limits": "Działa najlepiej na wąskich, dobrze wyrównanych zbiorach, np. twarzach; słabo radzi sobie z różnorodnymi scenami i nie przyjmuje opisu tekstowego. Edycja prawdziwego zdjęcia wymaga jego kosztownego odwzorowania w przestrzeni modelu.",
   "limits_en": "Works best on narrow, well-aligned datasets such as faces; struggles with diverse scenes and does not take text prompts. Editing a real photo requires a costly inversion into the model's latent space.",
   "terms": [
    {
     "gloss": "Pośrednia przestrzeń stylów, w której cechy obrazu są lepiej rozdzielone.",
     "term": "przestrzeń W"
    },
    {
     "gloss": "Łączenie zgrubnych cech jednego obrazu z detalami innego.",
     "term": "mieszanie stylów"
    },
    {
     "gloss": "Znalezienie wektora, z którego generator odtworzy dane zdjęcie.",
     "term": "inwersja GAN"
    }
   ],
   "terms_en": [
    {
     "gloss": "An intermediate style space where image features are better separated.",
     "term": "W space"
    },
    {
     "gloss": "Combining coarse features of one image with fine details of another.",
     "term": "style mixing"
    },
    {
     "gloss": "Finding the vector from which the generator recreates a given photo.",
     "term": "GAN inversion"
    }
   ],
   "prereq": [
    "cnnarchs"
   ],
   "keywords": [
    "StyleGAN2",
    "StyleGAN3",
    "mapping network",
    "AdaIN",
    "style mixing",
    "GAN inversion",
    "FFHQ",
    "perceptual path length"
   ],
   "source_ids": [
    "karras-stylegan-2018"
   ],
   "url": "https://aiatlasgraph.com/t/stylegan",
   "markdown_url": "https://aiatlasgraph.com/t/stylegan.md",
   "updated": "2026-10-30"
  },
  "subagents": {
   "id": "subagents",
   "parent_id": "agentsnode",
   "label": "Orkiestracja subagentów",
   "canonical_name": "Subagent orchestration",
   "description": "Decydowanie, kiedy uruchamiać subagentów i jak przekazywać im zadania.",
   "description_en": "Deciding when to launch subagents and how to hand work to them.",
   "examples": "Jawna kontrola delegowania · synchronizacja",
   "examples_en": "Explicit delegation · synchronisation",
   "plain": "To podział zadania między pomocniczych asystentów i zebranie ich wyników.",
   "plain_en": "This divides a task among supporting assistants and brings their results together.",
   "solves": "Duże zadanie wymaga wielu osobnych sprawdzeń, które przeciążają jedną rozmowę i utrudniają pilnowanie całości.",
   "solves_en": "A large task needs many separate checks, making one conversation crowded and the overall goal hard to track.",
   "does": "Główny asystent przydziela części pracy, przekazuje potrzebne informacje i pilnuje, żeby wyniki pasowały do wspólnego celu.",
   "does_en": "A lead assistant assigns parts of the work, passes along needed information and checks that the results fit the shared goal.",
   "example": "Przy zakupie mieszkania pomocniczy asystenci sprawdzają dojazd, koszty utrzymania i okolicę, a główny zbiera porównanie do twojej oceny.",
   "example_en": "When you compare homes, supporting assistants check travel, running costs and neighbourhoods, while a lead assistant gathers the comparison for you.",
   "for_you": [
    "zlecasz zadania z wieloma niezależnymi częściami",
    "chcesz zebrać kilka osobnych sprawdzeń w jeden wynik"
   ],
   "for_you_en": [
    "give tasks with several independent parts",
    "want separate checks brought together into one result"
   ],
   "how": "Koordynator dzieli cel na podzadania i przekazuje każdemu subagentowi zakres, kontekst oraz kontrakt wyniku. Uruchomienia mogą działać równolegle lub kolejno, a koordynator zbiera rezultaty, rozstrzyga konflikty i kontynuuje zadanie nadrzędne.",
   "how_en": "A coordinator splits a goal into subtasks and gives each subagent scope, context and an output contract. Runs can proceed concurrently or sequentially, while the coordinator collects results, resolves conflicts and continues the parent task.",
   "limits": "Delegowanie zwiększa koszt komunikacji i może utracić istotny kontekst. Równoległość pomaga głównie przy niezależnych podzadaniach; współdzielone pliki i stan wymagają synchronizacji.",
   "limits_en": "Delegation adds communication cost and can lose important context. Parallelism mainly helps independent subtasks; shared files and state require synchronization.",
   "terms": [
    {
     "gloss": "Przekazanie ograniczonego zadania innemu wykonawcy.",
     "term": "delegowanie"
    },
    {
     "gloss": "Rozdzielenie pracy na kilka uruchomień.",
     "term": "fan-out"
    },
    {
     "gloss": "Zebranie wyników kilku uruchomień do wspólnego dalszego kroku.",
     "term": "fan-in"
    }
   ],
   "terms_en": [
    {
     "gloss": "Assigning a bounded task to another worker.",
     "term": "delegation"
    },
    {
     "gloss": "Splitting work across multiple runs.",
     "term": "fan-out"
    },
    {
     "gloss": "Combining multiple runs' results for a shared next step.",
     "term": "fan-in"
    }
   ],
   "prereq": [
    "workflows",
    "agentsecurity"
   ],
   "keywords": [
    "task delegation",
    "fan-out",
    "fan-in",
    "isolated context",
    "supervisor pattern",
    "parallel execution"
   ],
   "courses": [
    {
     "title": "Multi AI Agent Systems with crewAI",
     "url": "https://www.deeplearning.ai/courses/multi-ai-agent-systems-with-crewai"
    }
   ],
   "source_ids": [
    "agents",
    "dlai",
    "machina-x-agents"
   ],
   "url": "https://aiatlasgraph.com/t/subagents",
   "markdown_url": "https://aiatlasgraph.com/t/subagents.md",
   "updated": "2026-10-30"
  },
  "subjectpersonalization": {
   "id": "subjectpersonalization",
   "parent_id": "imagegen",
   "label": "Personalizacja: nauczenie modelu konkretnej osoby, rzeczy lub stylu",
   "canonical_name": "Personalisation: teaching a model a specific subject or style",
   "aliases": [
    "personalization",
    "subject-driven generation",
    "custom concept training",
    "DreamBooth",
    "Textual Inversion",
    "diffusion LoRA",
    "personalizacja",
    "douczanie na własnych zdjęciach",
    "własny styl"
   ],
   "description": "Douczenie gotowego modelu obrazu na kilku zdjęciach nowej osoby, przedmiotu lub stylu, tak by można go było przywołać specjalnym słowem w prompcie. Metody: dostrajanie całego modelu (DreamBooth), nowe osadzenie słowa (Textual Inversion), lekkie wagi LoRA.",
   "description_en": "Teaching a pretrained image model a new person, object or style from a few photos so it can be invoked with a special word in prompts. Methods: full fine-tuning (DreamBooth), a new word embedding (Textual Inversion), lightweight LoRA weights.",
   "examples": "DreamBooth · prior preservation · Textual Inversion · LoRA dla dyfuzji · specjalny token · spójność postaci",
   "examples_en": "DreamBooth · prior preservation · Textual Inversion · diffusion LoRA · special token · character consistency",
   "plain": "To nauczenie generatora obrazów, jak wygląda twój pies, produkt albo styl, na podstawie kilku zdjęć.",
   "plain_en": "This teaches an image generator what your dog, product or style looks like from a few photos.",
   "solves": "Ogólny generator nie zna twojej twarzy, logo ani produktu, więc za każdym razem rysuje kogoś lub coś podobnego, ale innego.",
   "solves_en": "A general generator does not know your face, logo or product, so each time it draws something similar but different.",
   "does": "Przykłady dostrajają wybrane części modelu lub uczą go nowego zapisu obiektu, aby powtarzał charakterystyczne cechy w kolejnych obrazach.",
   "does_en": "Examples adapt selected model components or teach a new object representation so characteristic features can recur across images.",
   "example": "Piekarnia uczy model swojego charakterystycznego bochenka i tworzy reklamy z tym samym chlebem na stole, w koszyku i na pikniku.",
   "example_en": "A bakery teaches a model its signature loaf and makes adverts showing the same bread on a table, in a basket and at a picnic.",
   "for_you": [
    "chcesz grafik z tą samą postacią lub produktem",
    "masz własny styl i chcesz go powielać",
    "martwisz się, że ktoś może tak podrobić twój wizerunek"
   ],
   "for_you_en": [
    "want images with the same character or product",
    "have your own style and want to repeat it",
    "worry someone could fake your likeness this way"
   ],
   "how": "Przykłady konkretnego obiektu aktualizują wagi, adaptery lub embedding nowego znacznika w modelu obrazu. Regularyzacja i próbki ogólnej klasy pomagają ograniczyć zapamiętanie zdjęć oraz zachować zdolność generowania nowych ujęć.",
   "how_en": "Subject examples update image-model weights, adapters or a new marker embedding. Regularisation and general-class samples help limit photograph memorisation while retaining the ability to generate new views.",
   "limits": "Mało zróżnicowane zdjęcia łączą tożsamość z tłem lub pozą. Nadmierne dopasowanie ogranicza elastyczność, a podobieństwo wizualne nie zapewnia wiernego odtworzenia wszystkich cech.",
   "limits_en": "Limited photo diversity entangles identity with backgrounds or poses. Overfitting reduces flexibility, while visual similarity does not ensure every characteristic is faithfully reproduced.",
   "terms": [
    {
     "gloss": "Uczenie embeddingu nowego znacznika przy zamrożonym generatorze.",
     "term": "textual inversion"
    },
    {
     "gloss": "Regularizacja pomagająca zachować wiedzę o ogólnej klasie podczas personalizacji.",
     "term": "prior preservation"
    }
   ],
   "terms_en": [
    {
     "gloss": "Learning a new marker embedding while keeping the generator frozen.",
     "term": "textual inversion"
    },
    {
     "gloss": "Regularisation helping retain general-class knowledge during personalisation.",
     "term": "prior preservation"
    }
   ],
   "prereq": [
    "lora",
    "biasvariance"
   ],
   "keywords": [
    "DreamBooth",
    "Textual Inversion",
    "diffusion LoRA",
    "prior preservation loss",
    "subject tokens",
    "identity consistency"
   ],
   "source_ids": [
    "ip-adapter-2023",
    "dreambooth-2022",
    "textual-inversion-2022",
    "hf-diffusers-dreambooth"
   ],
   "url": "https://aiatlasgraph.com/t/subjectpersonalization",
   "markdown_url": "https://aiatlasgraph.com/t/subjectpersonalization.md",
   "updated": "2026-10-30"
  },
  "summarization": {
   "id": "summarization",
   "parent_id": "nlp",
   "label": "Streszczanie tekstu",
   "canonical_name": "Text summarisation",
   "aliases": [
    "text summarization",
    "summarisation",
    "automatic summarization",
    "abstractive summarization",
    "extractive summarization",
    "streszczanie",
    "sumaryzacja",
    "automatyczne streszczanie"
   ],
   "description": "Skracanie tekstu z zachowaniem najważniejszych informacji. Streszczenie ekstraktywne wybiera fragmenty źródła, a abstrakcyjne tworzy nowe sformułowania; współczesne modele językowe są szeroko używane do streszczania abstrakcyjnego, gdzie istotnymi wyzwaniami pozostają ocena jakości i zgodność ze źródłem.",
   "description_en": "Shortening a text while preserving its key information. Extractive summarisation selects source passages, while abstractive summarisation creates new wording; modern language models are widely used for abstractive summaries, where quality evaluation and faithfulness to the source remain important challenges.",
   "examples": "ekstraktywne vs abstrakcyjne · seq2seq (BART, T5, Pegasus) · ROUGE · zgodność z faktami · streszczanie przez LLM · streszczanie wielu dokumentów",
   "examples_en": "extractive vs abstractive · seq2seq (BART, T5, Pegasus) · ROUGE · factual consistency · LLM summarisation · multi-document summarisation",
   "plain": "To skracanie długiego tekstu do kilku zdań, które zachowują to, co najważniejsze.",
   "plain_en": "This shrinks a long text into a few sentences that keep what matters most.",
   "solves": "Nie masz czasu przeczytać wszystkich raportów, wątków i notatek, a boisz się, że przegapisz coś istotnego.",
   "solves_en": "You lack the time to read every report, thread and note, yet you worry about missing something important.",
   "does": "Działa jak dobry protokolant na zebraniu: odsiewa powtórzenia i dygresje, zostawia decyzje, liczby i wnioski.",
   "does_en": "It acts like a good minute-taker: it drops repetition and tangents and keeps decisions, numbers and conclusions.",
   "example": "Po godzinnym spotkaniu online dostajesz krótką notatkę z ustaleniami i listą zadań dla każdej osoby.",
   "example_en": "After an hour-long video call you receive a short note with the decisions and each person's tasks.",
   "for_you": [
    "czytasz więcej, niż jesteś w stanie przeczytać",
    "przygotowujesz krótkie podsumowania dla innych",
    "musisz sprawdzić, czy skrót nie przekręca faktów"
   ],
   "for_you_en": [
    "have more to read than you can manage",
    "prepare short summaries for other people",
    "need to check that a summary does not twist the facts"
   ],
   "how": "Model ocenia ważność fragmentów i wybiera je albo generuje skrócony tekst warunkowany źródłem. Cel długości, pokrycie treści i ocena zgodności sterują selekcją oraz sposobem łączenia informacji.",
   "how_en": "A model scores and selects important passages or generates shorter text conditioned on sources. Length objectives, content coverage and faithfulness assessment guide selection and information combination.",
   "limits": "Kompresja może usuwać warunki i wyjątki zmieniające sens. Generatywne streszczenie bywa płynne mimo niepopartych twierdzeń; ocena podobieństwa nie wystarcza do sprawdzenia wierności.",
   "limits_en": "Compression can remove conditions and exceptions that change meaning. Generated summaries may be fluent despite unsupported claims; similarity scores alone cannot check faithfulness.",
   "terms": [
    {
     "gloss": "Skrót zbudowany z wybranych fragmentów materiału źródłowego.",
     "term": "streszczenie ekstraktywne"
    },
    {
     "gloss": "Zgodność twierdzeń streszczenia z informacjami zawartymi w źródle.",
     "term": "wierność źródłu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A summary composed of selected source passages.",
     "term": "extractive summary"
    },
    {
     "gloss": "Agreement between summary claims and information contained in the source.",
     "term": "source faithfulness"
    }
   ],
   "prereq": [
    "tokenization",
    "textgenmetrics"
   ],
   "keywords": [
    "BART",
    "T5",
    "PEGASUS",
    "ROUGE",
    "extractive summarization",
    "abstractive summarization",
    "factual consistency"
   ],
   "source_ids": [
    "hf-tasks-nlp",
    "hf-task-summarization",
    "zhang-2024-summarization-survey",
    "pu-2023-summarization-almost-dead"
   ],
   "url": "https://aiatlasgraph.com/t/summarization",
   "markdown_url": "https://aiatlasgraph.com/t/summarization.md",
   "updated": "2026-10-30"
  },
  "supervised": {
   "id": "supervised",
   "parent_id": "ml",
   "label": "Uczenie nadzorowane",
   "canonical_name": "Supervised learning",
   "description": "Uczenie z przykładów z przypisaną odpowiedzią.",
   "description_en": "Learning from examples with the answer attached.",
   "examples": "Regresja · klasyfikacja",
   "examples_en": "Regression · classification",
   "plain": "To uczenie modelu z przykładów, przy których podano oczekiwaną odpowiedź.",
   "plain_en": "This teaches a model from examples paired with the expected answer.",
   "solves": "Chcesz przewidywać wynik nowych przypadków, ale ręczne opisanie wszystkich zależności między ich cechami jest trudne.",
   "solves_en": "You want to predict outcomes for new cases, but describing every relationship between their features by hand is difficult.",
   "does": "Porównuje odpowiedzi modelu z zapisanymi wynikami i wykorzystuje różnice, żeby nauczyć się przewidywać liczbę lub kategorię.",
   "does_en": "It compares model answers with recorded outcomes and uses the differences to learn to predict a number or category.",
   "example": "Na danych o wcześniejszych przesyłkach wraz z rzeczywistymi czasami dostawy uczysz model przewidywać czas dotarcia nowej paczki.",
   "example_en": "You use past shipment records paired with actual delivery times to teach a model to predict when a new parcel will arrive.",
   "for_you": [
    "masz przykłady z przypisanym wynikiem lub kategorią",
    "chcesz przewidywać odpowiedzi dla kolejnych przypadków"
   ],
   "for_you_en": [
    "have examples paired with an outcome or category",
    "want to predict answers for future cases"
   ],
   "how": "Przykłady wejście–etykieta definiują błąd predykcji, który agreguje się w cel treningowy. Dopasowanie modelu minimalizuje ten błąd z ewentualną regularyzacją, a oddzielne dane sprawdzają przenoszenie wzorców na nowe przypadki.",
   "how_en": "Input–label examples define prediction errors aggregated into a training objective. Model fitting minimises that error with optional regularisation, while separate data tests transfer to new cases.",
   "limits": "Błędne etykiety i nieobserwowane przypadki ograniczają to, czego model się nauczy. Minimalizacja straty może premiować niepożądane kompromisy, jeśli nie odpowiada kosztom rzeczywistego zadania.",
   "limits_en": "Incorrect labels and missing cases limit what models learn. Loss minimisation can favour unwanted trade-offs when it does not match real task costs.",
   "terms": [
    {
     "gloss": "Średnia strata modelu na obserwowanej próbie treningowej.",
     "term": "ryzyko empiryczne"
    },
    {
     "gloss": "Odpowiedź referencyjna, do której porównuje się predykcję modelu.",
     "term": "etykieta docelowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model's average loss on observed training samples.",
     "term": "empirical risk"
    },
    {
     "gloss": "A reference answer against which model predictions are compared.",
     "term": "target label"
    }
   ],
   "prereq": [
    "probability",
    "mathoptimization"
   ],
   "keywords": [
    "empirical risk minimization",
    "linear models",
    "SVM",
    "k-NN",
    "Naive Bayes",
    "TabPFN",
    "classification loss",
    "regression loss"
   ],
   "source_ids": [
    "cs229",
    "rec",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/supervised",
   "markdown_url": "https://aiatlasgraph.com/t/supervised.md",
   "updated": "2026-10-30"
  },
  "supplychain": {
   "id": "supplychain",
   "parent_id": "security",
   "label": "Bezpieczeństwo łańcucha dostaw modeli",
   "canonical_name": "AI model supply chain security",
   "description": "Ryzyka związane z pobieraniem cudzych wag, adapterów, zbiorów danych i bibliotek: złośliwy kod w plikach modeli, ukryte backdoory, nieznane pochodzenie. Praktyka: bezpieczne formaty wag, weryfikacja źródeł, skanowanie.",
   "description_en": "Risks of pulling in third-party weights, adapters, datasets and libraries: malicious code in model files, hidden backdoors, unknown provenance. Practice: safe weight formats, source verification, scanning.",
   "examples": "pickle vs safetensors · złośliwe adaptery LoRA · pochodzenie modelu",
   "examples_en": "pickle vs safetensors · malicious LoRA adapters · model provenance",
   "plain": "To sprawdzanie bezpieczeństwa i pochodzenia cudzych modeli, danych oraz bibliotek używanych w twoim systemie.",
   "plain_en": "This checks the security and origins of external models, datasets and libraries used in your system.",
   "solves": "Pobrany komponent może zawierać złośliwy kod, ukryte zachowanie albo dane o nieznanym pochodzeniu.",
   "solves_en": "A downloaded component may contain malicious code, hidden behaviour or data with unknown origins.",
   "does": "Kontrola obejmuje źródło, format plików, integralność, zależności i zachowanie; ograniczone uprawnienia zmniejszają skutki wykrytych problemów.",
   "does_en": "Checks cover source, file format, integrity, dependencies and behaviour; restricted permissions reduce the impact of discovered problems.",
   "example": "Przed uruchomieniem pobranego modelu sprawdzasz jego pliki i dokumentację, a pierwszy test wykonujesz w wydzielonym środowisku.",
   "example_en": "Before running a downloaded model, you inspect its files and documentation, then perform the first test in an isolated environment.",
   "for_you": [
    "pobierasz modele lub biblioteki od innych",
    "chcesz wiedzieć, co trafia do twojego systemu"
   ],
   "for_you_en": [
    "download models or libraries from others",
    "want to know what enters your system"
   ],
   "how": "Artefakty modelu, dane i zależności wiąże się z wersją, pochodzeniem i kontrolą integralności. Pobieranie oraz ładowanie oddziela się od zaufanego wykonania, sprawdzając formaty, wymagany kod i uprawnienia komponentów.",
   "how_en": "Model artifacts, data and dependencies are linked to versions, provenance and integrity checks. Acquisition and loading are separated from trusted execution by checking formats, required code and component permissions.",
   "limits": "Podpis lub skrót potwierdza integralność względem źródła, nie brak backdoora. Skanery mają ograniczenia, a bezpieczny format wag nie zabezpiecza towarzyszącego kodu i danych.",
   "limits_en": "Signatures or hashes establish integrity relative to a source, not absence of backdoors. Scanners have limits, while safe weight formats cannot secure accompanying code and data.",
   "terms": [
    {
     "gloss": "Zgodność pobranego pliku z określoną, sprawdzaną wersją.",
     "term": "integralność artefaktu"
    },
    {
     "gloss": "Zapis źródeł i przekształceń prowadzących do używanego komponentu.",
     "term": "łańcuch pochodzenia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A downloaded file's agreement with a specified, checked version.",
     "term": "artifact integrity"
    },
    {
     "gloss": "A record of sources and transformations producing the component in use.",
     "term": "provenance chain"
    }
   ],
   "prereq": [
    "dataversioning",
    "modeldocs"
   ],
   "keywords": [
    "safetensors",
    "pickle deserialization",
    "model provenance",
    "artifact signing",
    "malicious adapters",
    "dependency integrity",
    "software bill of materials"
   ],
   "source_ids": [
    "owasp-llm-top10-2025",
    "owasp-llm03-supply-chain-2025"
   ],
   "url": "https://aiatlasgraph.com/t/supplychain",
   "markdown_url": "https://aiatlasgraph.com/t/supplychain.md",
   "updated": "2026-10-30"
  },
  "surrogateea": {
   "id": "surrogateea",
   "parent_id": "evoclassic",
   "label": "Ewolucja wspomagana modelem zastępczym (gdy ocena jest droga)",
   "canonical_name": "Surrogate-assisted evolutionary optimisation",
   "aliases": [
    "surrogate-assisted evolutionary computation",
    "SAEA",
    "meta-model assisted EA",
    "ewolucja wspomagana modelem zastępczym"
   ],
   "description": "Algorytmy ewolucyjne zastępujące część kosztownych ocen funkcji celu przybliżeniami z modeli regresyjnych lub klasyfikacyjnych uczonych w trakcie przeszukiwania.",
   "description_en": "Evolutionary algorithms replacing some expensive objective evaluations with approximations from regression or classification models learned during the search.",
   "plain": "Algorytm ewolucyjny, który zamiast liczyć każdą kosztowną ocenę, część z nich przewiduje szybkim modelem uczonym na wcześniejszych wynikach.",
   "plain_en": "An evolutionary algorithm that, instead of running every costly evaluation, predicts some with a fast model trained on earlier results.",
   "solves": "Jedna ocena rozwiązania może trwać godziny symulacji, a algorytm ewolucyjny potrzebuje ich tysięcy.",
   "solves_en": "One evaluation can take hours of simulation, while an evolutionary algorithm needs thousands of them.",
   "does": "Jak doświadczony szef kuchni, który po zapachu odrzuca większość pomysłów i gotuje do próby tylko najbardziej obiecujące.",
   "does_en": "Like an experienced chef who rejects most ideas by smell and only cooks the most promising ones to taste.",
   "example": "Projektowanie kształtu karoserii: model szybko szacuje opór powietrza setek wariantów, a pełna symulacja przepływu sprawdza tylko kilka najlepszych.",
   "example_en": "Designing a car body: a model quickly estimates drag for hundreds of variants, and full flow simulation checks only the best few.",
   "for_you": [
    "jedna ocena twojego rozwiązania trwa minuty lub dłużej",
    "masz budżet na kilkaset prób, nie tysiące",
    "optymalizujesz z użyciem symulatora albo eksperymentu"
   ],
   "for_you_en": [
    "one evaluation of your solution takes minutes or longer",
    "you can afford hundreds of trials, not thousands",
    "you optimise using a simulator or experiment"
   ],
   "how": "Na rozwiązaniach ocenionych prawdziwą, kosztowną funkcją uczy się tańszy model przybliżający przystosowanie. Model przesiewa lub szereguje potomstwo, a kosztowną ocenę wykonuje się dla wybranych kandydatów; nowe wyniki służą do okresowego uaktualniania przybliżenia. Schemat stosuje się także w zadaniach wielokryterialnych, dynamicznych i z ograniczeniami.",
   "how_en": "A cheaper model approximating fitness is trained on solutions evaluated with the true expensive function. It screens or ranks offspring, while selected candidates receive the expensive evaluation; new results periodically update the approximation. The scheme is also used for multi-objective, dynamic and constrained problems.",
   "limits": "Model może mamić algorytm do fałszywych optimów, więc trzeba zarządzać jego niepewnością i regularnie sprawdzać prawdziwą oceną. W wielu wymiarach modele szybko tracą trafność, a ich trening sam kosztuje.",
   "limits_en": "The model can lure the algorithm to false optima, so its uncertainty must be managed and checked against true evaluations. In high dimensions models lose accuracy quickly, and training them has its own cost.",
   "terms": [
    {
     "gloss": "Szybkie przybliżenie kosztownej funkcji celu.",
     "term": "model zastępczy (surrogate)"
    },
    {
     "gloss": "Zasada, które rozwiązania ocenić naprawdę, a które tylko modelem.",
     "term": "kontrola modelu"
    },
    {
     "gloss": "Kryterium łączące przewidywany wynik z niepewnością modelu.",
     "term": "oczekiwana poprawa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A fast approximation of an expensive objective function.",
     "term": "surrogate model"
    },
    {
     "gloss": "The rule deciding which solutions get a true evaluation.",
     "term": "model management"
    },
    {
     "gloss": "A criterion combining predicted score with model uncertainty.",
     "term": "expected improvement"
    }
   ],
   "prereq": [
    "supervised"
   ],
   "keywords": [
    "surrogate-assisted evolutionary computation",
    "fitness approximation",
    "expensive optimization",
    "model management",
    "infill evaluation",
    "multi-objective surrogate"
   ],
   "source_ids": [
    "jin-surrogate-2011"
   ],
   "url": "https://aiatlasgraph.com/t/surrogateea",
   "markdown_url": "https://aiatlasgraph.com/t/surrogateea.md",
   "updated": "2026-10-30"
  },
  "survivalanalysis": {
   "id": "survivalanalysis",
   "parent_id": "clinicalprediction",
   "label": "Uczenie maszynowe dla czasu do zdarzenia",
   "canonical_name": "Machine learning for time-to-event outcomes",
   "aliases": [
    "time-to-event analysis",
    "survival models",
    "Cox model",
    "DeepSurv",
    "analiza czasu do zdarzenia",
    "analiza przeżycia"
   ],
   "description": "Modele przewidujące czas do zdarzenia przy danych cenzurowanych, od modelu Coxa po lasy przeżycia i sieci neuronowe.",
   "description_en": "Models predicting time to an event with censored data, from the Cox model to survival forests and neural networks.",
   "plain": "Metody, które przewidują nie tylko, czy coś złego się wydarzy, ale też kiedy, nawet gdy części pacjentów nie obserwowano do końca.",
   "plain_en": "Methods that predict not just whether something bad will happen but when, even if some patients were not followed to the end.",
   "solves": "Badania kończą się, zanim u wszystkich nastąpi zdarzenie, a zwykłe modele nie wiedzą, co zrobić z osobami, które wypadły z obserwacji.",
   "solves_en": "Studies end before everyone has the event, and ordinary models don't know what to do with people who dropped out of follow-up.",
   "does": "Jak tablica, ilu biegaczy wciąż jest na trasie po każdym kilometrze, która uczciwie liczy też tych, których straciliśmy z oczu.",
   "does_en": "Like a board showing how many runners are still in the race after each kilometre, fairly counting those we lost sight of.",
   "example": "Lekarz pokazuje pacjentowi wykres, ile osób po danej terapii żyje bez nawrotu po roku, dwóch i pięciu latach.",
   "example_en": "A doctor shows a patient a chart of how many people live without relapse one, two and five years after a treatment.",
   "for_you": [
    "słyszysz o odsetku pięcioletnich przeżyć po leczeniu",
    "przewidujesz czas do odejścia klienta lub awarii"
   ],
   "for_you_en": [
    "hear about five-year survival rates after treatment",
    "predict time until a customer leaves or a machine fails"
   ],
   "how": "Obserwujemy krótszy z dwóch czasów: do zdarzenia albo do cenzurowania. Estymator Kaplana–Meiera nieparametrycznie szacuje funkcję przeżycia S(t); model proporcjonalnych hazardów Coxa wiąże cechy z logarytmem hazardu. Wersje uczenia maszynowego to lasy przeżycia i sieci (DeepSurv), a jakość mierzy m.in. indeks zgodności (C-index).",
   "how_en": "We observe the shorter of two times: to the event or to censoring. The Kaplan–Meier estimator non-parametrically estimates the survival function S(t); the Cox proportional-hazards model links features to the log hazard. ML versions include survival forests and networks (DeepSurv), and quality is measured e.g. by the concordance index (C-index).",
   "limits": "Model Coxa zakłada proporcjonalne hazardy, co często nie jest spełnione. Cenzurowanie związane z rokowaniem, np. odejście najciężej chorych, zniekształca wyniki. C-index ocenia tylko kolejność ryzyk, nie kalibrację, a ryzyka konkurencyjne wymagają osobnych metod.",
   "limits_en": "The Cox model assumes proportional hazards, which often fails. Censoring tied to prognosis, such as the sickest dropping out, distorts results. The C-index judges only risk ordering, not calibration, and competing risks need separate methods.",
   "terms": [
    {
     "gloss": "Obserwacja urwana przed zdarzeniem; wiemy tylko, że do tej pory go nie było.",
     "term": "cenzurowanie"
    },
    {
     "gloss": "Chwilowe ryzyko zdarzenia, jeśli dotąd nie wystąpiło.",
     "term": "funkcja hazardu"
    },
    {
     "gloss": "Jak często model dobrze układa pacjentów według kolejności zdarzeń.",
     "term": "C-index"
    }
   ],
   "terms_en": [
    {
     "gloss": "Follow-up cut off before the event; we only know it hasn't happened yet.",
     "term": "censoring"
    },
    {
     "gloss": "The instantaneous event risk, given it hasn't happened so far.",
     "term": "hazard function"
    },
    {
     "gloss": "How often the model ranks patients correctly by event order.",
     "term": "C-index"
    }
   ],
   "prereq": [
    "linearmodels",
    "mle"
   ],
   "keywords": [
    "Kaplan-Meier",
    "Cox proportional hazards",
    "DeepSurv",
    "random survival forest",
    "C-index",
    "scikit-survival",
    "lifelines",
    "competing risks"
   ],
   "source_ids": [
    "deepsurv-2016",
    "sksurv-intro"
   ],
   "url": "https://aiatlasgraph.com/t/survivalanalysis",
   "markdown_url": "https://aiatlasgraph.com/t/survivalanalysis.md",
   "updated": "2026-10-30"
  },
  "svm": {
   "id": "svm",
   "parent_id": "supervised",
   "label": "Maszyny wektorów nośnych (SVM)",
   "canonical_name": "Support vector machines",
   "description": "Klasyfikator szukający granicy z największym marginesem między klasami; dzięki jądrom (kernel trick) może rysować granice nieliniowe.",
   "description_en": "A classifier that looks for the boundary with the widest margin between classes; kernels (the kernel trick) let it draw non-linear boundaries.",
   "examples": "margines · jądro RBF · SVR",
   "examples_en": "margin · RBF kernel · SVR",
   "plain": "To model oddzielający kategorie granicą z możliwie szerokim odstępem od najbliższych przykładów.",
   "plain_en": "This model separates categories with a boundary placed as far as possible from the nearest examples.",
   "solves": "Przykłady różnych kategorii leżą blisko siebie, więc granica oparta na przypadkowych szczegółach może źle działać na nowych danych.",
   "solves_en": "Examples from different categories lie close together, so a boundary based on accidental details may fail on new data.",
   "does": "Szuka granicy z szerokim marginesem, dopuszczając kontrolowane błędy; porównania w przekształconej przestrzeni pozwalają też tworzyć granice zakrzywione.",
   "does_en": "It seeks a wide margin while allowing controlled errors; comparisons in a transformed space also let it create curved boundaries.",
   "example": "Program klasyfikuje zdjęcia części jako poprawne lub wadliwe, szukając granicy między ich cechami z odstępem od najbliższych przykładów.",
   "example_en": "Software classifies part photographs as acceptable or defective, seeking a boundary between their features with room around the nearest examples.",
   "for_you": [
    "chcesz oddzielać znane kategorie na podstawie cech",
    "szukasz modelu porównującego odległości między przykładami"
   ],
   "for_you_en": [
    "want to separate known categories using their features",
    "seek a model using distances between examples"
   ],
   "how": "Optymalizacja równoważy szerokość marginesu z karą za jego naruszenia. Funkcja jądra oblicza podobieństwo w pośredniej przestrzeni cech, umożliwiając nieliniową granicę bez jawnego konstruowania wszystkich współrzędnych.",
   "how_en": "Optimisation balances margin width against penalties for violations. A kernel computes similarity in an implicit feature space, enabling nonlinear boundaries without explicitly constructing every coordinate.",
   "limits": "Dobór jądra, skali i regularyzacji wpływa na wynik. Metody jądrowe bywają kosztowne dla dużych zbiorów, a wynik marginesowy nie jest bezpośrednio prawdopodobieństwem klasy.",
   "limits_en": "Kernel, scale and regularisation choices affect results. Kernel methods can be costly on large datasets, and margin scores are not directly class probabilities.",
   "terms": [
    {
     "gloss": "Odległość granicy decyzji od najbliższych istotnych przykładów.",
     "term": "margines"
    },
    {
     "gloss": "Przykład treningowy wpływający na położenie granicy decyzji.",
     "term": "wektor wspierający"
    }
   ],
   "terms_en": [
    {
     "gloss": "The decision boundary's distance from the nearest relevant examples.",
     "term": "margin"
    },
    {
     "gloss": "A training example influencing decision-boundary placement.",
     "term": "support vector"
    }
   ],
   "prereq": [
    "linearalgebra",
    "mathoptimization"
   ],
   "keywords": [
    "maximum margin",
    "RBF kernel",
    "kernel trick",
    "support vectors",
    "SVR",
    "hinge loss"
   ],
   "source_ids": [
    "sklearn-user-guide"
   ],
   "url": "https://aiatlasgraph.com/t/svm",
   "markdown_url": "https://aiatlasgraph.com/t/svm.md",
   "updated": "2026-10-30"
  },
  "swarmintel": {
   "id": "swarmintel",
   "parent_id": "evolutionary",
   "label": "Inteligencja roju",
   "canonical_name": "Swarm intelligence",
   "aliases": [
    "swarm intelligence",
    "SI",
    "inteligencja zbiorowa",
    "rój cząstek",
    "algorytmy mrówkowe"
   ],
   "description": "Metody optymalizacji oparte na zbiorowym zachowaniu wielu prostych agentów, głównie roju cząstek i algorytmach mrówkowych.",
   "description_en": "Optimisation methods built on collective behaviour of many simple agents, mainly particle swarms and ant colony algorithms.",
   "plain": "Metody, w których wiele prostych agentów dzieli się informacją i razem znajduje dobre rozwiązanie, jak stado ptaków czy kolonia mrówek.",
   "plain_en": "Methods where many simple agents share information and together find good solutions, like a flock of birds or an ant colony.",
   "solves": "Jeden poszukiwacz łatwo utknie w przeciętnym miejscu, a pojedynczy wielki algorytm bywa trudny do zbudowania.",
   "solves_en": "A single searcher easily gets stuck somewhere mediocre, and one big algorithm can be hard to build.",
   "does": "Każdy członek roju kieruje się prostymi regułami i podpowiedziami sąsiadów; dobre odkrycia szybko rozchodzą się po całej grupie.",
   "does_en": "Each swarm member follows simple rules and hints from neighbours; good discoveries spread quickly through the whole group.",
   "example": "Operator sieci szuka tras dla pakietów danych; wirtualne mrówki znaczą dobre ścieżki, a ruch omija zatory.",
   "example_en": "A network operator routes data packets; virtual ants mark good paths, and traffic steers around jams.",
   "for_you": [
    "szukasz tras lub kolejności w sieci połączeń",
    "chcesz prostej metody dla wielu ciągłych ustawień"
   ],
   "for_you_en": [
    "look for routes or orderings across a network",
    "want a simple method for many continuous settings"
   ],
   "how": "Agenci nie mają centralnego sterowania: wymieniają informację bezpośrednio, jak najlepsze znane pozycje w roju cząstek, albo pośrednio przez środowisko, jak ślady feromonowe mrówek. Zachowanie całości wyłania się z prostych reguł lokalnych i wzmacniania dobrych odkryć.",
   "how_en": "Agents have no central control: they exchange information directly, like best-known positions in particle swarms, or indirectly through the environment, like ant pheromone trails. Global behaviour emerges from simple local rules and reinforcement of good discoveries.",
   "limits": "Teoria zbieżności jest słabsza niż dla wielu metod klasycznych, a wynik zależy od parametrów i topologii sąsiedztwa. Rój może skupić się zbyt wcześnie w jednym miejscu.",
   "limits_en": "Convergence theory is weaker than for many classical methods, and results depend on parameters and neighbourhood topology. The swarm can cluster too early in one spot.",
   "terms": [
    {
     "gloss": "Komunikacja pośrednia przez ślady zostawiane w otoczeniu.",
     "term": "stygmergia"
    },
    {
     "gloss": "Kto z kim wymienia informacje w roju.",
     "term": "topologia sąsiedztwa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Indirect communication through traces left in the environment.",
     "term": "stigmergy"
    },
    {
     "gloss": "Who shares information with whom in a swarm.",
     "term": "neighbourhood topology"
    }
   ],
   "prereq": [
    "localsearch"
   ],
   "keywords": [
    "particle swarm optimization",
    "ant colony optimization",
    "Ant System",
    "MAX-MIN Ant System",
    "artificial bee colony",
    "stigmergy",
    "swarm robotics",
    "PySwarms"
   ],
   "source_ids": [
    "gecco2026tracks",
    "pso-scholarpedia",
    "aco-cim-2006"
   ],
   "url": "https://aiatlasgraph.com/t/swarmintel",
   "markdown_url": "https://aiatlasgraph.com/t/swarmintel.md",
   "updated": "2026-10-30"
  },
  "swarmrobotics": {
   "id": "swarmrobotics",
   "parent_id": "swarmintel",
   "label": "Robotyka rojowa",
   "canonical_name": "Swarm robotics",
   "aliases": [
    "swarm robotics",
    "robot swarms",
    "swarm engineering",
    "roje robotów",
    "inżynieria rojów",
    "collective robotics"
   ],
   "description": "Projektowanie zbiorowych zachowań dużych grup prostych, autonomicznych robotów o lokalnym postrzeganiu i komunikacji, bez centralnej kontroli.",
   "description_en": "Designing collective behaviour for large groups of simple autonomous robots with local sensing and communication and no central control.",
   "plain": "Wiele prostych robotów bez szefa, które kierując się lokalnymi regułami, razem wykonują zadanie ponad siły pojedynczej maszyny.",
   "plain_en": "Many simple robots with no leader that follow local rules and together do a job no single machine could.",
   "solves": "Jeden drogi robot to pojedynczy punkt awarii, a centralne sterowanie setkami maszyn szybko się zapycha.",
   "solves_en": "One expensive robot is a single point of failure, and central control of hundreds of machines soon chokes.",
   "does": "Każdy robot patrzy tylko na najbliższych sąsiadów; porządek całości wyłania się sam, a utrata kilku maszyn nie zatrzymuje pracy.",
   "does_en": "Each robot watches only its nearest neighbours; overall order emerges by itself, and losing a few machines does not stop the work.",
   "example": "W strefie katastrofy wiele małych robotów rozdziela obszar do przeszukania, lokalnie wymienia obserwacje i kontynuuje pracę mimo awarii pojedynczych jednostek.",
   "example_en": "In a disaster zone, many small robots divide the search area, exchange observations locally and continue working despite individual robot failures.",
   "for_you": [
    "projektujesz zachowanie wielu tanich robotów lub dronów",
    "potrzebujesz systemu odpornego na awarie pojedynczych maszyn"
   ],
   "for_you_en": [
    "design behaviour for many cheap robots or drones",
    "need a system that survives single-machine failures"
   ],
   "how": "Zachowania projektuje się ręcznie, np. automatami stanów i polami potencjałów, albo automatycznie, np. robotyką ewolucyjną w symulacji. Typowe zachowania zbiorowe to agregacja, formowanie kształtów, wspólna eksploracja, transport i zbiorowe podejmowanie decyzji. Inżynieria rojów dodaje modelowanie, weryfikację i utrzymanie takich systemów.",
   "how_en": "Behaviours are designed by hand, e.g. with state machines and potential fields, or automatically, e.g. with evolutionary robotics in simulation. Typical collective behaviours are aggregation, shape formation, collective exploration, transport and collective decision-making. Swarm engineering adds modelling, verification and maintenance of such systems.",
   "limits": "Trudno przewidzieć i udowodnić, co wyłoni się z reguł lokalnych; zachowanie wyuczone w symulacji często słabnie na prawdziwych robotach. Większość prac pozostaje w laboratorium, daleko od zastosowań przemysłowych.",
   "limits_en": "What emerges from local rules is hard to predict and prove, and behaviour learned in simulation often weakens on real robots. Most work stays in the lab, far from industrial use.",
   "terms": [
    {
     "gloss": "Wzorzec całej grupy, którego nie zaprogramowano wprost w żadnym robocie.",
     "term": "zachowanie emergentne"
    },
    {
     "gloss": "Automatyczne wyhodowanie sterownika robota algorytmem ewolucyjnym.",
     "term": "robotyka ewolucyjna"
    },
    {
     "gloss": "Wybór wspólnej opcji przez rój bez głosowania centralnego.",
     "term": "zbiorowa decyzja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A group pattern not directly programmed into any robot.",
     "term": "emergent behaviour"
    },
    {
     "gloss": "Automatically breeding a robot controller with an evolutionary algorithm.",
     "term": "evolutionary robotics"
    },
    {
     "gloss": "A swarm choosing a shared option without central voting.",
     "term": "collective decision-making"
    }
   ],
   "prereq": [
    "multirobot"
   ],
   "keywords": [
    "swarm engineering",
    "Kilobot",
    "ARGoS",
    "evolutionary robotics",
    "aggregation",
    "collective decision-making",
    "drone light shows",
    "self-organisation"
   ],
   "source_ids": [
    "swarmrobotics-review-2013"
   ],
   "url": "https://aiatlasgraph.com/t/swarmrobotics",
   "markdown_url": "https://aiatlasgraph.com/t/swarmrobotics.md",
   "updated": "2026-10-30"
  },
  "symptomtriage": {
   "id": "symptomtriage",
   "parent_id": "healthai",
   "label": "Sprawdzanie objawów i kierowanie po pomoc",
   "canonical_name": "Symptom checkers and automated triage",
   "aliases": [
    "symptom checker",
    "AI triage chatbot",
    "online triage",
    "sprawdzacz objawów",
    "digital triage"
   ],
   "description": "Narzędzia dla pacjentów, które na podstawie odpowiedzi w interaktywnym wywiadzie proponują możliwe rozpoznania i poziom pilności opieki.",
   "description_en": "Patient-facing tools that use answers from an interactive symptom interview to suggest possible diagnoses and the urgency of care.",
   "plain": "Aplikacja wypytuje o objawy i podpowiada, czy wystarczy odpocząć, umówić wizytę, czy pilnie jechać na izbę przyjęć.",
   "plain_en": "An app asks about your symptoms and suggests whether to rest, book a visit or go to emergency now.",
   "solves": "Ludzie nie wiedzą, jak poważne są ich objawy, więc jedni niepotrzebnie blokują izby przyjęć, a inni zwlekają zbyt długo.",
   "solves_en": "People cannot tell how serious their symptoms are, so some clog emergency rooms and others wait too long.",
   "does": "Zadaje pytania jak pielęgniarka przy telefonie i na końcu wskazuje, gdzie i jak szybko szukać pomocy.",
   "does_en": "Asks questions like a nurse on a helpline and ends by pointing where and how quickly to get help.",
   "example": "W nocy dziecko ma gorączkę i wysypkę; rodzic odpowiada w aplikacji na kilka pytań i dostaje radę, by zadzwonić po pomoc od razu.",
   "example_en": "At night a child has fever and a rash; the parent answers a few questions in an app and is told to call for help now.",
   "for_you": [
    "szukasz objawów w internecie przed wizytą",
    "organizujesz telefoniczną lub internetową rejestrację pacjentów"
   ],
   "for_you_en": [
    "look up symptoms online before a visit",
    "run phone or online patient intake"
   ],
   "how": "System przechodzi drzewo pytań, sieć bayesowską objaw–choroba albo inny model predykcyjny. Wynik to lista możliwych rozpoznań i kategoria triażu (samoopieka, wizyta planowa, pilna lub ratunkowa). Ocenę porównuje się z rozstrzygnięciem klinicystów na winietach albo prawdziwych zgłoszeniach.",
   "how_en": "The system follows a question tree, a symptom–disease Bayesian network or another predictive model. It returns a list of possible diagnoses and a triage category (self-care, routine, urgent or emergency). Evaluation compares its output with clinician decisions on vignettes or real submissions.",
   "limits": "Przegląd systematyczny wykazał ogólnie niską i bardzo zmienną trafność między narzędziami oraz brak formalnej walidacji. Narzędzia bywają nadmiernie ostrożne, co zwiększa ruch w placówkach, albo przeoczają stany nagłe. Winiety nie oddają tego, jak pacjenci naprawdę opisują objawy.",
   "limits_en": "A systematic review found generally low and highly variable accuracy across tools and a lack of formal validation. Tools can be overly cautious, adding to clinic load, or miss emergencies. Vignettes do not reflect how patients really describe symptoms.",
   "terms": [
    {
     "gloss": "Ustalanie, jak pilnie ktoś potrzebuje pomocy.",
     "term": "triaż"
    },
    {
     "gloss": "Krótki, wymyślony opis przypadku do testowania narzędzi.",
     "term": "winieta kliniczna"
    },
    {
     "gloss": "Kierowanie do pilniejszej opieki, niż naprawdę trzeba.",
     "term": "nadtriaż"
    }
   ],
   "terms_en": [
    {
     "gloss": "Deciding how urgently someone needs care.",
     "term": "triage"
    },
    {
     "gloss": "Short invented case description for testing tools.",
     "term": "clinical vignette"
    },
    {
     "gloss": "Sending people to more urgent care than needed.",
     "term": "over-triage"
    }
   ],
   "prereq": [
    "chatbots",
    "bayesnets"
   ],
   "keywords": [
    "symptom checker",
    "triage accuracy",
    "clinical vignettes",
    "Bayesian diagnostic network",
    "digital triage",
    "under-triage"
   ],
   "source_ids": [
    "symptom-checkers-review-2022"
   ],
   "url": "https://aiatlasgraph.com/t/symptomtriage",
   "markdown_url": "https://aiatlasgraph.com/t/symptomtriage.md",
   "updated": "2026-10-30"
  },
  "synthetic": {
   "id": "synthetic",
   "parent_id": "data",
   "label": "Dane syntetyczne i augmentacja",
   "canonical_name": "Synthetic data and augmentation",
   "description": "Tworzenie lub przekształcanie przykładów.",
   "description_en": "Creating or transforming examples.",
   "examples": "Generowanie danych · augmentacja",
   "examples_en": "Data generation · augmentation",
   "plain": "To tworzenie nowych przykładów do nauki przez generowanie treści lub zmienianie istniejących materiałów.",
   "plain_en": "This creates new learning examples by generating content or transforming existing material.",
   "solves": "Masz za mało przykładów lub brakuje w nich sytuacji, które model powinien rozpoznawać.",
   "solves_en": "You lack examples or your collection misses situations the model needs to handle.",
   "does": "Tworzy dodatkowe warianty i zadania, a kontrola jakości pomaga wybrać te, które nadają się do nauki.",
   "does_en": "It creates extra variations and tasks, while quality checks help select those suitable for learning.",
   "example": "Uczysz program rozpoznawać paczki i dodajesz przekształcone zdjęcia pokazujące inne kadry lub oświetlenie.",
   "example_en": "You train software to recognise parcels and add transformed photos with different crops or lighting.",
   "for_you": [
    "masz mało przydatnych przykładów",
    "chcesz uzupełnić brakujące sytuacje w materiale do nauki"
   ],
   "for_you_en": [
    "have few useful examples",
    "want to fill gaps in your learning material"
   ],
   "how": "Generatory tworzą próbki z modelu, symulatora lub reguł, a augmentacja przekształca istniejące przykłady. Filtracja i porównanie z danymi rzeczywistymi kontrolują poprawność etykiet, różnorodność oraz dopasowanie do zadania.",
   "how_en": "Generators create samples from models, simulators or rules, while augmentation transforms existing examples. Filtering and comparison with real data check label validity, diversity and task relevance.",
   "limits": "Nowe próbki mogą powielać błędy generatora i pomijać rzadkie przypadki. Pozorna różnorodność formy nie zapewnia nowych informacji ani poprawy na rzeczywistych danych.",
   "limits_en": "New samples may repeat generator errors and omit rare cases. Surface-level variety does not ensure new information or improvements on real data.",
   "terms": [
    {
     "gloss": "Model, symulator lub reguła wytwarzająca nowe przykłady.",
     "term": "generator danych"
    },
    {
     "gloss": "Transformacja próbek zachowująca lub jawnie aktualizująca ich właściwe etykiety.",
     "term": "augmentacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model, simulator or rule producing new examples.",
     "term": "data generator"
    },
    {
     "gloss": "Transforming samples while preserving or explicitly updating their correct labels.",
     "term": "augmentation"
    }
   ],
   "prereq": [
    "distributions",
    "supervised"
   ],
   "keywords": [
    "Self-Instruct",
    "Evol-Instruct",
    "back-translation",
    "mixup",
    "rejection sampling",
    "domain randomization",
    "synthetic text generation",
    "model collapse"
   ],
   "source_ids": [
    "fsdl",
    "cs336",
    "dlai",
    "synthetic-data-best-practices-2024"
   ],
   "url": "https://aiatlasgraph.com/t/synthetic",
   "markdown_url": "https://aiatlasgraph.com/t/synthetic.md",
   "updated": "2026-10-30"
  },
  "syntheticfiltering": {
   "id": "syntheticfiltering",
   "parent_id": "synthetic",
   "label": "Weryfikacja i filtrowanie danych syntetycznych",
   "canonical_name": "Verifying and filtering synthetic data",
   "aliases": [
    "rejection sampling for data",
    "verifier filtering",
    "self-taught data filtering",
    "filtrowanie danych syntetycznych"
   ],
   "description": "Kontrola jakości danych generowanych przez modele przez próbkowanie z odrzucaniem oraz automatyczną weryfikację odpowiedzi, wykonania kodu lub wywołań narzędzi.",
   "description_en": "Quality control for model-generated data through rejection sampling and automatic verification of answers, code execution or tool calls.",
   "plain": "Sprawdzanie przykładów wygenerowanych przez model, zanim trafią do nauki, i zostawianie tylko tych poprawnych.",
   "plain_en": "Checking model-generated examples before they are used for training, keeping only the correct ones.",
   "solves": "Model generujący dane często się myli, a nauka na własnych błędach utrwala je zamiast poprawiać.",
   "solves_en": "A model generating data often makes mistakes, and learning from its own errors reinforces them instead of fixing them.",
   "does": "Jak egzaminator, który z wielu wypracowań ucznia przepuszcza tylko te z poprawnym wynikiem i logicznym tokiem.",
   "does_en": "Like an examiner who, from many student essays, passes only those with a correct result and sound reasoning.",
   "example": "Model rozwiązuje to samo zadanie z matematyki dziesięć razy, a do nauki zostają tylko rozwiązania z dobrą odpowiedzią.",
   "example_en": "A model solves the same maths problem ten times, and only the solutions with the right answer are kept for training.",
   "for_you": [
    "generujesz dane treningowe modelem językowym",
    "chcesz uczyć model rozumowania bez ręcznie pisanych rozwiązań"
   ],
   "for_you_en": [
    "generate training data with a language model",
    "want to teach reasoning without hand-written solutions"
   ],
   "how": "Dla każdego zadania generuje się kandydatów i zostawia tylko te, które przechodzą sprawdzenie: zgodność z wzorcową odpowiedzią, testy jednostkowe albo poprawne wykonanie wywołania API. Pętla typu STaR powtarza generowanie, wybór rozwiązań prowadzących do poprawnej odpowiedzi i dostrajanie na zachowanych przykładach.",
   "how_en": "Candidates are generated for each task and only those passing a check are kept: agreement with a reference answer, unit tests, or successful API execution. A STaR-style loop repeats generation, selection of rationales reaching the correct answer, and fine-tuning on retained examples.",
   "limits": "Działa najlepiej tam, gdzie poprawność da się sprawdzić automatycznie (matematyka, kod, narzędzia). Poprawna odpowiedź może mieć błędne rozumowanie, a sędzia LLM wnosi własne uprzedzenia; filtrowanie zawęża różnorodność danych.",
   "limits_en": "Works best where correctness can be checked automatically (maths, code, tools). A correct answer can hide flawed reasoning, and an LLM judge adds its own biases; filtering narrows data diversity.",
   "terms": [
    {
     "gloss": "Generowanie wielu prób i odrzucanie tych, które nie spełniają kryterium.",
     "term": "rejection sampling"
    },
    {
     "gloss": "Program lub model automatycznie sprawdzający poprawność odpowiedzi.",
     "term": "weryfikator"
    }
   ],
   "terms_en": [
    {
     "gloss": "Generating many attempts and discarding those failing a criterion.",
     "term": "rejection sampling"
    },
    {
     "gloss": "Program or model that automatically checks an answer's correctness.",
     "term": "verifier"
    }
   ],
   "prereq": [
    "reasoningverifiers"
   ],
   "keywords": [
    "rejection sampling",
    "STaR",
    "best-of-n",
    "execution-based filtering",
    "unit-test verification",
    "answer verification",
    "APIGen"
   ],
   "source_ids": [
    "zelikman-2022-star",
    "liu-2024-apigen"
   ],
   "url": "https://aiatlasgraph.com/t/syntheticfiltering",
   "markdown_url": "https://aiatlasgraph.com/t/syntheticfiltering.md",
   "updated": "2026-10-30"
  },
  "synthevalcases": {
   "id": "synthevalcases",
   "parent_id": "evalsets",
   "label": "Syntetyczne przypadki testowe z wymiarów zapytań",
   "canonical_name": "Synthetic test case generation for evals",
   "aliases": [
    "synthetic eval data",
    "synthetic test cases",
    "dimension tuples",
    "test case generation",
    "syntetyczne dane testowe"
   ],
   "description": "Generowanie zbiorów ewaluacyjnych z wymiarów zmienności zapytań, krotek wartości i osobnej konwersji na język naturalny.",
   "description_en": "Building eval sets from query variation dimensions, value tuples and a separate conversion step into natural language.",
   "plain": "Gdy brakuje prawdziwych pytań od użytkowników, model pomaga ułożyć różnorodne pytania testowe według zaplanowanych cech.",
   "plain_en": "When real user questions are scarce, a model helps write varied test questions according to planned traits.",
   "solves": "Przed startem produktu nie ma jeszcze prawdziwych rozmów, a pytania wymyślone na szybko są do siebie podobne i omijają trudne przypadki.",
   "solves_en": "Before launch there are no real conversations yet, and questions made up in a hurry look alike and skip the hard cases.",
   "does": "Jak układanie zestawu zadań na egzamin z tabeli zagadnień: najpierw wybierasz kombinacje cech, potem każdą zamieniasz na naturalnie brzmiące pytanie.",
   "does_en": "Like building an exam from a topic grid: first pick combinations of traits, then turn each into a natural-sounding question.",
   "example": "Dla asystenta przepisów łączysz dietę, kuchnię i trudność, np. wegąską, włoską, wieloetapową, i dostajesz pytanie o lazanię bez nabiału na jutro.",
   "example_en": "For a recipe assistant you combine diet, cuisine and difficulty, such as vegan, Italian, multi-step, and get a question about dairy-free lasagne for tomorrow.",
   "for_you": [
    "nie masz jeszcze prawdziwych pytań od użytkowników",
    "twoje testy pokrywają tylko łatwe przypadki"
   ],
   "for_you_en": [
    "you have no real user questions yet",
    "your tests cover only easy cases"
   ],
   "how": "Definiuje się wymiary zmienności zapytań (np. typ użytkownika, temat, złożoność) i ręcznie pisze kilkanaście krotek po jednej wartości na wymiar. LLM generuje kolejne krotki, a w osobnym kroku zamienia każdą w realistyczne zapytanie, co ogranicza powtarzalność sformułowań. Wyniki się przegląda i filtruje.",
   "how_en": "You define query variation dimensions (e.g. user type, topic, complexity) and hand-write a dozen or so tuples with one value per dimension. An LLM generates more tuples and, in a separate step, turns each into a realistic query, which reduces repetitive phrasing. Outputs are reviewed and filtered.",
   "limits": "Syntetyczne dane nie powiedzą, jak często dany błąd zdarza się u prawdziwych użytkowników. Model generujący przenosi własne nawyki językowe i luki. Najlepiej służą do startu i uzupełniania prawdziwych śladów, nie zamiast nich.",
   "limits_en": "Synthetic data cannot tell you how often a failure occurs with real users. The generating model carries over its own phrasing habits and blind spots. It works best to get started and to supplement real traces, not replace them.",
   "terms": [
    {
     "gloss": "Cecha, w której zapytania mogą się różnić, np. temat.",
     "term": "wymiar"
    },
    {
     "gloss": "Kombinacja po jednej wartości z każdego wymiaru.",
     "term": "krotka"
    },
    {
     "gloss": "Na ile zbiór testowy obejmuje różne realne sytuacje.",
     "term": "pokrycie przypadków"
    }
   ],
   "terms_en": [
    {
     "gloss": "A trait along which queries can vary, e.g. topic.",
     "term": "dimension"
    },
    {
     "gloss": "A combination of one value from each dimension.",
     "term": "tuple"
    },
    {
     "gloss": "How well a test set spans different real situations.",
     "term": "case coverage"
    }
   ],
   "prereq": [
    "instructiongen",
    "failuretaxonomy"
   ],
   "keywords": [
    "synthetic test data",
    "dimension tuples",
    "persona generation",
    "edge cases",
    "golden dataset",
    "test case generation",
    "data augmentation"
   ],
   "source_ids": [
    "hamel-faq-syntheticdata"
   ],
   "url": "https://aiatlasgraph.com/t/synthevalcases",
   "markdown_url": "https://aiatlasgraph.com/t/synthevalcases.md",
   "updated": "2026-10-30"
  },
  "systems": {
   "id": "systems",
   "parent_id": null,
   "label": "Inferencja i infrastruktura",
   "canonical_name": "Inference and ML systems",
   "description": "Uruchamianie, przyspieszanie i utrzymywanie modeli.",
   "description_en": "Running, accelerating and maintaining models.",
   "plain": "To sposoby uruchamiania, przyspieszania i utrzymywania modeli na komputerach, serwerach oraz małych urządzeniach.",
   "plain_en": "These methods run, accelerate and maintain models on computers, servers and small devices.",
   "solves": "Model odpowiada zbyt wolno, nie mieści się w pamięci albo trudno go niezawodnie udostępnić wielu osobom.",
   "solves_en": "A model responds too slowly, does not fit in memory or is hard to serve reliably to many people.",
   "does": "Łączy dobór sprzętu, oszczędny zapis, planowanie zapytań, pomiary i kontrolę wersji, dopasowując działanie do zasobów oraz potrzeb użytkowników.",
   "does_en": "It combines hardware choice, compact representations, request scheduling, measurement and version control to match resources and user needs.",
   "example": "Uruchamiasz asystenta dla zespołu i sprawdzasz, jak zmieniają się czas odpowiedzi, pamięć oraz koszt przy większym ruchu.",
   "example_en": "You launch a team assistant and check how response time, memory and cost change as traffic grows.",
   "for_you": [
    "chcesz uruchomić model na własnym sprzęcie",
    "odpowiedzi muszą działać szybko i powtarzalnie"
   ],
   "for_you_en": [
    "want to run a model on your own hardware",
    "need fast and reliable responses"
   ],
   "how": "Graf modelu mapuje się na operacje sprzętowe, a harmonogram zarządza pamięcią, współbieżnością i komunikacją. Serwowanie oraz potoki utrzymania łączą tę ścieżkę z wersjami danych, pomiarami i kontrolą zasobów w rzeczywistym obciążeniu.",
   "how_en": "A model graph is mapped to hardware operations, while scheduling manages memory, concurrency and communication. Serving and maintenance pipelines connect execution to data versions, measurements and resource controls under actual workloads.",
   "limits": "Zysk pojedynczego kernela nie gwarantuje poprawy całej usługi. Kolejki, transfery, pamięć i zgodność operatorów mogą dominować; optymalizacja wymaga pomiaru wraz z jakością wyników.",
   "limits_en": "Faster kernels do not guarantee service-wide improvements. Queues, transfers, memory and operator compatibility can dominate; optimisation requires measurement alongside output quality.",
   "terms": [
    {
     "gloss": "Funkcja wykonująca określoną operację na akceleratorze.",
     "term": "kernel"
    },
    {
     "gloss": "Plan kolejności i współbieżności zadań korzystających z ograniczonych zasobów.",
     "term": "harmonogram wykonania"
    }
   ],
   "terms_en": [
    {
     "gloss": "A function performing a specified operation on an accelerator.",
     "term": "kernel"
    },
    {
     "gloss": "A plan ordering and overlapping tasks that share limited resources.",
     "term": "execution schedule"
    }
   ],
   "prereq": [
    "linearalgebra",
    "workflows"
   ],
   "keywords": [
    "vLLM",
    "SGLang",
    "CUDA",
    "Triton",
    "NCCL",
    "PagedAttention",
    "GGUF",
    "GPTQ",
    "AWQ",
    "FSDP",
    "MLflow",
    "ONNX",
    "LiteRT",
    "TTFT",
    "TPOT"
   ],
   "source_ids": [
    "cs336",
    "fsdl",
    "bootcamp"
   ],
   "url": "https://aiatlasgraph.com/t/systems",
   "markdown_url": "https://aiatlasgraph.com/t/systems.md",
   "updated": "2026-10-30"
  },
  "tableextraction": {
   "id": "tableextraction",
   "parent_id": "docai",
   "label": "Wyciąganie tabel z dokumentów",
   "canonical_name": "Table extraction and structure recognition",
   "aliases": [
    "table extraction",
    "table structure recognition",
    "TSR",
    "table detection",
    "ekstrakcja tabel",
    "rozpoznawanie struktury tabel"
   ],
   "description": "Wykrycie tabeli na stronie, odtworzenie jej wierszy, kolumn, nagłówków i scalonych komórek oraz zapis w formacie maszynowym.",
   "description_en": "Detecting a table on a page, reconstructing its rows, columns, headers and merged cells, and saving it in a machine-readable format.",
   "plain": "Program znajduje tabele w dokumentach i przepisuje je tak, żeby każda liczba trafiła do właściwego wiersza i kolumny arkusza.",
   "plain_en": "A program finds tables in documents and copies them so that every number lands in the right row and column of a spreadsheet.",
   "solves": "Tabele z plików PDF i skanów po skopiowaniu rozsypują się w ciąg liczb bez kolumn, więc trzeba je przepisywać ręcznie.",
   "solves_en": "Tables from PDFs and scans fall apart into a stream of numbers when copied, so they have to be retyped by hand.",
   "does": "Jak kreślenie siatki ołówkiem na wydruku: najpierw linie wierszy i kolumn, potem przypisanie każdej wartości do jej kratki.",
   "does_en": "Like pencilling a grid onto a printout: first the row and column lines, then assigning each value to its cell.",
   "example": "Księgowa wrzuca zeskanowane wyciągi z kilku lat, a program oddaje je jako arkusz, w którym daty i kwoty stoją w osobnych kolumnach.",
   "example_en": "An accountant uploads scanned statements from several years, and a program returns a spreadsheet with dates and amounts in separate columns.",
   "for_you": [
    "przepisujesz liczby z tabel w plikach PDF",
    "porównujesz dane z wielu raportów"
   ],
   "for_you_en": [
    "copy numbers from tables in PDF files",
    "compare data across many reports"
   ],
   "how": "Proces ma zwykle trzy etapy: detekcję tabeli na stronie, rozpoznanie struktury (wiersze, kolumny, komórki scalone, nagłówki) i analizę funkcjonalną komórek. Stosuje się detektory oparte na transformerach trenowane na dużych zbiorach tabel lub modele wizyjno-językowe generujące HTML albo markdown.",
   "how_en": "The process usually has three stages: table detection on the page, structure recognition (rows, columns, spanning cells, headers) and functional analysis of cells. Transformer-based detectors trained on large table datasets are used, or vision-language models that emit HTML or markdown.",
   "limits": "Tabele bez linii, wielostronicowe, zagnieżdżone i z wieloma poziomami nagłówków są wciąż trudne. Jedna przesunięta komórka psuje całą kolumnę, a błąd wygląda wiarygodnie, więc potrzebne są kontrole sum i porównanie z oryginałem.",
   "limits_en": "Borderless, multi-page, nested and multi-level-header tables remain hard. One shifted cell corrupts a whole column and the error looks plausible, so total checks and comparison with the original are needed.",
   "terms": [
    {
     "gloss": "Odtworzenie wierszy, kolumn i komórek z obrazu tabeli.",
     "term": "rozpoznawanie struktury tabeli"
    },
    {
     "gloss": "Komórka zajmująca kilka wierszy lub kolumn naraz.",
     "term": "komórka scalona"
    },
    {
     "gloss": "Miara podobieństwa odtworzonej tabeli do wzorcowej.",
     "term": "TEDS"
    }
   ],
   "terms_en": [
    {
     "gloss": "Rebuilding rows, columns and cells from a table image.",
     "term": "table structure recognition"
    },
    {
     "gloss": "A cell covering several rows or columns at once.",
     "term": "spanning cell"
    },
    {
     "gloss": "A score of how closely a rebuilt table matches the reference.",
     "term": "TEDS"
    }
   ],
   "prereq": [
    "objectdetection"
   ],
   "keywords": [
    "PubTables-1M",
    "Table Transformer",
    "TableFormer",
    "TEDS",
    "Camelot",
    "table detection",
    "spanning cells"
   ],
   "source_ids": [
    "docling-2024",
    "pubtables-1m-2021"
   ],
   "url": "https://aiatlasgraph.com/t/tableextraction",
   "markdown_url": "https://aiatlasgraph.com/t/tableextraction.md",
   "updated": "2026-10-30"
  },
  "tableqa": {
   "id": "tableqa",
   "parent_id": "questionanswering",
   "label": "Odpowiadanie na pytania o dane w tabelach",
   "canonical_name": "Table question answering",
   "aliases": [
    "table question answering",
    "table QA",
    "QA nad tabelami",
    "pytania do tabel"
   ],
   "description": "Odpowiadanie na pytania w języku naturalnym na podstawie tabeli: wybór komórek, agregacja lub wygenerowanie zapytania (np. SQL).",
   "description_en": "Answering natural-language questions from a table: selecting cells, aggregating, or generating a query such as SQL.",
   "plain": "Zadajesz pytanie zwykłymi słowami, a program sam szuka odpowiedzi w tabeli i w razie potrzeby coś w niej liczy.",
   "plain_en": "You ask a question in plain words and software finds the answer in a table, adding things up if needed.",
   "solves": "Wiele osób nie umie pisać formuł ani zapytań do baz danych, a odpowiedzi kryją się właśnie w tabelach.",
   "solves_en": "Many people can't write formulas or database queries, yet the answers they need sit in tables.",
   "does": "Jak kolega od arkuszy: wskazuje właściwe komórki i mówi, czy je zsumować, policzyć, czy uśrednić.",
   "does_en": "Like a spreadsheet-savvy colleague: it points at the right cells and says whether to sum, count or average them.",
   "example": "Pytasz „ile sprzedaliśmy w marcu w trzech największych sklepach?” i dostajesz liczbę wyliczoną z arkusza.",
   "example_en": "You ask how much the three biggest shops sold in March and get a number worked out from the spreadsheet.",
   "for_you": [
    "pracujesz z arkuszami, ale nie lubisz formuł",
    "chcesz pytać bazę danych zwykłymi słowami",
    "szukasz liczb w raportach z tabelami"
   ],
   "for_you_en": [
    "work with spreadsheets but dislike formulas",
    "want to query a database in plain words",
    "look for figures in reports full of tables"
   ],
   "how": "Podejścia oparte na analizie semantycznej generują formę logiczną wykonywaną na danych. Modele takie jak TAPAS kodują tabelę razem z pytaniem, wskazują komórki odpowiedzi i wybierają operację agregacji. Uczenie ze słabym nadzorem korzysta wyłącznie z par pytanie–odpowiedź.",
   "how_en": "Semantic-parsing approaches generate a logical form executed on the data. Models such as TAPAS encode the table together with the question, select answer cells and choose an aggregation operation. Weak supervision learns only from question–answer pairs.",
   "limits": "Duże tabele nie mieszczą się w kontekście modelu. Wieloetapowe obliczenia, nieczytelne nagłówki i scalone komórki prowadzą do błędów trudnych do zauważenia bez wglądu w zapytanie.",
   "limits_en": "Large tables do not fit in the model's context. Multi-step calculations, unclear headers and merged cells cause errors that are hard to spot without seeing the query.",
   "terms": [
    {
     "gloss": "Operacja łącząca komórki: suma, liczba, średnia.",
     "term": "agregacja"
    },
    {
     "gloss": "Zamiana pytania na formalne zapytanie wykonywalne na danych.",
     "term": "semantic parsing"
    },
    {
     "gloss": "Uczenie tylko z gotowych odpowiedzi, bez zapisanych zapytań.",
     "term": "weak supervision"
    }
   ],
   "terms_en": [
    {
     "gloss": "An operation combining cells: sum, count, average.",
     "term": "aggregation"
    },
    {
     "gloss": "Turning a question into a formal, executable query.",
     "term": "semantic parsing"
    },
    {
     "gloss": "Learning only from final answers, without recorded queries.",
     "term": "weak supervision"
    }
   ],
   "keywords": [
    "table question answering",
    "table QA",
    "TAPAS",
    "WikiSQL",
    "WikiTableQuestions",
    "cell selection",
    "aggregation",
    "semantic parsing",
    "structured data QA",
    "tabular reasoning"
   ],
   "source_ids": [
    "herzig-2020-tapas"
   ],
   "url": "https://aiatlasgraph.com/t/tableqa",
   "markdown_url": "https://aiatlasgraph.com/t/tableqa.md",
   "updated": "2026-10-30"
  },
  "tabularfm": {
   "id": "tabularfm",
   "parent_id": "supervised",
   "label": "Modele bazowe dla danych tabelarycznych",
   "canonical_name": "Tabular foundation models",
   "description": "Transformery wytrenowane wcześniej na milionach (głównie syntetycznych) tabel, które przewidują dla nowej tabeli bez trenowania — uczą się z przykładów podanych w kontekście. Nowy kierunek (od 2025) konkurujący z gradient boostingiem na małych i średnich zbiorach.",
   "description_en": "Transformers pretrained on millions of (mostly synthetic) tables that predict on a new table without training, learning in context from the given rows. A new direction (since 2025) competing with gradient boosting on small and medium datasets.",
   "examples": "TabPFN · TabICL · benchmark TabArena",
   "examples_en": "TabPFN · TabICL · TabArena benchmark",
   "plain": "To wcześniej wyuczone modele, które przewidują odpowiedzi dla tabel na podstawie podanych przykładów wierszy.",
   "plain_en": "These pretrained models predict answers for tables using example rows supplied with the task.",
   "solves": "Osobne trenowanie i dobieranie modelu dla każdej nowej tabeli wymaga czasu i wielu prób.",
   "solves_en": "Training and selecting a separate model for every new table takes time and repeated trials.",
   "does": "Po wcześniejszej nauce na wielu tabelach odczytuje nowe wiersze z odpowiedziami jako kontekst i przewiduje brakujące odpowiedzi bez zmiany własnych ustawień.",
   "does_en": "After learning from many tables, it reads new labelled rows as context and predicts missing answers without updating its internal parameters.",
   "example": "Podajesz tabelę wcześniejszych zamówień z informacją o zwrotach oraz nowe zamówienie, dla którego model ma oszacować ryzyko zwrotu.",
   "example_en": "You supply past orders labelled with whether they were returned, plus a new order whose return risk the model should estimate.",
   "for_you": [
    "chcesz zacząć przewidywania bez osobnego treningu dla tabeli",
    "masz wiersze z odpowiedziami do pokazania jako przykłady"
   ],
   "for_you_en": [
    "want predictions without training separately for each table",
    "have labelled rows to supply as examples"
   ],
   "how": "Pretraining na wielu zadaniach tabelarycznych uczy model wnioskować z oznaczonych wierszy podanych jako kontekst. Transformer łączy cechy i przykłady, przewidując wyniki nowych wierszy bez obowiązkowego dopasowania osobnych parametrów zadania.",
   "how_en": "Pretraining across tabular tasks teaches models to infer from labelled rows supplied as context. A transformer combines features and examples to predict new-row outcomes without necessarily fitting separate task-specific parameters.",
   "limits": "Założenia pretrainingu mogą nie odpowiadać nowej tabeli. Rozmiar kontekstu, liczba cech i kodowanie kategorii wpływają na koszt oraz jakość; potrzebna jest niezależna walidacja.",
   "limits_en": "Pretraining assumptions may not match a new table. Context size, feature count and category encoding affect cost and quality; independent validation is necessary.",
   "terms": [
    {
     "gloss": "Model wyuczony na rodzinie zadań do przybliżania wnioskowania z nowych danych.",
     "term": "prior-data fitted network"
    },
    {
     "gloss": "Dopasowanie predykcji do przykładów wejściowych bez obowiązkowej aktualizacji wag.",
     "term": "uczenie w kontekście"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model trained across tasks to approximate inference from new data.",
     "term": "prior-data fitted network"
    },
    {
     "gloss": "Adapting predictions to input examples without necessarily updating weights.",
     "term": "in-context learning"
    }
   ],
   "prereq": [
    "transformers",
    "bayesinference"
   ],
   "keywords": [
    "TabPFN",
    "TabICL",
    "TabArena",
    "prior-data fitted networks",
    "in-context prediction"
   ],
   "source_ids": [
    "grinsztajn-tabular-2022",
    "hollmann-tabpfn-nature-2025",
    "tabpfn25-2025",
    "tabarena-github"
   ],
   "url": "https://aiatlasgraph.com/t/tabularfm",
   "markdown_url": "https://aiatlasgraph.com/t/tabularfm.md",
   "updated": "2026-10-30"
  },
  "tabularsynthetic": {
   "id": "tabularsynthetic",
   "parent_id": "synthetic",
   "label": "Syntetyczne dane tabelaryczne",
   "canonical_name": "Synthetic tabular data generation",
   "aliases": [
    "synthetic tabular data",
    "tabular data synthesis",
    "dane syntetyczne w tabelach"
   ],
   "description": "Generowanie wierszy tabel o mieszanych typach kolumn za pomocą modeli generatywnych; CTGAN warunkuje generowanie, aby lepiej odwzorować wielomodalne kolumny ciągłe i rzadkie kategorie.",
   "description_en": "Generating rows for mixed-type tables with generative models; CTGAN conditions generation to better represent multimodal continuous columns and rare categories.",
   "plain": "Tworzenie sztucznych tabel, np. klientów czy transakcji, które statystycznie przypominają prawdziwe, ale nie opisują realnych osób.",
   "plain_en": "Creating artificial tables, such as customers or transactions, that statistically resemble real ones without describing real people.",
   "solves": "Prawdziwych danych firmowych czy medycznych nie wolno swobodnie udostępniać, a rzadkich przypadków jest za mało do nauki.",
   "solves_en": "Real business or medical records cannot be shared freely, and rare cases are too few to learn from.",
   "does": "Jak aktor grający typowego klienta: zachowuje się realistycznie i spójnie, ale nie jest żadną konkretną osobą.",
   "does_en": "Like an actor playing a typical customer: behaving realistically and consistently, but being no specific person.",
   "example": "Bank przekazuje firmie testującej aplikację tabelę wymyślonych klientów z realistycznymi saldami zamiast prawdziwej bazy.",
   "example_en": "A bank hands an app-testing company a table of invented customers with realistic balances instead of the real database.",
   "for_you": [
    "nie możesz udostępnić prawdziwych danych klientów",
    "brakuje ci przykładów rzadkich zdarzeń, np. oszustw"
   ],
   "for_you_en": [
    "cannot share real customer data",
    "lack examples of rare events such as fraud"
   ],
   "how": "Generator uczy się łącznego rozkładu kolumn ciągłych i kategorycznych. W CTGAN normalizacja uwzględnia tryby rozkładu kolumn ciągłych, a warunkowe próbkowanie pomaga uczyć się niezbalansowanych kolumn dyskretnych. Jakość ocenia się podobieństwem rozkładów i użytecznością modeli trenowanych na danych syntetycznych, a prywatność sprawdza osobno.",
   "how_en": "A generator learns the joint distribution of continuous and categorical columns. In CTGAN, normalisation accounts for modes in continuous columns and conditional sampling helps with imbalanced discrete columns. Quality is evaluated through distributional similarity and the utility of models trained on synthetic data, while privacy is tested separately.",
   "limits": "Syntetyk nie gwarantuje prywatności: model może zapamiętać rzadkie rekordy, chyba że użyje się prywatności różnicowej, co obniża wierność. Zależności między wieloma tabelami i rzadkie korelacje bywają gubione.",
   "limits_en": "Synthetic data does not guarantee privacy: the model can memorise rare records unless differential privacy is used, which lowers fidelity. Multi-table relations and rare correlations are often lost.",
   "terms": [
    {
     "gloss": "Test użyteczności: model z danych sztucznych sprawdzany na prawdziwych.",
     "term": "train on synthetic, test on real"
    },
    {
     "gloss": "Szansa odtworzenia informacji o prawdziwej osobie z danych syntetycznych.",
     "term": "ryzyko ujawnienia"
    }
   ],
   "terms_en": [
    {
     "gloss": "Utility test: a model trained on synthetic data evaluated on real data.",
     "term": "train on synthetic, test on real"
    },
    {
     "gloss": "Chance of recovering real-person information from synthetic data.",
     "term": "disclosure risk"
    }
   ],
   "prereq": [
    "gan"
   ],
   "keywords": [
    "CTGAN",
    "TVAE",
    "Synthetic Data Vault (SDV)",
    "Gaussian copula",
    "TabDDPM",
    "GReaT",
    "DP-synthetic data",
    "SDMetrics"
   ],
   "source_ids": [
    "xu-2019-ctgan"
   ],
   "url": "https://aiatlasgraph.com/t/tabularsynthetic",
   "markdown_url": "https://aiatlasgraph.com/t/tabularsynthetic.md",
   "updated": "2026-10-30"
  },
  "tactilesensing": {
   "id": "tactilesensing",
   "parent_id": "robotperception",
   "label": "Zmysł dotyku robota (czujniki dotykowe)",
   "canonical_name": "Tactile and visuotactile sensing for robots",
   "aliases": [
    "tactile sensing",
    "visuotactile sensing",
    "robot touch",
    "czujniki dotykowe",
    "dotyk robota",
    "sztuczna skóra"
   ],
   "description": "Pomiar kontaktu przez czujniki dotykowe (rezystancyjne, pojemnościowe, wizyjno-dotykowe) i przetwarzanie ich sygnałów na siłę, poślizg i kształt.",
   "description_en": "Measuring contact with tactile sensors (resistive, capacitive, visuotactile) and processing their signals into force, slip and shape.",
   "plain": "Czujniki w palcach robota mierzą nacisk i kształt dotykanej powierzchni, więc robot czuje to, czego nie widać z kamery.",
   "plain_en": "Sensors in a robot's fingertips measure pressure and the shape of what they touch, so it feels what the camera cannot see.",
   "solves": "W chwili chwytu ręka zasłania przedmiot przed kamerą, więc robot nie wie, czy trzyma go pewnie, czy właśnie mu się wyślizguje.",
   "solves_en": "At the moment of grasping the hand hides the object from the camera, so the robot cannot tell whether it is slipping.",
   "does": "Działa jak opuszki palców: miękka warstwa odkształca się przy nacisku, a mała kamerka lub elektrody zapisują ten odcisk.",
   "does_en": "It works like fingertips: a soft layer deforms under pressure and a tiny camera or electrodes record the imprint.",
   "example": "Robot w kuchni bierze jajko z wytłaczanki i lekko poluzowuje chwyt, gdy czuje, że skorupka zaczyna się uginać.",
   "example_en": "A kitchen robot lifts an egg from the carton and eases its grip when it feels the shell starting to give.",
   "for_you": [
    "robot ma obchodzić się z kruchymi lub miękkimi rzeczami",
    "kamera nie widzi miejsca kontaktu",
    "budujesz chwytak lub protezę dłoni"
   ],
   "for_you_en": [
    "need a robot to handle fragile or soft items",
    "the camera cannot see the contact point",
    "are building a gripper or a prosthetic hand"
   ],
   "how": "Czujnik rejestruje lokalne własności kontaktu, a przetwarzanie sygnału zamienia pomiary elektryczne lub obrazy powierzchni dotykowej na informacje o nacisku, poślizgu i kształcie. Wynik trafia do sterownika chwytu albo jako dodatkowa obserwacja do polityki uczonej z demonstracji.",
   "how_en": "The sensor captures local contact properties, and signal processing turns electrical measurements or images of a tactile surface into information about pressure, slip and shape. The result feeds a grasp controller or serves as an extra observation for a policy learned from demonstrations.",
   "limits": "Elastomer się zużywa i wymaga wymiany, a czujniki są drogie i trudne do wbudowania w małe palce. Brakuje wspólnych formatów danych, więc modele słabo przenoszą się między typami czujników. Obraz dotyku jest lokalny i nie zastąpi widoku całej sceny.",
   "limits_en": "The elastomer wears out and needs replacing, and sensors are costly and hard to fit into small fingers. There are no common data formats, so models transfer poorly between sensor types. The tactile image is local and cannot replace a view of the whole scene.",
   "terms": [
    {
     "gloss": "Rozpoznanie, że przedmiot zaczyna wysuwać się z chwytu.",
     "term": "wykrywanie poślizgu"
    },
    {
     "gloss": "Czujnik, który przekształca obraz powierzchni kontaktu w informację o dotyku.",
     "term": "wizyjno-dotykowy"
    },
    {
     "gloss": "Rozkład siły kontaktu na powierzchni czujnika.",
     "term": "mapa nacisku"
    }
   ],
   "terms_en": [
    {
     "gloss": "Recognising that an object is starting to slide out of the grasp.",
     "term": "slip detection"
    },
    {
     "gloss": "A sensor that turns an image of the contact surface into touch information.",
     "term": "visuotactile"
    },
    {
     "gloss": "The distribution of contact force across the sensor surface.",
     "term": "pressure map"
    }
   ],
   "prereq": [
    "cnn"
   ],
   "keywords": [
    "tactile sensing",
    "visuotactile sensing",
    "slip detection",
    "tactile skin",
    "force sensing",
    "tactile representation learning"
   ],
   "source_ids": [
    "visuotactile-review-2024",
    "il-contactrich-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/tactilesensing",
   "markdown_url": "https://aiatlasgraph.com/t/tactilesensing.md",
   "updated": "2026-10-30"
  },
  "tamp": {
   "id": "tamp",
   "parent_id": "robotcontrol",
   "label": "Planowanie zadań i ruchów naraz (TAMP)",
   "canonical_name": "Task and motion planning (TAMP)",
   "aliases": [
    "task and motion planning",
    "TAMP",
    "integrated task and motion planning",
    "planowanie zadań i ruchu",
    "zintegrowane planowanie zadań i ruchu"
   ],
   "description": "Planowanie łączące dyskretny wybór akcji (planowanie symboliczne) z ciągłym planowaniem ruchu i doborem parametrów, np. chwytów i miejsc odstawienia.",
   "description_en": "Planning that combines discrete action choice (symbolic planning) with continuous motion planning and parameter selection, e.g. grasps and placements.",
   "plain": "Planer decyduje jednocześnie, co robot ma zrobić po kolei i jak dokładnie ma się przy tym poruszać, żeby plan dało się fizycznie wykonać.",
   "plain_en": "A planner decides at once what a robot should do step by step and exactly how it should move, so the plan is physically doable.",
   "solves": "Plan „wyjmij kubek, postaw na półce” może wyglądać sensownie, aż okazuje się, że ramię nie sięgnie, bo coś stoi na drodze.",
   "solves_en": "A plan like “take the mug, put it on the shelf” can look fine until it turns out the arm cannot reach because something is in the way.",
   "does": "Jak przy przeprowadzce: zanim zdecydujesz, co wnosisz najpierw, sprawdzasz, czy szafa w ogóle przejdzie przez drzwi.",
   "does_en": "Like moving house: before deciding what to carry in first, you check whether the wardrobe fits through the door at all.",
   "example": "Robot najpierw odsuwa słoik zasłaniający mleko w lodówce, bo bez tego jego ramię nie zmieściłoby się obok.",
   "example_en": "A robot first moves aside a jar blocking the milk in the fridge, because otherwise its arm would not fit past.",
   "for_you": [
    "robot ma wykonywać wieloetapowe zadania w ciasnym miejscu",
    "łączysz planowanie symboliczne z ruchem ramienia",
    "chcesz rozumieć fizyczną wykonalność planów robota"
   ],
   "for_you_en": [
    "need a robot to do multi-step tasks in a tight space",
    "combine symbolic planning with arm motion",
    "want to understand the physical feasibility of robot plans"
   ],
   "how": "Warstwa symboliczna, np. w języku PDDL, szuka sekwencji akcji, a próbniki proponują ciągłe parametry: chwyty, pozycje odstawienia i trajektorie. Planer ruchu sprawdza wykonalność i kolizje; gdy któryś krok jest niewykonalny, wynik wraca do warstwy symbolicznej. Metody różnią się sposobem przeplatania przeszukiwania dyskretnego i ciągłego.",
   "how_en": "A symbolic layer, for example in PDDL, searches action sequences while samplers propose continuous parameters: grasps, placement poses and trajectories. A motion planner checks feasibility and collisions; when a step is infeasible, the result feeds back to the symbolic layer. Methods differ in how they interleave discrete and continuous search.",
   "limits": "Przeszukiwanie szybko się rozrasta przy wielu obiektach i długich zadaniach. Wymaga modelu akcji z warunkami i skutkami oraz dokładnej wiedzy o scenie, a przy niepewności percepcji plany się sypią. Planowanie bywa za wolne na reakcję w czasie rzeczywistym.",
   "limits_en": "Search blows up with many objects and long tasks. It requires an action model with preconditions and effects and accurate scene knowledge, and plans collapse under perception uncertainty. Planning can be too slow for real-time reaction.",
   "terms": [
    {
     "gloss": "Standardowy język opisu akcji, ich warunków i skutków dla planerów.",
     "term": "PDDL"
    },
    {
     "gloss": "Generator proponujący konkretne wartości, np. możliwe chwyty.",
     "term": "próbnik"
    },
    {
     "gloss": "Sprawdzenie, czy ruch fizycznie się zmieści bez kolizji.",
     "term": "geometryczna wykonalność"
    }
   ],
   "terms_en": [
    {
     "gloss": "A standard language describing actions, preconditions and effects for planners.",
     "term": "PDDL"
    },
    {
     "gloss": "A generator proposing concrete values, e.g. possible grasps.",
     "term": "sampler"
    },
    {
     "gloss": "Checking that a motion physically fits without collisions.",
     "term": "geometric feasibility"
    }
   ],
   "prereq": [
    "classicalplanning",
    "armmotionplanning"
   ],
   "keywords": [
    "PDDLStream",
    "PDDL",
    "logic-geometric programming",
    "sampling-based TAMP",
    "OMPL",
    "MoveIt",
    "Fast Downward"
   ],
   "source_ids": [
    "tamp-survey-2020"
   ],
   "url": "https://aiatlasgraph.com/t/tamp",
   "markdown_url": "https://aiatlasgraph.com/t/tamp.md",
   "updated": "2026-10-30"
  },
  "taskarithmetic": {
   "id": "taskarithmetic",
   "parent_id": "merging",
   "label": "Arytmetyka zadań (task vectors, TIES, DARE)",
   "canonical_name": "Task arithmetic and task vectors",
   "aliases": [
    "task arithmetic",
    "task vectors",
    "TIES-merging",
    "DARE"
   ],
   "description": "Różnica między wagami modelu dostrojonego i bazowego tworzy „wektor zadania”, który można dodawać, odejmować i łączyć. TIES rozwiązuje konflikty znaków między wektorami, a DARE sparsifikuje parametry delta przed łączeniem.",
   "description_en": "The difference between fine-tuned and base-model weights forms a 'task vector' that can be added, subtracted and combined. TIES resolves sign conflicts between vectors, while DARE sparsifies delta parameters before merging.",
   "examples": "dodawanie umiejętności · odejmowanie niechcianego zachowania · TIES · DARE",
   "examples_en": "adding skills · subtracting unwanted behaviour · TIES · DARE",
   "plain": "To łączenie, dodawanie lub odejmowanie zmian ustawień, które powstały podczas uczenia różnych zadań.",
   "plain_en": "This combines, adds or subtracts parameter changes learned from different tasks.",
   "solves": "Chcesz przenieść efekt dostrojenia między zgodnymi wariantami, ale mieszanie pełnych modeli może tworzyć konflikty.",
   "solves_en": "You want to transfer adaptation effects between compatible variants, but mixing whole models can introduce conflicts.",
   "does": "Różnica między wersją bazową i dostrojoną opisuje zmianę zadania; metody łączą te różnice i próbują ograniczać kolidujące poprawki.",
   "does_en": "The difference between base and adapted parameters represents a task update; methods combine these differences and try to reduce conflicting changes.",
   "example": "Porównujesz poprawki modelu dla krótkiego stylu i opisów produktów, próbując połączyć oba efekty w jednej wersji.",
   "example_en": "You compare model updates for brevity and product descriptions, trying to combine both effects in one version.",
   "for_you": [
    "masz dostrojone wersje wspólnej bazy",
    "chcesz przenosić lub łączyć efekty zadań"
   ],
   "for_you_en": [
    "have adapted versions of a shared base",
    "want to transfer or combine task effects"
   ],
   "how": "Wektor zadania to różnica wag modelu dostrojonego i wspólnej bazy. Ważone wektory dodaje się do bazy, a warianty usuwają drobne zmiany lub rozwiązują konflikty znaków przed agregacją.",
   "how_en": "A task vector is the weight difference between a fine-tuned model and a shared base. Weighted vectors are added to the base, with variants removing small changes or resolving sign conflicts before aggregation.",
   "limits": "Kierunki aktualizacji nie muszą sumować się bez interferencji. Skala, wspólna baza i sposób przycinania wpływają na wynik; wycofanie wektora nie gwarantuje selektywnego usunięcia zdolności.",
   "limits_en": "Update directions may not add without interference. Scale, shared bases and trimming methods affect outcomes; subtracting a vector cannot guarantee selective capability removal.",
   "terms": [
    {
     "gloss": "Różnica parametrów między dostrojonym modelem a jego bazą.",
     "term": "wektor zadania"
    },
    {
     "gloss": "Przeciwne kierunki aktualizacji tego samego parametru w łączonych modelach.",
     "term": "konflikt znaków"
    }
   ],
   "terms_en": [
    {
     "gloss": "The parameter difference between a fine-tuned model and its base.",
     "term": "task vector"
    },
    {
     "gloss": "Opposing update directions for the same parameter across merged models.",
     "term": "sign conflict"
    }
   ],
   "prereq": [
    "linearalgebra",
    "sft"
   ],
   "keywords": [
    "task vectors",
    "TIES-Merging",
    "DARE",
    "sign conflict resolution",
    "task subtraction",
    "mergekit"
   ],
   "source_ids": [
    "task-arithmetic-2022",
    "ties-merging-2023",
    "yu-dare-2023",
    "mergekit-paper-2024"
   ],
   "url": "https://aiatlasgraph.com/t/taskarithmetic",
   "markdown_url": "https://aiatlasgraph.com/t/taskarithmetic.md",
   "updated": "2026-10-30"
  },
  "taskfloweval": {
   "id": "taskfloweval",
   "parent_id": "evalsets",
   "label": "Ewaluacja agentów zgodna z przepływem zadań",
   "canonical_name": "Task-flow aligned agent evaluation",
   "aliases": [
    "SWE-TaskFlow",
    "task flow matching",
    "interaction protocol evaluation"
   ],
   "description": "Metoda przekształca zadania z issue w wieloetapowe interakcje zgodne z mierzonym przepływem zadań użytkowników.",
   "description_en": "Method turns issue-derived tasks into multi-turn interactions matching measured user task flows.",
   "plain": "Benchmark sprawdza asystenta tak, jak naprawdę rozmawiają z nim ludzie, a nie jednym długim poleceniem.",
   "plain_en": "The benchmark checks the assistant the way people actually talk to it, not with one long command.",
   "solves": "Standardowe sprawdziany dają jedno szczegółowe zadanie, a prawdziwi użytkownicy przełączają się między pytaniami, planowaniem i poprawkami.",
   "solves_en": "Standard tests give one detailed task, while real users switch between questions, planning and fixes.",
   "does": "Dzieli zadanie na kroki, dodaje sprawdzalne pytania o kod i wybiera trajektorie najbliższe zmierzonemu przepływowi.",
   "does_en": "It splits the task into steps, adds checkable questions about the code and picks trajectories closest to the measured flow.",
   "example": "Zamiast jednego polecenia 'napraw błąd' asystent dostaje kilka wiadomości: pytanie o kod, plan, potem poprawkę, tak jak w prawdziwej sesji.",
   "example_en": "Instead of one command 'fix the bug' the assistant gets several messages: a question about the code, a plan, then the fix, just like a real session.",
   "for_you": [
    "sprawdzasz asystentów do kodu na rzeczywistych sesjach użytkowników",
    "chcesz, by benchmark odzwierciedlał przełączanie zadań",
    "jednoetapowe sprawdziany dają wyniki odległe od praktyki"
   ],
   "for_you_en": [
    "check coding assistants on real user sessions",
    "want the benchmark to reflect task switching",
    "single-step tests give results far from practice"
   ],
   "how": "Zmierza się Task Flow: długości sesji, typy zadań i przejścia między nimi. Prompt splitting dzieli issue na kroki. Verifiable repository QA dodaje pytania z odpowiedziami referencyjnymi. TFAS wybiera trajektorie najbliższe docelowemu rozkładowi.",
   "how_en": "Task Flow is measured: session lengths, task types and transitions. Prompt splitting divides the issue into steps. Verifiable repository QA adds questions with reference answers. TFAS selects trajectories closest to the target distribution.",
   "limits": "Pilot pokazał, że sekwencyjne rozwiązanie podwaja koszt bez stabilnej zmiany wskaźnika rozwiązania. Wymaga zmierzenia przepływu docelowych użytkowników. Nie zastępuje weryfikacji testami jednostkowymi.",
   "limits_en": "The pilot showed sequential solving roughly doubles cost without a stable change in resolve rate. It requires measuring the target users' flow. It does not replace unit-test verification.",
   "terms": [
    {
     "gloss": "Rozkład długości sesji, typów zadań i przejść między nimi.",
     "term": "przepływ zadań"
    },
    {
     "gloss": "Wynik dopasowania trajektorii do zmierzonego przepływu.",
     "term": "TFAS"
    },
    {
     "gloss": "Dzielenie jednego zadania na kilka kroków interakcji.",
     "term": "prompt splitting"
    }
   ],
   "terms_en": [
    {
     "gloss": "Distribution of session lengths, task types and transitions.",
     "term": "task flow"
    },
    {
     "gloss": "Score of how well a trajectory matches the measured flow.",
     "term": "TFAS"
    },
    {
     "gloss": "Dividing one task into several interaction steps.",
     "term": "prompt splitting"
    }
   ],
   "prereq": [
    "agentsnode"
   ],
   "keywords": [
    "SWE-TaskFlow",
    "task flow",
    "prompt splitting",
    "verifiable QA",
    "TFAS",
    "interaction protocol",
    "coding agent benchmarks",
    "multi-turn evaluation"
   ],
   "source_ids": [
    "swetaskflow-2026"
   ],
   "url": "https://aiatlasgraph.com/t/taskfloweval",
   "markdown_url": "https://aiatlasgraph.com/t/taskfloweval.md",
   "updated": "2026-10-30"
  },
  "taskoutcome": {
   "id": "taskoutcome",
   "parent_id": "voiceevals",
   "label": "Weryfikacja wyniku zadania i narzędzi",
   "canonical_name": "Voice-agent task and tool outcome verification",
   "description": "Ocena porównuje intencję wypowiedzianą przez użytkownika, wywołania narzędzi, końcowy stan systemu i głosowe potwierdzenie agenta.",
   "description_en": "Evaluation compares spoken user intent, tool calls, final system state and the agent's spoken confirmation.",
   "examples": "poprawna rezerwacja · trafne argumenty narzędzia",
   "examples_en": "correct booking · accurate tool arguments",
   "plain": "To sprawdzanie, czy działanie wykonane podczas rozmowy zgadza się z prośbą człowieka i potwierdzeniem asystenta.",
   "plain_en": "This checks whether a spoken task's actual result matches the caller's request and the assistant's confirmation.",
   "solves": "Asystent mówi, że zadanie wykonał, ale dane mogły nie zostać zapisane albo trafić w złe miejsce.",
   "solves_en": "An assistant says a task is done, but the data may be unsaved or stored in the wrong place.",
   "does": "Ocena zestawia wypowiedzianą intencję, użyte narzędzia, stan końcowy systemu i przekazany głosem wynik.",
   "does_en": "An evaluation compares the spoken intention, tool calls, final system state and the result announced aloud.",
   "example": "Po testowej rozmowie sprawdzasz, czy kalendarz zawiera dokładnie wizytę, którą asystent potwierdził klientowi.",
   "example_en": "After a test call, you check whether the calendar contains exactly the appointment the assistant confirmed to the customer.",
   "for_you": [
    "asystent zmienia dane przez narzędzia",
    "potrzebujesz dowodu wykonania zamiast samej deklaracji"
   ],
   "for_you_en": [
    "use an assistant that changes data through tools",
    "need evidence of completion beyond a spoken claim"
   ],
   "how": "Oczekiwany rezultat scenariusza porównuje się z argumentami narzędzi, ich wynikami i końcowym stanem systemu. Treść potwierdzenia głosowego sprawdza się osobno, aby odróżnić wykonane działanie od samej deklaracji agenta.",
   "how_en": "A scenario's expected outcome is compared with tool arguments, results and final system state. Spoken confirmation is checked separately to distinguish completed actions from the agent's claims.",
   "limits": "Poprawny komunikat może ukrywać błędny zapis lub brak wykonania. Niepełny dostęp do stanu zewnętrznego ogranicza ocenę; częściowe sukcesy wymagają jawnej definicji wyniku.",
   "limits_en": "Correct wording can hide incorrect records or missing execution. Incomplete external-state access limits scoring; partial successes need an explicit outcome definition.",
   "terms": [
    {
     "gloss": "Sprawdzalny stan, który powinien wystąpić po wykonaniu zadania.",
     "term": "warunek końcowy"
    },
    {
     "gloss": "Zbieżność wypowiedzianego wyniku z faktycznym rezultatem działania.",
     "term": "zgodność deklaracji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A verifiable state expected after task completion.",
     "term": "postcondition"
    },
    {
     "gloss": "Agreement between the spoken outcome and the action's actual result.",
     "term": "claim consistency"
    }
   ],
   "prereq": [
    "agenteval",
    "codeevals"
   ],
   "keywords": [
    "EVA-Bench",
    "tool argument validation",
    "postcondition checking",
    "task success rate",
    "claim consistency"
   ],
   "source_ids": [
    "eva-bench-voice",
    "livekit-agent-simulations"
   ],
   "url": "https://aiatlasgraph.com/t/taskoutcome",
   "markdown_url": "https://aiatlasgraph.com/t/taskoutcome.md",
   "updated": "2026-10-30"
  },
  "tdlearning": {
   "id": "tdlearning",
   "parent_id": "rlbasics",
   "label": "Uczenie z różnic czasowych (TD) i metody Monte Carlo",
   "canonical_name": "Temporal-difference learning and Monte Carlo methods",
   "aliases": [
    "temporal-difference learning",
    "TD learning",
    "TD(λ)",
    "SARSA",
    "Monte Carlo methods",
    "metody Monte Carlo",
    "różnice czasowe"
   ],
   "description": "Uczenie funkcji wartości z doświadczenia bez modelu środowiska: Monte Carlo uśrednia pełne zwroty z epizodów, a TD aktualizuje oceny po każdym kroku na podstawie oceny następnego stanu.",
   "description_en": "Learning value functions from experience without an environment model: Monte Carlo averages full episode returns, while TD updates estimates after every step using the next state's estimate.",
   "examples": "Monte Carlo · TD(0) · SARSA · TD(λ) · zwroty n-krokowe",
   "examples_en": "Monte Carlo · TD(0) · SARSA · TD(λ) · n-step returns",
   "plain": "To uczenie się oceny sytuacji z własnych prób: po całym przebiegu albo już po każdym kolejnym kroku.",
   "plain_en": "This learns how good situations are from your own attempts: after a whole run, or already after every next step.",
   "solves": "Nie znasz reguł świata, a czekanie z wnioskami do samego końca długiego zadania bardzo spowalnia naukę.",
   "solves_en": "You do not know the world's rules, and waiting until the very end of a long task to draw conclusions slows learning badly.",
   "does": "Działa jak poprawianie prognozy dojazdu w trakcie podróży: każdy przejechany odcinek koryguje wcześniejsze oczekiwanie, zanim dotrzesz na miejsce.",
   "does_en": "It works like updating your arrival estimate during a trip: each stretch you cover corrects the earlier expectation before you get there.",
   "example": "Kierowca szacuje czas powrotu do domu i poprawia go, gdy utknie w korku, zamiast czekać, aż wejdzie do mieszkania.",
   "example_en": "A driver estimates when they will get home and revises it on hitting a traffic jam, instead of waiting until they walk through the door.",
   "for_you": [
    "uczysz program na podstawie prób, bez znajomości reguł",
    "chcesz zrozumieć, jak działają popularne algorytmy oceniające działania",
    "masz długie zadania, w których wynik pojawia się dopiero na końcu"
   ],
   "for_you_en": [
    "train software from trials without knowing the rules",
    "want to understand how popular action-scoring algorithms work",
    "have long tasks where the outcome only appears at the end"
   ],
   "how": "Metody Monte Carlo szacują wartość stanu jako średni zwrot z zakończonych epizodów; nie potrzebują modelu i nie zakładają własności Markowa. TD(0) po każdym przejściu przesuwa ocenę stanu w stronę celu TD, czyli nagrody z jednego kroku plus zdyskontowanej oceny następnego stanu – łączy próbkowanie jak w Monte Carlo z bootstrappingiem jak w programowaniu dynamicznym. Metody pośrednie, np. zwroty n-krokowe i TD(λ), interpolują między TD(0) a Monte Carlo.",
   "how_en": "Monte Carlo methods estimate a state's value as the mean return from finished episodes; they need no model and do not assume the Markov property. TD(0) moves the state's estimate after every transition towards the TD target – the one-step reward plus the discounted estimate of the next state – combining Monte Carlo sampling with dynamic-programming bootstrapping. Intermediate methods such as n-step returns and TD(λ) interpolate between TD(0) and Monte Carlo.",
   "limits": "Monte Carlo ma zwykle dużą wariancję, potrzebuje dużo danych i działa tylko w zadaniach epizodycznych, bo czeka na koniec epizodu. TD jest obciążone, bo na początku zależy od wstępnych ocen, ale ma zwykle mniejszą wariancję. Połączenie bootstrappingu, aproksymacji funkcji i uczenia off-policy (tzw. śmiertelna triada) może prowadzić do rozbieżności ocen.",
   "limits_en": "Monte Carlo usually has high variance, needs a lot of data and only works in episodic tasks, because it waits for the episode to end. TD is biased, since early on it depends on initial estimates, but usually has lower variance. Combining bootstrapping, function approximation and off-policy learning (the so-called deadly triad) can make estimates diverge.",
   "terms": [
    {
     "gloss": "Nagroda z jednego kroku plus zdyskontowana ocena następnego stanu.",
     "term": "cel TD"
    },
    {
     "gloss": "Różnica między celem TD a bieżącą oceną stanu.",
     "term": "błąd TD"
    },
    {
     "gloss": "Aktualizowanie oceny na podstawie innej, również szacowanej oceny.",
     "term": "bootstrapping"
    }
   ],
   "terms_en": [
    {
     "gloss": "The one-step reward plus the discounted estimate of the next state.",
     "term": "TD target"
    },
    {
     "gloss": "The gap between the TD target and the current state estimate.",
     "term": "TD error"
    },
    {
     "gloss": "Updating an estimate from another estimate that is itself learned.",
     "term": "bootstrapping"
    }
   ],
   "prereq": [
    "bellman"
   ],
   "keywords": [
    "TD(0)",
    "TD(lambda)",
    "SARSA",
    "eligibility traces",
    "n-step returns",
    "Monte Carlo prediction",
    "bootstrapping",
    "deadly triad"
   ],
   "source_ids": [
    "sutton-barto-rl-2018",
    "cs234-2026-lecture3",
    "sutton-td-1988",
    "deadly-triad-2018"
   ],
   "url": "https://aiatlasgraph.com/t/tdlearning",
   "markdown_url": "https://aiatlasgraph.com/t/tdlearning.md",
   "updated": "2026-10-30"
  },
  "teleopdata": {
   "id": "teleopdata",
   "parent_id": "robotdata",
   "label": "Teleoperacja i zbiory demonstracji robotów",
   "canonical_name": "Teleoperation and robot demonstration datasets",
   "description": "Zbieranie danych do uczenia robotów: człowiek steruje robotem (np. ramię lider–naśladowca), a nagrania trafiają do wspólnych zbiorów obejmujących wiele typów robotów.",
   "description_en": "Collecting robot-learning data: a human drives the robot (e.g. leader–follower arms) and the recordings go into shared datasets spanning many robot types.",
   "examples": "ALOHA · ramię lider–naśladowca · Open X-Embodiment · LeRobotDataset",
   "examples_en": "ALOHA · leader–follower arms · Open X-Embodiment · LeRobotDataset",
   "plain": "To zbieranie przykładów pracy robota, którym steruje człowiek, żeby później uczyć podobnych działań.",
   "plain_en": "This records examples from a robot controlled by a person so similar actions can be learned later.",
   "solves": "Do nauki robota potrzebujesz pokazów zawierających jednocześnie obraz sytuacji, ruchy i odczyty sprzętu.",
   "solves_en": "Teaching a robot needs demonstrations combining views of the situation, movements and hardware readings.",
   "does": "Zapisuje obserwacje i sterowanie podczas pracy człowieka oraz porządkuje nagrania w zbiór przykładów do uczenia.",
   "does_en": "It records observations and control commands during human operation and organises them into a collection of learning examples.",
   "example": "Sterujesz ramieniem odkładającym talerze, a system zapisuje obrazy i ruchy, z których robot później uczy się zadania.",
   "example_en": "You control an arm putting plates away while a system records images and movements for the robot to learn the task later.",
   "for_you": [
    "możesz pokazać zadanie przez sterowanie robotem",
    "chcesz zebrać zgodne obserwacje i ruchy do uczenia"
   ],
   "for_you_en": [
    "can demonstrate a task by controlling a robot",
    "want paired observations and actions for learning"
   ],
   "how": "Operator steruje robotem, a system synchronizuje obrazy, stan napędów i wykonane akcje. Kalibracja, wspólny zapis jednostek i segmentacja epizodów przygotowują demonstracje do uczenia oraz porównywania różnych platform.",
   "how_en": "An operator controls the robot while the system synchronises images, actuator states and executed actions. Calibration, consistent units and episode segmentation prepare demonstrations for learning and comparison across platforms.",
   "limits": "Opóźnienia i niespójne znaczenie akcji psują pary treningowe. Dane odzwierciedlają styl operatora i możliwości sprzętu; transfer między robotami wymaga zgodności reprezentacji.",
   "limits_en": "Delays and inconsistent action semantics corrupt training pairs. Data reflects operator style and hardware capabilities; cross-robot transfer requires compatible representations.",
   "terms": [
    {
     "gloss": "Zdalne zadawanie robotowi ruchów przez operatora.",
     "term": "teleoperacja"
    },
    {
     "gloss": "Powiązanie pomiarów z tego samego momentu wykonania zadania.",
     "term": "synchronizacja sensorów"
    }
   ],
   "terms_en": [
    {
     "gloss": "An operator remotely commanding robot movements.",
     "term": "teleoperation"
    },
    {
     "gloss": "Aligning measurements corresponding to the same task-execution moment.",
     "term": "sensor synchronisation"
    }
   ],
   "prereq": [
    "supervised",
    "dataversioning"
   ],
   "keywords": [
    "ALOHA",
    "Open X-Embodiment",
    "LeRobotDataset",
    "leader-follower control",
    "sensor synchronization"
   ],
   "source_ids": [
    "aloha-act-2023",
    "open-x-embodiment-2023",
    "lerobot-docs"
   ],
   "url": "https://aiatlasgraph.com/t/teleopdata",
   "markdown_url": "https://aiatlasgraph.com/t/teleopdata.md",
   "updated": "2026-10-30"
  },
  "tensorcores": {
   "id": "tensorcores",
   "parent_id": "compute",
   "label": "Rdzenie tensorowe i niska precyzja",
   "canonical_name": "Tensor cores and low precision",
   "description": "Jednostki do mnożenia macierzy i formaty liczb, które je karmią.",
   "description_en": "Matrix-multiply units and the number formats that feed them.",
   "examples": "FP8 · FP4 · skalowanie blokowe",
   "examples_en": "FP8 · FP4 · block scaling",
   "plain": "To wyspecjalizowane jednostki szybko wykonujące działania na blokach liczb, często zapisanych z mniejszą dokładnością.",
   "plain_en": "These specialised units rapidly operate on number blocks, often stored at lower precision.",
   "solves": "Zwykłe jednostki obliczeniowe wykonują powtarzalne mnożenia modelu wolniej, niż pozwala wyspecjalizowany sprzęt.",
   "solves_en": "General computation units perform repeated model multiplications more slowly than specialised hardware can.",
   "does": "Łączą mnożenie i sumowanie całych bloków; odpowiedni układ danych i obsługiwany format liczb pomagają wykorzystać ich szybkość.",
   "does_en": "They combine multiplication and accumulation across blocks; suitable data layouts and supported number formats help exploit their speed.",
   "example": "W treningu dobierasz obsługiwany format liczb i sprawdzasz, czy mnożenia korzystają z szybkich jednostek karty.",
   "example_en": "During training, you select a supported numerical format and check whether multiplications use the card's fast units.",
   "for_you": [
    "chcesz wykorzystać specjalizowane jednostki karty",
    "dobierasz formaty liczb do obliczeń modelu"
   ],
   "for_you_en": [
    "want to use specialised card units",
    "choose numerical formats for model computations"
   ],
   "how": "Wyspecjalizowana instrukcja wykonuje blokowe mnożenie i akumulację macierzy w obsługiwanych formatach. Kernel przygotowuje kształt oraz układ danych, a precyzja mnożenia i akumulacji może być różna, równoważąc koszt z błędem numerycznym.",
   "how_en": "Specialised instructions perform block matrix multiplication and accumulation in supported formats. Kernels prepare compatible shapes and layouts, while multiplication and accumulation precision can differ to balance cost and numerical error.",
   "limits": "Nie każda operacja lub kształt korzysta z tych jednostek. Zakres i dokładność formatów wpływają na przepełnienia i błędy; konwersje oraz wyrównanie danych mogą ograniczać zysk.",
   "limits_en": "Not every operation or shape uses these units. Format range and precision affect overflow and errors; conversion and alignment costs can limit gains.",
   "terms": [
    {
     "gloss": "Użycie różnych formatów liczbowych na różnych etapach obliczenia.",
     "term": "mieszana precyzja"
    },
    {
     "gloss": "Dodawanie blokowych iloczynów do przechowywanego wyniku.",
     "term": "akumulacja macierzowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Using different numerical formats across computation stages.",
     "term": "mixed precision"
    },
    {
     "gloss": "Adding block products to a retained result.",
     "term": "matrix accumulation"
    }
   ],
   "prereq": [
    "gemm",
    "linearalgebra"
   ],
   "keywords": [
    "FP8",
    "FP4",
    "BF16",
    "block scaling",
    "mixed precision",
    "matrix multiply-accumulate",
    "Transformer Engine"
   ],
   "source_ids": [
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/tensorcores",
   "markdown_url": "https://aiatlasgraph.com/t/tensorcores.md",
   "updated": "2026-10-30"
  },
  "terminalrsi": {
   "id": "terminalrsi",
   "parent_id": "rlvr",
   "label": "Rekurencyjne samoulepszanie agentów terminalowych",
   "canonical_name": "Recursive self-improvement of terminal agents",
   "aliases": [
    "Terminal-RSI",
    "Recursive Self-Rewrite",
    "RSR RPR",
    "trajectory rewrite policy refine"
   ],
   "description": "Metoda post-trainingu, która przeplata uczenie nadzorowane na zweryfikowanych trajektoriach sukcesu z PPO wykorzystującym dziedziczony model wartości.",
   "description_en": "A post-training method alternating supervised learning on verified successful trajectories with PPO using an inherited value model.",
   "plain": "Agent uczy się z własnych udanych prób, przepisuje je i poprawia się w kolejnych rundach.",
   "plain_en": "An agent learns from its own successful trials, rewrites them and improves in successive rounds.",
   "solves": "Agent kończy część zadania, ale nie dochodzi do pełnego, sprawdzonego sukcesu.",
   "solves_en": "The agent finishes part of a task but never reaches full, verified success.",
   "does": "Zapisuje udane ścieżki, uczy się z nich, a potem trenuje politykę z oceną postępu.",
   "does_en": "It records successful paths, learns from them, then trains the policy with progress scoring.",
   "example": "Asystent w terminalu naprawia skrypt. Zapisuje pełne sukcesy i używa ich, żeby w następnej rundzie kończyć trudniejsze zadania.",
   "example_en": "A terminal assistant fixes a script. It records full successes and uses them so the next round finishes harder tasks.",
   "for_you": [
    "asystent kończy proste komendy, ale gubi się w długich zadaniach",
    "chcesz, by agent poprawiał się na podstawie własnych udanych prób",
    "ręczne zbieranie przykładów do treningu trwa za długo"
   ],
   "for_you_en": [
    "assistant finishes simple commands but gets lost on long tasks",
    "want the agent to improve from its own successful trials",
    "manually collecting training examples takes too long"
   ],
   "how": "Recursive Self-Rewrite wybiera zweryfikowane sukcesy, tworzy z nich runbooki, ponownie wykonuje zadania i używa zaakceptowanych trajektorii do SFT aktora przy zamrożonym modelu wartości. Recursive Policy-Refine przejmuje aktora i model wartości, najpierw kalibruje critic, a potem wspólnie trenuje je przez PPO z nagrodami FDR lub SPR. Praca formułuje TB-GAE, lecz nie izoluje jego wkładu, a udokumentowana pierwsza faza używa standardowego GAE.",
   "how_en": "Recursive Self-Rewrite selects verified successes, derives runbooks, reruns tasks and uses accepted trajectories for actor SFT while keeping the value model fixed. Recursive Policy-Refine inherits the actor and value model, calibrates the critic first, then jointly trains them with PPO using FDR or SPR rewards. The paper formulates TB-GAE but does not isolate its contribution, and the documented first phase uses standard GAE.",
   "limits": "Wyniki pochodzą z pięciu etapów jednego modelu 27B; trzy ewaluacje bez niezależnych seedów treningowych nie ustanawiają statystycznej przewagi. Między etapami zmieniają się jednocześnie tempo uczenia, nagroda i inicjalizacja, więc wkładu poszczególnych składników nie wyizolowano. Metoda wymaga wielu wykonań oraz wiarygodnych weryfikatorów, które mogą mieć luki, a filtrowanie trajektorii może usuwać użyteczne zachowania.",
   "limits_en": "Results come from five stages of one 27B model; three evaluations without independent training seeds do not establish statistical superiority. Learning rates, rewards and initialization change together across stages, so individual component effects are not isolated. The method requires many executions and reliable verifiers that may contain gaps, while trajectory filtering can discard useful behaviour.",
   "terms": [
    {
     "gloss": "Przepisanie zweryfikowanych sukcesów do uczenia nadzorowanego aktora.",
     "term": "Recursive Self-Rewrite"
    },
    {
     "gloss": "Trening PPO z dziedziczonym criticiem i specjalnymi nagrodami.",
     "term": "Recursive Policy-Refine"
    },
    {
     "gloss": "Szacowanie przewagi z zanikiem tylko na granicach tur.",
     "term": "TB-GAE"
    }
   ],
   "terms_en": [
    {
     "gloss": "Rewriting verified successes into supervised training for the actor.",
     "term": "Recursive Self-Rewrite"
    },
    {
     "gloss": "PPO training with an inherited critic and specialized rewards.",
     "term": "Recursive Policy-Refine"
    },
    {
     "gloss": "Advantage estimation with decay only at turn boundaries.",
     "term": "TB-GAE"
    }
   ],
   "prereq": [
    "sft",
    "ppo"
   ],
   "keywords": [
    "Terminal-RSI",
    "Recursive Self-Rewrite",
    "Recursive Policy-Refine",
    "TB-GAE",
    "Family Dense Reward",
    "Success-Prioritized Reward",
    "terminal agent RL"
   ],
   "source_ids": [
    "terminal-rsi-2026"
   ],
   "url": "https://aiatlasgraph.com/t/terminalrsi",
   "markdown_url": "https://aiatlasgraph.com/t/terminalrsi.md",
   "updated": "2026-10-30"
  },
  "testtime": {
   "id": "testtime",
   "parent_id": "reasoningmodels",
   "label": "Obliczenia w czasie wnioskowania",
   "canonical_name": "Test-time compute scaling",
   "description": "Dawanie modelowi większego budżetu obliczeń przy odpowiedzi — bez zmiany wag: wiele prób naraz, kolejne poprawki, przeszukiwanie z weryfikatorem albo po prostu dłuższe myślenie.",
   "description_en": "Giving a model a bigger compute budget at answer time — without changing weights: many attempts in parallel, successive revisions, verifier-guided search, or simply thinking longer.",
   "examples": "równolegle · sekwencyjnie · hybrydowo · MCTS · PRM",
   "examples_en": "parallel · sequential · hybrid · MCTS · PRM",
   "plain": "To poświęcanie dodatkowych obliczeń na przygotowanie odpowiedzi bez ponownego uczenia modelu.",
   "plain_en": "This spends additional computation preparing an answer without retraining the model.",
   "solves": "Jedna szybka próba nie wystarcza w trudnym zadaniu, ale nie możesz zmieniać samego modelu.",
   "solves_en": "One quick attempt is insufficient for a difficult task, but you cannot change the model itself.",
   "does": "System może wydłużyć rozumowanie, wygenerować kilka prób, poprawiać odpowiedź lub przeszukiwać kroki z oceną ich jakości.",
   "does_en": "A system can extend reasoning, generate several attempts, revise an answer or search through evaluated solution steps.",
   "example": "Przy trudnym planie pakowania dajesz modelowi więcej czasu na próby i sprawdzasz wybrane rozwiązanie.",
   "example_en": "For a difficult packing plan, you give a model more time for attempts and check the selected solution.",
   "for_you": [
    "trudne zadania wymagają więcej prób",
    "możesz zamienić dodatkowy koszt na szansę lepszej odpowiedzi"
   ],
   "for_you_en": [
    "handle difficult tasks needing more attempts",
    "can trade extra cost for potentially better answers"
   ],
   "how": "Bez aktualizacji wag sterownik wydaje dodatkowe obliczenia na więcej próbek, kolejne rewizje lub rozwijanie częściowych rozwiązań. Ocena i reguły zatrzymania wybierają wynik oraz rozdzielają budżet pomiędzy długość pojedynczej ścieżki i liczbę prób.",
   "how_en": "Without updating weights, a controller spends extra computation on more samples, successive revisions or partial-solution expansion. Evaluation and stopping rules select outputs and allocate budget between individual path length and trial count.",
   "limits": "Więcej obliczeń nie pomaga, jeśli model nie generuje użytecznych kandydatów lub ocena ich nie rozróżnia. Koszt i opóźnienie rosną, a wynik zależy od trudności zadania.",
   "limits_en": "Extra computation cannot help if models produce no useful candidates or scoring cannot distinguish them. Cost and latency rise, and outcomes depend on task difficulty.",
   "terms": [
    {
     "gloss": "Zasoby przydzielone do rozwiązania jednego zadania podczas generowania.",
     "term": "budżet inferencji"
    },
    {
     "gloss": "Warunek kończący generowanie lub dalsze ocenianie kandydatów.",
     "term": "reguła zatrzymania"
    }
   ],
   "terms_en": [
    {
     "gloss": "Resources allocated to solving one task during generation.",
     "term": "inference budget"
    },
    {
     "gloss": "A condition ending generation or further candidate evaluation.",
     "term": "stopping rule"
    }
   ],
   "prereq": [
    "decoding",
    "evalstats"
   ],
   "keywords": [
    "inference budgets",
    "self-consistency",
    "best-of-N",
    "sequential refinement",
    "MCTS",
    "PRM-guided search",
    "early stopping",
    "budget forcing",
    "frozen weights"
   ],
   "source_ids": [
    "mlabonne-llm-course",
    "raschka-reasoning-llms",
    "tts-survey-2025",
    "snell-ttc-2024"
   ],
   "url": "https://aiatlasgraph.com/t/testtime",
   "markdown_url": "https://aiatlasgraph.com/t/testtime.md",
   "updated": "2026-10-30"
  },
  "testtimeadapt": {
   "id": "testtimeadapt",
   "parent_id": "training",
   "label": "Uczenie w czasie testu",
   "canonical_name": "Test-time training",
   "aliases": [
    "TTT",
    "test-time adaptation",
    "uczenie na próbce testowej"
   ],
   "description": "Aktualizacja części parametrów na nieoznakowanej próbce testowej, przed właściwą predykcją.",
   "description_en": "Updating part of the parameters on an unlabeled test sample before the actual prediction.",
   "plain": "Model na chwilę doucza się na bieżącym przykładzie, zanim poda odpowiedź, bez gotowej etykiety.",
   "plain_en": "A model briefly trains on the current example before answering, without a ready-made label.",
   "solves": "Świat w użyciu różni się od danych treningowych, a pełne uczenie od nowa jest za wolne albo niemożliwe.",
   "solves_en": "The world in use differs from training data, and full retraining is too slow or impossible.",
   "does": "Z bieżącej próbki robi się ćwiczenie bez etykiety, a krótka aktualizacja wag poprzedza właściwą odpowiedź.",
   "does_en": "The current sample becomes an unlabeled exercise, and a short weight update precedes the real answer.",
   "example": "Zdjęcie w nietypowym świetle model najpierw krótko doucza się na tym jednym kadrze, a potem podaje klasę.",
   "example_en": "For a photo in unusual light, the model briefly trains on that single frame, then names the class.",
   "for_you": [
    "dane w użyciu różnią się od treningu",
    "możesz poczekać na krótką aktualizację",
    "nie masz etykiety właściwej odpowiedzi"
   ],
   "for_you_en": [
    "live data differs from training",
    "can wait for a short update",
    "lack a label for the right answer"
   ],
   "how": "Próbka testowa staje się zadaniem samonadzorowanym: model przewiduje przekształcenie, maskę albo następny fragment. Kroki gradientu zmieniają wybrane wagi albo stan wewnętrzny, a potem sieć liczy zadanie główne. Aktualizacje dotyczą jednego przykładu albo strumienia.",
   "how_en": "A test sample becomes a self-supervised task: the model predicts a transform, a mask or the next fragment. Gradient steps change selected weights or an internal state, then the network computes the main task. Updates cover one example or a stream.",
   "limits": "Zły cel pomocniczy może przesunąć wagi w złą stronę i pogorszyć zadanie główne. Każda próbka kosztuje dodatkowe kroki, a nieostrożne aktualizacje mogą kumulować błędy. Trzeba wybrać, które parametry wolno zmieniać.",
   "limits_en": "A poor auxiliary objective can shift weights in the wrong direction and hurt the main task. Each sample costs extra steps, and careless updates can accumulate errors. You must choose which parameters may change.",
   "terms": [
    {
     "gloss": "Cel bez etykiety, liczony na bieżącej próbce przed odpowiedzią.",
     "term": "zadanie pomocnicze"
    },
    {
     "gloss": "Różnica między danymi treningu a danymi w użyciu.",
     "term": "przesunięcie rozkładu"
    }
   ],
   "terms_en": [
    {
     "gloss": "An unlabeled objective computed on the current sample before the answer.",
     "term": "auxiliary task"
    },
    {
     "gloss": "A difference between training data and data in use.",
     "term": "distribution shift"
    }
   ],
   "prereq": [
    "continual",
    "visionssl"
   ],
   "keywords": [
    "test-time training",
    "self-supervised adaptation",
    "one-sample learning",
    "online test-time training",
    "distribution shift",
    "auxiliary task",
    "TTT-Online",
    "parameter update at inference"
   ],
   "source_ids": [
    "sun-ttt-2020",
    "sun-tttlayers-2024",
    "zhang-jepattt-2026"
   ],
   "url": "https://aiatlasgraph.com/t/testtimeadapt",
   "markdown_url": "https://aiatlasgraph.com/t/testtimeadapt.md",
   "updated": "2026-10-30"
  },
  "textclassification": {
   "id": "textclassification",
   "parent_id": "nlp",
   "label": "Klasyfikacja tekstu i analiza sentymentu",
   "canonical_name": "Text classification and sentiment analysis",
   "aliases": [
    "text classification",
    "sentiment analysis",
    "opinion mining",
    "zero-shot classification",
    "intent detection",
    "klasyfikacja tekstu",
    "analiza sentymentu",
    "analiza wydźwięku"
   ],
   "description": "Przypisywanie tekstowi jednej lub kilku etykiet: sentyment, temat, spam, intencja. Dziś dostrojonym enkoderem albo bez treningu — klasyfikacją zero-shot (przez wnioskowanie językowe, NLI) lub promptem do LLM.",
   "description_en": "Assigning one or more labels to a text: sentiment, topic, spam, intent. Done today with a fine-tuned encoder or without task training — NLI-based zero-shot classification or prompting an LLM.",
   "examples": "analiza sentymentu · wykrywanie spamu · rozpoznawanie intencji · NLI · klasyfikacja zero-shot · dostrojony enkoder (BERT)",
   "examples_en": "sentiment analysis · spam detection · intent detection · NLI · zero-shot classification · fine-tuned encoder (BERT)",
   "plain": "To automatyczne przypisywanie tekstom etykiet, na przykład czy opinia jest pozytywna, a wiadomość to spam.",
   "plain_en": "This automatically labels texts, for example whether a review is positive or a message is spam.",
   "solves": "Codziennie spływają setki opinii, zgłoszeń i maili, a ręczne sortowanie ich zajmuje godziny i bywa niekonsekwentne.",
   "solves_en": "Hundreds of reviews, tickets and emails arrive every day, and sorting them by hand takes hours and is inconsistent.",
   "does": "Działa jak sortownia na poczcie: patrzy na słowa i ich układ, po czym wrzuca tekst do właściwej przegródki.",
   "does_en": "It works like a post-office sorting room: it looks at the words and how they are arranged, then drops the text into the right slot.",
   "example": "Sklep internetowy sam oznacza recenzje jako zadowolone lub rozczarowane i pokazuje obsłudze najpierw te najbardziej krytyczne.",
   "example_en": "An online shop tags reviews as happy or disappointed and shows the most critical ones to staff first.",
   "for_you": [
    "dostajesz dużo wiadomości, które trzeba rozdzielić",
    "chcesz wiedzieć, co ludzie myślą o twoim produkcie",
    "kierujesz zgłoszenia do właściwych osób"
   ],
   "for_you_en": [
    "receive many messages that need sorting",
    "want to know what people think of your product",
    "route requests to the right people"
   ],
   "how": "Reprezentacja tekstu zasila głowicę przewidującą kategorie lub wiele niezależnych etykiet. Wariant bez dostrajania porównuje tekst z opisami kategorii albo poleca modelowi wygenerować ocenę według promptu.",
   "how_en": "Text representations feed a head predicting categories or multiple independent labels. Without fine-tuning, methods compare text against category descriptions or prompt a model to generate an assessment.",
   "limits": "Ironia, zmiana domeny i niejednoznaczne etykiety pogarszają wyniki. Klasyfikacja zero-shot zależy od opisów kategorii; pewność modelu wymaga osobnej kalibracji.",
   "limits_en": "Irony, domain shifts and ambiguous labels harm results. Zero-shot classification depends on category descriptions; confidence requires separate calibration.",
   "terms": [
    {
     "gloss": "Przypisywanie wielu etykiet, które mogą być prawdziwe jednocześnie.",
     "term": "multi-label"
    },
    {
     "gloss": "Ocena, czy tekst wspiera, przeczy lub nie rozstrzyga innego twierdzenia.",
     "term": "NLI"
    }
   ],
   "terms_en": [
    {
     "gloss": "Assigning multiple labels that may be true simultaneously.",
     "term": "multi-label"
    },
    {
     "gloss": "Assessing whether text supports, contradicts or leaves another statement unresolved.",
     "term": "NLI"
    }
   ],
   "prereq": [
    "supervised",
    "transformers"
   ],
   "keywords": [
    "BERT",
    "natural language inference",
    "zero-shot classification",
    "multi-label classification",
    "sentiment polarity",
    "intent classification"
   ],
   "source_ids": [
    "hf-tasks-nlp",
    "hf-task-text-classification",
    "hf-task-zero-shot-classification",
    "jurafsky-martin-slp3"
   ],
   "url": "https://aiatlasgraph.com/t/textclassification",
   "markdown_url": "https://aiatlasgraph.com/t/textclassification.md",
   "updated": "2026-10-30"
  },
  "textembeddings": {
   "id": "textembeddings",
   "parent_id": "representations",
   "label": "Embeddingi zdań i dokumentów (modele embeddingowe)",
   "canonical_name": "Sentence and document embeddings (embedding models)",
   "aliases": [
    "sentence embeddings",
    "text embeddings",
    "embedding model",
    "model embeddingowy",
    "Sentence-BERT",
    "SBERT",
    "bi-encoder",
    "MTEB",
    "dense embeddings"
   ],
   "description": "Modele zamieniające całe zdanie lub fragment dokumentu w wektor porównywany np. podobieństwem kosinusowym. Są powszechnie używane w wyszukiwaniu semantycznym i potokach RAG, a także w klasteryzacji i deduplikacji; modele embeddingowe porównuje się m.in. na benchmarku MTEB. Uzupełniają je cross-encodery do rerankingu i reprezentacje wielowektorowe.",
   "description_en": "Models that turn a whole sentence or document chunk into a vector compared, for example, with cosine similarity. They are commonly used in semantic retrieval and RAG pipelines, as well as clustering and deduplication; embedding models are compared on benchmarks such as MTEB. Cross-encoders for reranking and multi-vector representations complement them.",
   "examples": "Sentence-BERT · bi-encoder vs cross-encoder · benchmark MTEB · embeddingi wielowektorowe (ColBERT)",
   "examples_en": "Sentence-BERT · bi-encoder vs cross-encoder · MTEB benchmark · multi-vector embeddings (ColBERT)",
   "plain": "To zamienianie całych zdań lub fragmentów dokumentów w liczbowy zapis ich treści.",
   "plain_en": "This turns whole sentences or document passages into numerical representations of their content.",
   "solves": "Szukasz dokumentu opisującego twoją sprawę, ale zawiera on inne słowa niż twoje pytanie.",
   "solves_en": "You need a document about your issue, but it uses different words from your question.",
   "does": "Model zapisuje tekst jako zestaw liczb, a porównanie tych zestawów pozwala wyszukać podobne treści lub połączyć je w grupy.",
   "does_en": "A model encodes text as numbers, and comparing these representations helps retrieve similar content or group it together.",
   "example": "Pytasz o zwrot pieniędzy, a wyszukiwarka znajduje instrukcję reklamacji mimo odmiennego sformułowania.",
   "example_en": "You ask about getting your money back, and a search tool finds the refund policy despite different wording.",
   "for_you": [
    "przeszukujesz dokumenty według znaczenia",
    "grupujesz podobne teksty lub usuwasz powtórzenia"
   ],
   "for_you_en": [
    "search documents by meaning",
    "group similar texts or remove duplicates"
   ],
   "how": "Enkoder przetwarza tokeny, a pooling lub specjalny token agreguje je do reprezentacji fragmentu. Cel kontrastywny albo podobieństwo par uczy geometrii, w której zapytania i odpowiednie teksty mają uzyskiwać wysoką zgodność.",
   "how_en": "An encoder processes tokens, and pooling or a special token aggregates them into a passage representation. Contrastive or pair-similarity training learns geometry where queries and relevant texts should match strongly.",
   "limits": "Długość wejścia i sposób agregacji ograniczają zachowaną treść. Bliskość nie sprawdza prawdziwości; zmiana języka, dziedziny lub enkodera wymaga ponownej oceny wyszukiwania.",
   "limits_en": "Input length and aggregation limit retained content. Proximity does not verify truth; language, domain or encoder changes require retrieval reassessment.",
   "terms": [
    {
     "gloss": "Agregacja reprezentacji tokenów do jednego wektora fragmentu.",
     "term": "pooling tekstu"
    },
    {
     "gloss": "Porównanie kierunków wektorów niezależnie od ich długości.",
     "term": "podobieństwo kosinusowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "Aggregating token representations into one passage vector.",
     "term": "text pooling"
    },
    {
     "gloss": "Comparing vector directions independently of their lengths.",
     "term": "cosine similarity"
    }
   ],
   "prereq": [
    "tokenization",
    "linearalgebra"
   ],
   "keywords": [
    "Sentence-BERT",
    "bi-encoders",
    "cross-encoders",
    "MTEB",
    "ColBERT",
    "cosine similarity"
   ],
   "source_ids": [
    "sentence-bert-2019",
    "mteb-2022",
    "sbert-docs"
   ],
   "url": "https://aiatlasgraph.com/t/textembeddings",
   "markdown_url": "https://aiatlasgraph.com/t/textembeddings.md",
   "updated": "2026-10-30"
  },
  "textextraction": {
   "id": "textextraction",
   "parent_id": "cleaning",
   "label": "Ekstrakcja tekstu ze stron i PDF",
   "canonical_name": "Text extraction from HTML and PDFs",
   "aliases": [
    "HTML extraction",
    "boilerplate removal",
    "PDF OCR"
   ],
   "description": "Wyciąganie właściwej treści z surowych stron i dokumentów: usuwanie menu, stopek i reklam, zamiana PDF (także skanów) na czysty tekst z zachowaniem struktury.",
   "description_en": "Pulling the actual content out of raw pages and documents: removing menus, footers and ads, turning PDFs (including scans) into clean text while keeping structure.",
   "examples": "Trafilatura · usuwanie boilerplate · OCR modelem wizyjnym (olmOCR) · tabele i wzory",
   "examples_en": "Trafilatura · boilerplate removal · OCR with a vision model (olmOCR) · tables and equations",
   "plain": "To wydobywanie właściwego tekstu ze stron, skanów i dokumentów.",
   "plain_en": "This extracts the useful text from pages, scans and documents.",
   "solves": "Potrzebna treść ginie między menu i reklamami albo jest zapisana jako obraz, którego nie można przeszukać.",
   "solves_en": "Useful content is mixed with menus and adverts or stored as an image that cannot be searched.",
   "does": "Oddziela główną treść od dodatków i rozpoznaje tekst na obrazach, próbując zachować nagłówki, akapity oraz tabele.",
   "does_en": "It separates main content from surrounding clutter and reads text in images, trying to preserve headings, paragraphs and tables.",
   "example": "Zeskanowaną instrukcję przerabiasz na tekst, żeby asystent mógł znaleźć rozdział o wymianie filtra.",
   "example_en": "You turn a scanned manual into text so an assistant can find the section about replacing a filter.",
   "for_you": [
    "masz skany, których nie można przeszukać",
    "chcesz wyciągnąć artykuł bez menu i reklam"
   ],
   "for_you_en": [
    "have scans that cannot be searched",
    "want an article's text without menus and adverts"
   ],
   "how": "Parser dokumentu odtwarza strukturę, a reguły lub modele oddzielają treść główną od nawigacji. Przy skanach rozpoznawanie znaków i układu rekonstruuje tekst, kolejność czytania oraz powiązania tabel.",
   "how_en": "A document parser recovers structure, while rules or models separate main content from navigation. For scans, character and layout recognition reconstruct text, reading order and table relationships.",
   "limits": "Złożone kolumny, wzory i uszkodzone skany powodują utratę struktury. Ekstrakcja może wyglądać poprawnie mimo pominiętych fragmentów, dlatego potrzebuje kontroli kompletności.",
   "limits_en": "Complex columns, formulas and damaged scans can lose structure. Extraction may look correct despite omitted passages, so completeness checks are necessary.",
   "terms": [
    {
     "gloss": "Powtarzalne elementy strony, takie jak menu, stopki i bannery.",
     "term": "boilerplate"
    },
    {
     "gloss": "Sekwencja bloków tekstu wynikająca z układu dokumentu.",
     "term": "kolejność czytania"
    }
   ],
   "terms_en": [
    {
     "gloss": "Repeated page elements such as menus, footers and banners.",
     "term": "boilerplate"
    },
    {
     "gloss": "The sequence of text blocks implied by document layout.",
     "term": "reading order"
    }
   ],
   "prereq": [
    "webcrawl"
   ],
   "keywords": [
    "Trafilatura",
    "olmOCR",
    "boilerplate removal",
    "reading order",
    "table extraction",
    "OCR"
   ],
   "source_ids": [
    "trafilatura-docs",
    "olmocr-2025",
    "datatrove-github"
   ],
   "url": "https://aiatlasgraph.com/t/textextraction",
   "markdown_url": "https://aiatlasgraph.com/t/textextraction.md",
   "updated": "2026-10-30"
  },
  "textgenmetrics": {
   "id": "textgenmetrics",
   "parent_id": "metrics",
   "label": "Porównanie tekstu z wzorcem (BLEU, ROUGE, BERTScore)",
   "canonical_name": "Reference-based text generation metrics",
   "aliases": [
    "BLEU",
    "ROUGE",
    "BERTScore",
    "METEOR",
    "reference-based metrics"
   ],
   "description": "Automatyczna ocena wygenerowanego tekstu przez porównanie z odpowiedzią wzorcową — od liczenia wspólnych słów po podobieństwo znaczeń w embeddingach.",
   "description_en": "Automatic scoring of generated text by comparing it to a reference answer — from counting shared words to meaning similarity in embeddings.",
   "examples": "BLEU (tłumaczenie) · ROUGE (streszczenia) · BERTScore · dokładne dopasowanie",
   "examples_en": "BLEU (translation) · ROUGE (summaries) · BERTScore · exact match",
   "plain": "To automatyczne porównywanie wygenerowanego tekstu z przygotowaną odpowiedzią wzorcową.",
   "plain_en": "This automatically compares generated text with a prepared reference answer.",
   "solves": "Masz wiele tłumaczeń lub streszczeń do sprawdzenia, a ocenianie każdego ręcznie zajmuje dużo czasu.",
   "solves_en": "You have many translations or summaries to check, and rating each one manually takes time.",
   "does": "Porównuje wspólne słowa, fragmenty lub podobieństwo znaczenia; wysoki wynik nie gwarantuje prawdziwości ani pełnej przydatności tekstu.",
   "does_en": "It compares shared words, passages or meaning similarity; a high score does not guarantee truthfulness or full usefulness.",
   "example": "Porównujesz streszczenie spotkania z notatką wzorcową, a rozbieżności sprawdzasz w nagraniu, zamiast uznawać podobieństwo słów za dowód poprawności.",
   "example_en": "You compare a meeting summary with reference notes, then check differences against the recording rather than treating similar wording as proof of correctness.",
   "for_you": [
    "masz odpowiedzi wzorcowe do porównania tekstów",
    "chcesz wstępnie oceniać wiele tłumaczeń lub streszczeń"
   ],
   "for_you_en": [
    "have reference answers for comparing texts",
    "want preliminary scores for many translations or summaries"
   ],
   "how": "Ocena porównuje wygenerowany tekst z referencją przez nakładanie n-gramów lub dopasowanie embeddingów tokenów. Wyniki łączy się po przykładach, uwzględniając reguły długości i normalizacji właściwe danej metryce.",
   "how_en": "Scoring compares generated text with references through n-gram overlap or token-embedding matching. Results are aggregated across examples using the metric's length and normalisation rules.",
   "limits": "Poprawna odpowiedź może znacznie różnić się od referencji. Podobieństwo słów lub embeddingów nie potwierdza prawdziwości, a wyniki zależą od tokenizacji i dostępnych wzorców.",
   "limits_en": "A correct answer may differ greatly from its reference. Word or embedding similarity does not establish truth, and results depend on tokenisation and available references.",
   "terms": [
    {
     "gloss": "Ciąg kolejnych tokenów używany do porównywania fragmentów tekstu.",
     "term": "n-gram"
    },
    {
     "gloss": "Wzorcowy tekst, z którym metryka porównuje wygenerowaną odpowiedź.",
     "term": "odpowiedź referencyjna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A sequence of consecutive tokens used to compare text segments.",
     "term": "n-gram"
    },
    {
     "gloss": "A target text against which a metric compares generated answers.",
     "term": "reference answer"
    }
   ],
   "prereq": [
    "tokenization",
    "textembeddings"
   ],
   "keywords": [
    "BLEU",
    "ROUGE",
    "BERTScore",
    "exact match",
    "n-gram overlap"
   ],
   "source_ids": [
    "bertscore-2019",
    "papineni-bleu-2002",
    "lin-rouge-2004"
   ],
   "url": "https://aiatlasgraph.com/t/textgenmetrics",
   "markdown_url": "https://aiatlasgraph.com/t/textgenmetrics.md",
   "updated": "2026-10-30"
  },
  "textmotion": {
   "id": "textmotion",
   "parent_id": "charanimation",
   "label": "Generowanie ruchu postaci z opisu tekstowego",
   "canonical_name": "Text-to-motion generation",
   "aliases": [
    "text-to-motion generation",
    "text-conditioned motion generation",
    "generowanie ruchu z tekstu",
    "generowanie ruchu warunkowane tekstem"
   ],
   "description": "Modele generatywne, najczęściej dyfuzyjne transformery, tworzące sekwencje póz szkieletu warunkowane tekstem, etykietą akcji lub innymi sygnałami.",
   "description_en": "Generative models, most often diffusion transformers, producing skeleton pose sequences conditioned on text, an action label or other signals.",
   "plain": "Wpisujesz zdanie w rodzaju „osoba podskakuje i macha ręką”, a model tworzy animację ruchu całego ciała.",
   "plain_en": "You type a sentence like 'a person hops and waves', and a model creates an animation of full-body movement.",
   "solves": "Nagrywanie aktora w studiu ruchu dla każdej drobnej czynności jest drogie, a małe zespoły nie mają do niego dostępu.",
   "solves_en": "Recording an actor in a motion studio for every small action is costly, and small teams cannot access one.",
   "does": "Jak szkic choreografa: z opisu powstaje pierwszy ruch, który animator może potem poprawić albo przerobić.",
   "does_en": "Like a choreographer's sketch: a first movement emerges from the description, which an animator can then refine or rework.",
   "example": "Twórca niezależnej gry wpisuje „strażnik ziewa i przeciąga się” i dostaje gotowy klip dla postaci w tle.",
   "example_en": "An indie game maker types 'a guard yawns and stretches' and gets a ready clip for a background character.",
   "for_you": [
    "potrzebujesz animacji bez dostępu do studia ruchu",
    "prototypujesz sceny w grze lub filmie",
    "śledzisz modele generatywne poza obrazem i tekstem"
   ],
   "for_you_en": [
    "need animation without access to a motion studio",
    "prototype scenes for a game or film",
    "follow generative models beyond images and text"
   ],
   "how": "Model dyfuzyjny uczy się odszumiać całe sekwencje póz, warunkowany osadzeniem tekstu i wytycznymi bez klasyfikatora. Przewidując czysty ruch zamiast szumu, może korzystać ze strat geometrycznych na pozycjach i prędkościach stawów, w tym ze straty kontaktu stóp z podłożem.",
   "how_en": "A diffusion model learns to denoise whole pose sequences, conditioned on a text embedding with classifier-free guidance. By predicting clean motion rather than noise, it can use geometric losses on joint positions and velocities, including a foot-contact loss.",
   "limits": "Praca źródłowa ocenia generowanie ruchu z tekstu lub etykiety akcji, a nie sterowanie postacią w konkretnej scenie. Model nie otrzymuje geometrii otoczenia ani fizyki, a generowanie dyfuzyjne wymaga wielu kroków odszumiania.",
   "limits_en": "The cited work evaluates motion generation from text or an action label, not control of a character in a particular scene. The model receives neither scene geometry nor physics, and diffusion generation requires multiple denoising steps.",
   "terms": [
    {
     "gloss": "Ruch zapisany jako kolejne pozycje stawów szkieletu.",
     "term": "sekwencja póz"
    },
    {
     "gloss": "Sposób wzmacniania wpływu opisu na wynik generowania.",
     "term": "wytyczne bez klasyfikatora"
    },
    {
     "gloss": "Uzupełnianie brakującego fragmentu animacji pomiędzy znanymi pozami.",
     "term": "inpainting ruchu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Motion stored as successive skeleton joint positions.",
     "term": "pose sequence"
    },
    {
     "gloss": "A way to strengthen the prompt's influence on the generated output.",
     "term": "classifier-free guidance"
    },
    {
     "gloss": "Filling in a missing animation segment between known poses.",
     "term": "motion inpainting"
    }
   ],
   "prereq": [
    "diffusion",
    "transformers"
   ],
   "keywords": [
    "Motion Diffusion Model",
    "MDM",
    "HumanML3D",
    "T2M-GPT",
    "MotionGPT",
    "MoMask",
    "classifier-free guidance",
    "SMPL"
   ],
   "source_ids": [
    "tevet-mdm-2022"
   ],
   "url": "https://aiatlasgraph.com/t/textmotion",
   "markdown_url": "https://aiatlasgraph.com/t/textmotion.md",
   "updated": "2026-10-30"
  },
  "texttoimage": {
   "id": "texttoimage",
   "parent_id": "imagegen",
   "label": "Generowanie obrazów z opisu tekstowego",
   "canonical_name": "Text-to-image generation",
   "aliases": [
    "text-to-image",
    "T2I",
    "AI image generation",
    "prompt to image",
    "tekst na obraz",
    "generowanie obrazów z tekstu",
    "grafika AI"
   ],
   "description": "Tworzenie obrazu z opisu tekstowego. Wiele współczesnych systemów wykorzystuje dyfuzję latentną albo transformatory trenowane metodami przepływowymi. Ocenia się m.in. zgodność z opisem i jakość obrazu; część narzędzi udostępnia ustawienia takie jak siła prowadzenia, prompt negatywny lub ziarno losowe.",
   "description_en": "Creating an image from a text description. Many contemporary systems use latent diffusion or transformers trained with flow-based objectives. Evaluation includes prompt adherence and image quality; some tools expose settings such as guidance scale, negative prompts or a random seed.",
   "examples": "prompt i prompt negatywny · guidance scale · ziarno (seed) · napisy w obrazie · Stable Diffusion/SDXL · FLUX.1 · Qwen-Image · FID, CLIP score",
   "examples_en": "prompt and negative prompt · guidance scale · seed · text rendering in images · Stable Diffusion/SDXL · FLUX.1 · Qwen-Image · FID, CLIP score",
   "plain": "To tworzenie obrazu od zera na podstawie kilku zdań opisu.",
   "plain_en": "This creates a picture from scratch based on a few sentences of description.",
   "solves": "Masz w głowie konkretny obraz, ale nie potrafisz go narysować ani znaleźć wśród gotowych zdjęć.",
   "solves_en": "You have a specific picture in mind but cannot draw it or find it among existing photos.",
   "does": "Model łączy opis z poznanymi wzorami wyglądu i stopniowo tworzy pasujący obraz; precyzyjne układy mogą wymagać dodatkowych wskazówek.",
   "does_en": "A model connects the description to learned visual patterns and gradually creates a matching image; precise layouts may need extra guidance.",
   "example": "Przed urodzinami dziecka tworzysz zaproszenie z jego ulubionym dinozaurem w stroju astronauty, opisując to jednym zdaniem.",
   "example_en": "Before a child's birthday you make an invitation showing their favourite dinosaur in a spacesuit, described in one sentence.",
   "for_you": [
    "szukasz ilustracji do tekstu lub prezentacji",
    "chcesz szybko sprawdzić kilka pomysłów wizualnych",
    "uczysz się, jak pisać dobre opisy obrazów"
   ],
   "for_you_en": [
    "need illustrations for a text or presentation",
    "want to try several visual ideas quickly",
    "are learning to write good image descriptions"
   ],
   "how": "Enkoder tekstu warunkuje generator przekształcający szum lub tokeny w strukturę obrazu. Opcjonalne guidance zmienia siłę tego warunku podczas kolejnych kroków, a dekoder odtwarza wynik w przestrzeni pikseli.",
   "how_en": "A text encoder conditions a generator transforming noise or tokens into image structure. Guidance adjusts conditioning strength across generation steps, and a decoder recovers pixel-space outputs.",
   "limits": "Silniejsze guidance może pogorszyć różnorodność i tworzyć artefakty. Złożone relacje, tekst na obrazie oraz wiele obiektów wymagają osobnej oceny zgodności z poleceniem.",
   "limits_en": "Stronger guidance can reduce diversity and create artifacts. Complex relationships, embedded text and multiple objects require separate prompt-adherence checks.",
   "terms": [
    {
     "gloss": "Sterowanie kierunkiem generowania przez wzmocnienie wybranego warunku.",
     "term": "guidance"
    },
    {
     "gloss": "Stan generatora losowego pozwalający odtworzyć część procesu próbkowania.",
     "term": "seed"
    }
   ],
   "terms_en": [
    {
     "gloss": "Guiding generation by strengthening a selected condition.",
     "term": "guidance"
    },
    {
     "gloss": "A random-generator state enabling parts of sampling to be reproduced.",
     "term": "seed"
    }
   ],
   "prereq": [
    "diffusion",
    "flowmatching"
   ],
   "keywords": [
    "Stable Diffusion",
    "SDXL",
    "Qwen-Image",
    "classifier-free guidance",
    "negative prompts",
    "guidance scale",
    "random seed",
    "CLIPScore"
   ],
   "source_ids": [
    "hf-task-text-to-image",
    "hf-diffusers-text-to-image",
    "qwen-image-2025"
   ],
   "url": "https://aiatlasgraph.com/t/texttoimage",
   "markdown_url": "https://aiatlasgraph.com/t/texttoimage.md",
   "updated": "2026-10-30"
  },
  "theoremproving": {
   "id": "theoremproving",
   "parent_id": "logic",
   "label": "Automatyczne dowodzenie twierdzeń (Lean)",
   "canonical_name": "Automated and formal theorem proving (Lean)",
   "description": "Modele generują formalne dowody sprawdzane przez jądro systemu takiego jak Lean. Weryfikacja potwierdza poprawność zaakceptowanego dowodu względem sformalizowanego twierdzenia, zadeklarowanych aksjomatów i zaufanego jądra; poprawność autoformalizacji pozostaje osobnym zagadnieniem.",
   "description_en": "Models generate formal proofs checked by the kernel of a system such as Lean. Verification establishes that an accepted proof is correct relative to the formalized statement, declared axioms, and trusted kernel; the faithfulness of autoformalization remains a separate issue.",
   "examples": "Lean 4 · autoformalizacja · miniF2F · zadania olimpijskie",
   "examples_en": "Lean 4 · autoformalisation · miniF2F · olympiad problems",
   "plain": "To szukanie i sprawdzanie matematycznych dowodów zapisanych w ścisłym języku.",
   "plain_en": "This finds and checks mathematical proofs written in a precise formal language.",
   "solves": "Przekonujące wyjaśnienie może zawierać ukryty błąd; potrzebujesz dowodu, którego każdy krok da się sprawdzić.",
   "solves_en": "A convincing explanation may hide an error; you need a proof whose every step can be checked.",
   "does": "Sprawdza kroki dowodu względem zapisanych reguł i założeń; poprawne przełożenie pierwotnego pytania na ten zapis wymaga osobnej kontroli.",
   "does_en": "It checks proof steps against recorded rules and assumptions; translating the original question correctly into that language requires separate checking.",
   "example": "Asystent proponuje dowód wzoru na sumę kolejnych liczb, a program sprawdza, czy kroki wynikają z przyjętych założeń.",
   "example_en": "An assistant proposes a proof for a formula summing consecutive numbers, and software checks whether the steps follow from the assumptions.",
   "for_you": [
    "potrzebujesz sprawdzić rozumowanie krok po kroku",
    "pracujesz z twierdzeniami wymagającymi ścisłego dowodu"
   ],
   "for_you_en": [
    "need reasoning checked step by step",
    "work with statements requiring a rigorous proof"
   ],
   "how": "Generator lub taktyki budują formalny term dowodu, przeszukując dopuszczalne kroki. Niewielkie jądro sprawdza ten term względem systemu typów, zadeklarowanych aksjomatów i dokładnie zapisanego twierdzenia.",
   "how_en": "A generator or tactics construct a formal proof term by searching permitted steps. A small kernel checks it against the type system, declared axioms and the precisely stated theorem.",
   "limits": "Weryfikacja nie potwierdza poprawności przekładu zadania z języka naturalnego. Zaufanie obejmuje jądro i aksjomaty; poszukiwanie dowodu może być kosztowne lub nie zakończyć się sukcesem.",
   "limits_en": "Verification does not establish faithful translation from natural language. Trust includes the kernel and axioms; proof search can be costly or unsuccessful.",
   "terms": [
    {
     "gloss": "Formalny obiekt reprezentujący uzasadnienie sprawdzane przez system typów.",
     "term": "term dowodu"
    },
    {
     "gloss": "Mały komponent odpowiedzialny za ostateczne sprawdzanie poprawności formalnej dowodu.",
     "term": "jądro"
    }
   ],
   "terms_en": [
    {
     "gloss": "A formal object representing a justification checked by the type system.",
     "term": "proof term"
    },
    {
     "gloss": "A small component responsible for final formal proof checking.",
     "term": "kernel"
    }
   ],
   "prereq": [
    "fol"
   ],
   "keywords": [
    "Lean 4",
    "mathlib",
    "miniF2F",
    "autoformalization",
    "proof assistants",
    "proof kernels"
   ],
   "source_ids": [
    "alphaproof2025",
    "seedprover2025",
    "lean-reference-kernel"
   ],
   "url": "https://aiatlasgraph.com/t/theoremproving",
   "markdown_url": "https://aiatlasgraph.com/t/theoremproving.md",
   "updated": "2026-10-30"
  },
  "threatdetection": {
   "id": "threatdetection",
   "parent_id": "cyberai",
   "label": "Wykrywanie zagrożeń i włamań",
   "canonical_name": "Threat and intrusion detection",
   "aliases": [
    "intrusion detection",
    "threat detection",
    "detection engineering with ML",
    "wykrywanie intruzów",
    "IDS"
   ],
   "description": "Modele wykrywające ataki w ruchu sieciowym, logach systemów i poczcie: klasyfikacja znanych wzorców i wykrywanie odstępstw od normy.",
   "description_en": "Models that detect attacks in network traffic, system logs and email: classifying known patterns and flagging departures from normal behaviour.",
   "plain": "Systemy, które obserwują sieć, serwery i skrzynki pocztowe i podnoszą alarm, gdy dzieje się coś podobnego do ataku.",
   "plain_en": "Systems that watch networks, servers and mailboxes and raise an alarm when something looks like an attack.",
   "solves": "Włamanie potrafi tygodniami ukrywać się wśród miliardów zwykłych połączeń i wpisów, których żaden człowiek nie przejrzy.",
   "solves_en": "An intrusion can hide for weeks among billions of ordinary connections and log lines that no person could read.",
   "does": "Jak czujnik dymu, który zna zapach zwykłego gotowania: milczy przy codziennym ruchu i reaguje na to, co odbiega od normy.",
   "does_en": "Like a smoke detector that knows the smell of everyday cooking: stays quiet at normal activity and reacts to what is out of line.",
   "example": "Firmowy serwer o trzeciej w nocy zaczyna wysyłać gigabajty danych na nieznany adres; system blokuje połączenie i budzi dyżurnego.",
   "example_en": "A company server starts sending gigabytes of data to an unknown address at 3 a.m.; the system blocks the connection and wakes the on-call engineer.",
   "for_you": [
    "zarządzasz siecią lub serwerami w firmie",
    "dostajesz alerty z systemów bezpieczeństwa",
    "budujesz detektory anomalii"
   ],
   "for_you_en": [
    "run a network or servers at a company",
    "receive alerts from security tools",
    "build anomaly detectors"
   ],
   "how": "Detekcja oparta na sygnaturach łapie znane ataki, a modele uczone dodają klasyfikację przepływów sieciowych, wykrywanie anomalii w sekwencjach logów i analizę treści wiadomości. Wyniki trafiają do systemów SIEM, gdzie łączy się je z regułami i kontekstem zasobów.",
   "how_en": "Signature-based detection catches known attacks, while learned models add network-flow classification, anomaly detection over log sequences and message content analysis. Outputs feed SIEM systems, where they are combined with rules and asset context.",
   "limits": "Ataki są rzadkie, a normalny ruch bardzo zmienny, więc detektory anomalii generują wiele fałszywych alarmów. Publiczne zbiory danych są stare i nierealistyczne. Model rzadko wyjaśnia, dlaczego coś uznał za atak, co utrudnia reakcję.",
   "limits_en": "Attacks are rare and normal traffic highly variable, so anomaly detectors raise many false alarms. Public datasets are old and unrealistic. Models rarely explain why something was flagged, which slows response.",
   "terms": [
    {
     "gloss": "System wykrywania włamań obserwujący ruch lub zdarzenia na komputerach.",
     "term": "IDS"
    },
    {
     "gloss": "Znany wzorzec konkretnego ataku, wyszukiwany dosłownie.",
     "term": "sygnatura"
    },
    {
     "gloss": "System zbierający i korelujący zdarzenia bezpieczeństwa z całej organizacji.",
     "term": "SIEM"
    }
   ],
   "terms_en": [
    {
     "gloss": "An intrusion detection system watching traffic or host events.",
     "term": "IDS"
    },
    {
     "gloss": "A known pattern of a specific attack, matched literally.",
     "term": "signature"
    },
    {
     "gloss": "A system that collects and correlates security events across an organisation.",
     "term": "SIEM"
    }
   ],
   "prereq": [
    "anomalydetection",
    "classimbalance"
   ],
   "keywords": [
    "network intrusion detection",
    "NIDS",
    "anomaly-based detection",
    "log anomaly detection",
    "DeepLog",
    "phishing detection",
    "SIEM",
    "UEBA",
    "CICIDS2017",
    "Zeek"
   ],
   "source_ids": [
    "xu-llm4security-survey-2024",
    "sommer-paxson-closed-world-2010"
   ],
   "url": "https://aiatlasgraph.com/t/threatdetection",
   "markdown_url": "https://aiatlasgraph.com/t/threatdetection.md",
   "updated": "2026-10-30"
  },
  "timeseries": {
   "id": "timeseries",
   "parent_id": "ml",
   "label": "Prognozy i anomalie",
   "canonical_name": "Forecasting and anomaly detection",
   "description": "Przewidywanie zmian i wykrywanie nietypowych zdarzeń.",
   "description_en": "Predicting change and spotting unusual events.",
   "examples": "Szeregi czasowe · detekcja anomalii",
   "examples_en": "Time series · anomaly detection",
   "plain": "To przewidywanie zmian w danych i wykrywanie zdarzeń odbiegających od zwykłego przebiegu.",
   "plain_en": "This predicts changes in data and detects events that depart from their usual pattern.",
   "solves": "Potrzebujesz wcześniej zauważyć wzrost zapotrzebowania, opóźnienie lub nietypowy odczyt, zamiast reagować dopiero po zdarzeniu.",
   "solves_en": "You need early indications of rising demand, delays or unusual readings instead of reacting only after events occur.",
   "does": "Porównuje obserwacje z wcześniejszymi wzorcami, przewiduje kolejne wartości i wskazuje przypadki wymagające bliższego sprawdzenia.",
   "does_en": "It compares observations with earlier patterns, predicts future values and flags cases that need closer examination.",
   "example": "System budynku prognozuje zużycie energii i zwraca uwagę na nagły odczyt, który nie pasuje do dotychczasowej pracy urządzeń.",
   "example_en": "A building system forecasts energy use and flags a sudden reading that does not match the equipment's previous behaviour.",
   "for_you": [
    "planujesz na podstawie danych zmieniających się w czasie",
    "chcesz wcześniej zauważać nietypowe zdarzenia"
   ],
   "for_you_en": [
    "plan using data that changes over time",
    "want early indications of unusual events"
   ],
   "how": "Historia obserwacji i dostępne w czasie cechy opisują zależności trendu, sezonowości oraz zmian stanu. Model przewiduje przyszłe wartości lub rozkłady, a odchylenia od oczekiwanego zachowania mogą sygnalizować anomalie.",
   "how_en": "Observation histories and time-available features describe trends, seasonality and state changes. Models predict future values or distributions, while deviations from expected behaviour can signal anomalies.",
   "limits": "Prognoza zależy od horyzontu i stabilności zależności. Zmiany reżimu, brakujące pomiary i informacje z przyszłości zaburzają ocenę; błąd prognozy nie zawsze oznacza anomalię.",
   "limits_en": "Forecasts depend on horizons and relationship stability. Regime shifts, missing measurements and future-information leakage distort evaluation; forecast error does not always indicate anomaly.",
   "terms": [
    {
     "gloss": "Odległość w czasie między ostatnią obserwacją a przewidywanym wynikiem.",
     "term": "horyzont prognozy"
    },
    {
     "gloss": "Powtarzalny wzorzec zmian związany z określonym cyklem czasu.",
     "term": "sezonowość"
    }
   ],
   "terms_en": [
    {
     "gloss": "The time distance between the latest observation and the predicted outcome.",
     "term": "forecast horizon"
    },
    {
     "gloss": "A recurring change pattern associated with a time cycle.",
     "term": "seasonality"
    }
   ],
   "prereq": [
    "distributions"
   ],
   "keywords": [
    "forecast horizons",
    "seasonality",
    "autocorrelation",
    "trend decomposition",
    "ARIMA",
    "exponential smoothing",
    "zero-shot forecasting",
    "anomaly scores"
   ],
   "source_ids": [
    "cs229",
    "rec",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/timeseries",
   "markdown_url": "https://aiatlasgraph.com/t/timeseries.md",
   "updated": "2026-10-30"
  },
  "tinyml": {
   "id": "tinyml",
   "parent_id": "edge",
   "label": "TinyML — modele na mikrokontrolerach",
   "canonical_name": "TinyML on microcontrollers",
   "aliases": [
    "TinyML",
    "tiny machine learning",
    "ML na mikrokontrolerach",
    "microcontroller ML"
   ],
   "description": "Uruchamianie sieci neuronowych na mikrokontrolerach z kilobajtami pamięci i miliwatami mocy: projektowanie bardzo małych architektur razem z oszczędnym silnikiem inferencji, kwantyzacja do 8 bitów i mniej.",
   "description_en": "Running neural networks on microcontrollers with kilobytes of memory and milliwatts of power: co-designing tiny architectures with a lean inference engine, and quantising to 8 bits or fewer.",
   "examples": "wykrywanie słów kluczowych · wizja na mikrokontrolerze · wspólne projektowanie modelu i silnika (MCUNet) · kwantyzacja int8",
   "examples_en": "keyword spotting · vision on a microcontroller · model–engine co-design (MCUNet) · int8 quantisation",
   "plain": "To uruchamianie bardzo małych modeli na prostych urządzeniach z niewielką pamięcią i zapasem energii.",
   "plain_en": "This runs tiny models on simple devices with little memory and limited energy.",
   "solves": "Czujnik ma rozpoznawać zdarzenia samodzielnie, lecz nie dysponuje zasobami telefonu ani serwera.",
   "solves_en": "A sensor needs to recognise events by itself but lacks the resources of a phone or server.",
   "does": "Model i środowisko projektuje się razem, zmniejszając sieć, dokładność zapisu i pamięć roboczą do ograniczeń urządzenia.",
   "does_en": "Model and runtime are designed together, reducing network size, numerical precision and working memory to fit device limits.",
   "example": "Mały moduł na baterii rozpoznaje umówioną komendę głosową bez przesyłania ciągłego nagrania.",
   "example_en": "A small battery-powered module recognises a chosen voice command without transmitting continuous recordings.",
   "for_you": [
    "budujesz czujniki z małą pamięcią",
    "model musi oszczędnie działać na baterii"
   ],
   "for_you_en": [
    "build sensors with little memory",
    "need a model to run efficiently on battery power"
   ],
   "how": "Małą architekturę współprojektuje się z operatorami i harmonogramem mieszczącym wagi oraz bufory w pamięci mikrokontrolera. Kwantyzacja, ponowne użycie buforów i statyczne planowanie ograniczają koszt inferencji na danych z lokalnych czujników.",
   "how_en": "Small architectures are co-designed with operators and schedules fitting weights and buffers into microcontroller memory. Quantisation, buffer reuse and static planning limit inference costs on local sensor data.",
   "limits": "Pamięć robocza może dominować mimo małych wag. Ograniczone operatory i energia wymuszają kompromisy jakości; rzeczywiste sygnały, hałas oraz kalibrację czujnika trzeba sprawdzić na urządzeniu.",
   "limits_en": "Working memory can dominate despite small weights. Limited operators and energy force quality trade-offs; actual signals, noise and sensor calibration need on-device checks.",
   "terms": [
    {
     "gloss": "Wspólny obszar pamięci planowany dla buforów wykonania modelu.",
     "term": "arena tensorów"
    },
    {
     "gloss": "Ustalenie przydziału pamięci i kolejności operacji przed uruchomieniem.",
     "term": "planowanie statyczne"
    }
   ],
   "terms_en": [
    {
     "gloss": "A shared memory region planned for model execution buffers.",
     "term": "tensor arena"
    },
    {
     "gloss": "Determining memory allocation and operation order before execution.",
     "term": "static planning"
    }
   ],
   "prereq": [
    "mlp",
    "actquant"
   ],
   "keywords": [
    "MCUNet",
    "keyword spotting",
    "INT8 quantization",
    "tensor arena",
    "static memory planning",
    "microcontroller inference",
    "TinyEngine"
   ],
   "source_ids": [
    "executorch-overview",
    "mcunet-2020",
    "mit-65940-efficientml"
   ],
   "url": "https://aiatlasgraph.com/t/tinyml",
   "markdown_url": "https://aiatlasgraph.com/t/tinyml.md",
   "updated": "2026-10-30"
  },
  "tokenization": {
   "id": "tokenization",
   "parent_id": "nlp",
   "label": "Tokenizacja tekstu (BPE, WordPiece, SentencePiece)",
   "canonical_name": "Text tokenisation (BPE, WordPiece, SentencePiece)",
   "aliases": [
    "tokenization",
    "tokenisation",
    "tokenizacja",
    "tokenizer",
    "tokenizator",
    "BPE",
    "byte pair encoding",
    "byte-level BPE",
    "WordPiece",
    "SentencePiece",
    "Unigram tokenizer",
    "tiktoken",
    "subword tokenization"
   ],
   "description": "Zamiana tekstu na ciąg tokenów — kawałków słów z ustalonego słownika — zanim model go zobaczy. Dominują metody podsłowowe: BPE (także w wersji na bajtach, jak w GPT), WordPiece (BERT) i Unigram w bibliotece SentencePiece (T5). Tokenizacja wpływa na koszt, długość kontekstu i to, jak model radzi sobie z językami innymi niż angielski.",
   "description_en": "Turning text into a sequence of tokens — sub-word pieces from a fixed vocabulary — before the model sees it. Sub-word methods dominate: BPE (also byte-level, as in GPT), WordPiece (BERT) and Unigram via SentencePiece (T5). Tokenisation affects cost, context length and how well a model handles non-English languages.",
   "examples": "BPE na bajtach (GPT-2, GPT-4) · WordPiece (BERT) · Unigram + SentencePiece (T5) · tokeny specjalne · trenowanie własnego tokenizera",
   "examples_en": "byte-level BPE (GPT-2, GPT-4) · WordPiece (BERT) · Unigram + SentencePiece (T5) · special tokens · training your own tokenizer",
   "plain": "To dzielenie tekstu na kawałki, które model potrafi odczytać jako liczby.",
   "plain_en": "This splits text into pieces that a model can read as numbers.",
   "solves": "Dwa równie długie teksty mogą kosztować inaczej i zajmować różną część pamięci rozmowy.",
   "solves_en": "Two texts of similar length can cost differently and occupy different amounts of conversation space.",
   "does": "Słownik przypisuje numery fragmentom słów; rzadki wyraz może wymagać więcej kawałków niż często spotykany.",
   "does_en": "A vocabulary assigns numbers to word fragments; a rare word may need more pieces than a common one.",
   "example": "Przed wysłaniem długiego polskiego dokumentu sprawdzasz liczbę kawałków tekstu, żeby zmieścić się w limicie modelu.",
   "example_en": "Before sending a long document, you check its piece count to stay within the model's input limit.",
   "for_you": [
    "płacisz za ilość tekstu wysyłanego do modelu",
    "pracujesz z długimi tekstami lub różnymi językami"
   ],
   "for_you_en": [
    "pay for the amount of text sent to a model",
    "work with long texts or different languages"
   ],
   "how": "Z korpusu dobiera się słownik oraz reguły scalania lub probabilistycznego podziału fragmentów. Segmentator mapuje tekst na identyfikatory tokenów, uwzględniając normalizację i specjalne znaczniki wymagane przez model.",
   "how_en": "A corpus determines a vocabulary and merging or probabilistic segmentation rules. A segmenter maps text to token identifiers, accounting for normalisation and special markers required by the model.",
   "limits": "Ten sam tekst może mieć różną liczbę tokenów w różnych słownikach. Normalizacja bywa stratna, a języki słabo reprezentowane mogą wymagać dłuższych sekwencji.",
   "limits_en": "The same text can have different token counts across vocabularies. Normalisation can be lossy, and underrepresented languages may require longer sequences.",
   "terms": [
    {
     "gloss": "Budowanie tokenów przez iteracyjne scalanie częstych par jednostek.",
     "term": "BPE"
    },
    {
     "gloss": "Zestaw fragmentów i identyfikatorów rozpoznawanych przez tokenizer.",
     "term": "słownik tokenów"
    }
   ],
   "terms_en": [
    {
     "gloss": "Building tokens by repeatedly merging frequent unit pairs.",
     "term": "BPE"
    },
    {
     "gloss": "The fragments and identifiers recognised by a tokenizer.",
     "term": "token vocabulary"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "byte-pair encoding",
    "WordPiece",
    "SentencePiece",
    "Unigram tokenizer",
    "byte-level BPE",
    "special tokens",
    "minbpe"
   ],
   "source_ids": [
    "karpathy-zero-to-hero",
    "hf-llm-course-tokenizers",
    "sennrich-bpe-2016",
    "sentencepiece-2018",
    "karpathy-minbpe"
   ],
   "url": "https://aiatlasgraph.com/t/tokenization",
   "markdown_url": "https://aiatlasgraph.com/t/tokenization.md",
   "updated": "2026-10-30"
  },
  "toolcallingft": {
   "id": "toolcallingft",
   "parent_id": "sft",
   "label": "Dostrajanie do wywoływania funkcji i narzędzi",
   "canonical_name": "Function-calling and tool-use fine-tuning",
   "aliases": [
    "function-calling fine-tuning",
    "tool-use fine-tuning",
    "dostrajanie do wywoływania funkcji",
    "dostrajanie do używania narzędzi"
   ],
   "description": "Dostrajanie modelu na przykładach, w których odpowiedzią jest poprawne, ustrukturyzowane wywołanie narzędzia z argumentami.",
   "description_en": "Fine-tuning a model on examples whose answer is a correct, structured tool call with arguments.",
   "plain": "Uczenie modelu, kiedy i jak poprosić o pomoc zewnętrzny program, na przykład kalkulator, wyszukiwarkę albo kalendarz.",
   "plain_en": "Teaching a model when and how to ask an outside program for help, such as a calculator, a search engine or a calendar.",
   "solves": "Model zmyśla wyniki obliczeń i fakty albo wywołuje programy z błędnymi danymi, przez co automatyzacja się sypie.",
   "solves_en": "A model invents calculations and facts, or calls programs with wrong inputs, so automations keep breaking.",
   "does": "Jak szkolenie nowej osoby w recepcji: uczy się, w którym momencie zajrzeć do grafiku i jak poprawnie wypełnić formularz rezerwacji.",
   "does_en": "Like training a new receptionist: they learn when to check the schedule and how to fill in the booking form correctly.",
   "example": "Asystent w aplikacji bankowej sam sprawdza saldo w systemie, zamiast zgadywać kwotę na podstawie rozmowy.",
   "example_en": "An assistant in a banking app looks up the balance in the system instead of guessing the amount from the conversation.",
   "for_you": [
    "chcesz, żeby model obsługiwał twoje własne systemy",
    "mały model myli nazwy pól i argumentów",
    "budujesz agenta, który wykonuje działania"
   ],
   "for_you_en": [
    "want a model to operate your own systems",
    "find a small model mixes up field and argument names",
    "build an agent that takes actions"
   ],
   "how": "Dane zawierają schematy narzędzi (zwykle JSON), zapytania i wzorcowe wywołania, często z wynikami narzędzi w kolejnych turach. Przykłady bywają generowane i sprawdzane automatycznie: format, faktyczne wykonanie, zgodność z intencją. Model uczy się przez SFT lub RL na wywołaniach i końcowej odpowiedzi.",
   "how_en": "Data holds tool schemas (usually JSON), queries and reference calls, often with tool results in later turns. Examples are frequently generated and checked automatically: format, actual execution, match with intent. The model learns via SFT or RL on the calls and final answer.",
   "limits": "Model przyswaja schematy widziane w treningu i słabiej uogólnia na nowe API. Trudno nauczyć go, kiedy nie wywoływać narzędzia; błędne wywołania w danych się utrwalają. Format musi zgadzać się z szablonem czatu używanym przy wdrożeniu.",
   "limits_en": "The model absorbs schemas seen in training and generalises less well to new APIs. Teaching when not to call a tool is hard; faulty calls in data get reinforced. The format must match the chat template used in deployment.",
   "terms": [
    {
     "gloss": "Ustrukturyzowane polecenie z nazwą funkcji i argumentami do wykonania.",
     "term": "function call"
    },
    {
     "gloss": "Opis narzędzia: nazwa, parametry i ich typy, zwykle w JSON.",
     "term": "schemat narzędzia"
    },
    {
     "gloss": "Kilka wywołań narzędzi wygenerowanych w jednej odpowiedzi.",
     "term": "wywołania równoległe"
    }
   ],
   "terms_en": [
    {
     "gloss": "A structured command with a function name and arguments to execute.",
     "term": "function call"
    },
    {
     "gloss": "A tool's description: name, parameters and types, usually in JSON.",
     "term": "tool schema"
    },
    {
     "gloss": "Several tool calls generated within one response.",
     "term": "parallel calls"
    }
   ],
   "prereq": [
    "tools",
    "structured"
   ],
   "keywords": [
    "Toolformer",
    "APIGen",
    "xLAM",
    "Berkeley Function-Calling Leaderboard",
    "JSON schema",
    "parallel function calling",
    "ToolBench"
   ],
   "source_ids": [
    "liu-2024-apigen",
    "schick-2023-toolformer"
   ],
   "url": "https://aiatlasgraph.com/t/toolcallingft",
   "markdown_url": "https://aiatlasgraph.com/t/toolcallingft.md",
   "updated": "2026-10-30"
  },
  "toollatencymask": {
   "id": "toollatencymask",
   "parent_id": "voicetools",
   "label": "Komunikowanie pracy narzędzia",
   "canonical_name": "Spoken progress cues during tool use",
   "description": "Agent sygnalizuje, że wykonuje zadanie lub czeka na wynik, zachowując spójność między słowami a rzeczywistym stanem operacji.",
   "description_en": "The agent indicates it is working or waiting for a result while keeping its speech aligned with the actual operation state.",
   "examples": "„Sprawdzę to” · informacja o dalszym oczekiwaniu",
   "examples_en": "\"I'll check\" · follow-up wait notice",
   "plain": "To informowanie rozmówcy, że asystent właśnie wykonuje działanie lub czeka na wynik.",
   "plain_en": "This tells the caller that an assistant is performing an action or waiting for a result.",
   "solves": "Cisza podczas pracy narzędzia sprawia, że nie wiesz, czy rozmowa się zawiesiła.",
   "solves_en": "Silence while a tool works leaves you unsure whether the conversation has stalled.",
   "does": "Asystent przekazuje krótką informację zgodną ze stanem operacji, bez ogłaszania sukcesu przed otrzymaniem wyniku.",
   "does_en": "An assistant gives a brief update matching the operation's state, without announcing success before receiving a result.",
   "example": "Podczas sprawdzania przesyłki słyszysz, że asystent czeka na dane przewoźnika, a potem otrzymujesz status.",
   "example_en": "While checking a parcel, you hear that the assistant is waiting for carrier data, then receive its status.",
   "for_you": [
    "czekasz na wyniki podczas rozmowy",
    "chcesz wiedzieć, co asystent właśnie robi"
   ],
   "for_you_en": [
    "wait for results during conversation",
    "want to know what an assistant is doing"
   ],
   "how": "Stan rzeczywiście uruchomionej operacji steruje krótkimi komunikatami o oczekiwaniu i postępie. Rozmowa może wypełniać przerwę niezależnymi pytaniami, zachowując osobno nierozstrzygnięte wyniki i informację o zakończeniu pracy.",
   "how_en": "The state of an actually started operation drives brief waiting and progress messages. Conversation can fill the gap with independent questions while separately retaining pending results and task-completion information.",
   "limits": "Wypełniacze nie skracają samej operacji i mogą denerwować. Niepotwierdzony postęp tworzy fałszywe oczekiwania; nowe pytania zwiększają ryzyko zgubienia wyniku lub zmiany zamiaru.",
   "limits_en": "Fillers do not shorten the operation and can annoy users. Unverified progress creates false expectations; new questions increase risks of losing results or changed intent.",
   "terms": [
    {
     "gloss": "Krótka informacja, że rozpoczęta operacja nadal nie zwróciła wyniku.",
     "term": "komunikat oczekiwania"
    },
    {
     "gloss": "Oznaczenie zadania bez potwierdzonego wyniku końcowego.",
     "term": "stan oczekujący"
    }
   ],
   "terms_en": [
    {
     "gloss": "A brief notice that a started operation has not returned results yet.",
     "term": "waiting message"
    },
    {
     "gloss": "A task status without a confirmed final result.",
     "term": "pending state"
    }
   ],
   "prereq": [
    "tools",
    "usercontrol"
   ],
   "keywords": [
    "progress announcements",
    "pending tool state",
    "latency masking",
    "conversational filler"
   ],
   "source_ids": [
    "voiceprimer"
   ],
   "url": "https://aiatlasgraph.com/t/toollatencymask",
   "markdown_url": "https://aiatlasgraph.com/t/toollatencymask.md",
   "updated": "2026-10-30"
  },
  "tools": {
   "id": "tools",
   "parent_id": "applications",
   "label": "Narzędzia i integracje",
   "canonical_name": "Tool use and integration",
   "description": "Połączenie modelu z funkcjami i zewnętrznymi systemami.",
   "description_en": "Connecting a model to functions and external systems.",
   "examples": "Tool calling · MCP · structured outputs",
   "examples_en": "Tool calling · MCP · structured outputs",
   "plain": "To udostępnianie asystentowi funkcji, dzięki którym może sprawdzać dane i wykonywać działania poza rozmową.",
   "plain_en": "This gives an assistant functions for checking information and taking actions beyond the conversation.",
   "solves": "Sama odpowiedź w rozmowie nie sprawdzi wolnego terminu ani nie zmieni wpisu w kalendarzu.",
   "solves_en": "A text answer alone cannot check an available date or change a calendar entry.",
   "does": "Model wybiera funkcję i podaje potrzebne informacje; program wykonuje działanie i zwraca wynik do rozmowy.",
   "does_en": "The model selects a function and supplies the needed details; software carries out the action and returns its result to the conversation.",
   "example": "Prosisz asystenta o znalezienie wolnego popołudnia, a on sprawdza wskazany kalendarz i przedstawia pasujące terminy.",
   "example_en": "You ask an assistant to find a free afternoon, and it checks your chosen calendar and suggests suitable dates.",
   "for_you": [
    "chcesz, żeby asystent korzystał z twoich programów",
    "potrzebujesz sprawdzenia aktualnych danych podczas rozmowy"
   ],
   "for_you_en": [
    "want an assistant to work with your software",
    "need current information checked during a conversation"
   ],
   "how": "Model otrzymuje opisy funkcji i generuje żądanie wywołania z argumentami. Aplikacja waliduje żądanie, sprawdza uprawnienia, wykonuje funkcję i zwraca wynik do kontekstu, w którym model może zaplanować następny krok.",
   "how_en": "The model receives function descriptions and generates a call request with arguments. The application validates the request, checks permissions, executes the function and returns its result to context, where the model can plan the next step.",
   "limits": "Model może wybrać niewłaściwą funkcję lub poprawnie uformowane, lecz błędne argumenty. Ponowienia mogą dublować skutki; potrzebne są walidacja znaczenia danych, limity i kontrola operacji zewnętrznych.",
   "limits_en": "The model can select the wrong function or well-formed but incorrect arguments. Retries can duplicate effects; semantic validation, limits and controls on external operations are needed.",
   "terms": [
    {
     "gloss": "Generowanie żądania wykonania funkcji dostępnej aplikacji.",
     "term": "tool calling"
    },
    {
     "gloss": "Opis wymaganych parametrów, ich typów i dozwolonych wartości.",
     "term": "schemat argumentów"
    },
    {
     "gloss": "Dane zwrócone przez wykonaną funkcję do dalszego przetwarzania.",
     "term": "wynik narzędzia"
    }
   ],
   "terms_en": [
    {
     "gloss": "Generating a request to execute a function available to the application.",
     "term": "tool calling"
    },
    {
     "gloss": "A description of required parameters, types and allowed values.",
     "term": "argument schema"
    },
    {
     "gloss": "Data returned by an executed function for subsequent processing.",
     "term": "tool result"
    }
   ],
   "prereq": [
    "decoding"
   ],
   "keywords": [
    "function calling",
    "tool schemas",
    "parallel tool calls",
    "MCP",
    "OpenAPI",
    "structured outputs",
    "argument validation",
    "JSON Schema"
   ],
   "source_ids": [
    "agents",
    "bootcamp"
   ],
   "url": "https://aiatlasgraph.com/t/tools",
   "markdown_url": "https://aiatlasgraph.com/t/tools.md",
   "updated": "2026-10-30"
  },
  "topicmodeling": {
   "id": "topicmodeling",
   "parent_id": "unsupervised",
   "label": "Modelowanie tematów",
   "canonical_name": "Topic modelling",
   "aliases": [
    "topic modeling",
    "topic modelling",
    "modele tematyczne"
   ],
   "description": "Nienadzorowane odkrywanie tematów w korpusie: probabilistyczne mieszaniny słów (LDA) albo klasteryzacja embeddingów z opisem tematów (BERTopic).",
   "description_en": "Unsupervised discovery of themes in a corpus: probabilistic word mixtures (LDA) or clustering of embeddings with topic descriptions (BERTopic).",
   "plain": "Automatyczne wykrywanie, o czym jest duży zbiór tekstów, przez grupowanie słów i dokumentów w tematy.",
   "plain_en": "Automatically finding what a large set of texts is about by grouping words and documents into themes.",
   "solves": "Tysięcy opinii, zgłoszeń czy artykułów nikt nie przeczyta, a trzeba wiedzieć, o czym ludzie najczęściej piszą.",
   "solves_en": "Nobody can read thousands of reviews, tickets or articles, yet you need to know what people write about most.",
   "does": "Jak segregowanie listów na stosy według treści i podpisanie każdego stosu kilkoma słowami, które go wyróżniają.",
   "does_en": "Like sorting letters into piles by content and labelling each pile with a few words that set it apart.",
   "example": "Urząd miasta grupuje kilka tysięcy uwag mieszkańców w tematy takie jak dziury w drogach, hałas i zieleń.",
   "example_en": "A city office groups several thousand residents' comments into themes such as potholes, noise and green space.",
   "for_you": [
    "masz więcej tekstów, niż da się przeczytać",
    "chcesz poznać główne wątki bez z góry ustalonych kategorii"
   ],
   "for_you_en": [
    "have more texts than anyone could read",
    "want the main themes without predefined categories"
   ],
   "how": "Klasyczna LDA zakłada, że dokument jest mieszaniną tematów, a temat rozkładem słów, i wyznacza je wnioskowaniem bayesowskim. Podejścia neuronowe zamieniają dokumenty na embeddingi, redukują wymiar, klasteryzują je i opisują każdy klaster słowami o najwyższym, klasowo liczonym TF-IDF.",
   "how_en": "Classic LDA treats a document as a mixture of topics and a topic as a distribution over words, inferred with Bayesian methods. Neural approaches embed documents, reduce dimensionality, cluster them and describe each cluster by its top class-based TF-IDF words.",
   "limits": "Liczba i jakość tematów zależą od ustawień i wymagają ludzkiej oceny. Tematy bywają mieszanką kilku wątków albo zbyt ogólne. Klasyczna LDA słabo radzi sobie z krótkimi tekstami.",
   "limits_en": "Topic count and quality depend on settings and need human judgement. Topics can blend several threads or be too generic. Classic LDA struggles with short texts.",
   "terms": [
    {
     "gloss": "Model, w którym dokument jest mieszanką tematów, a temat zbiorem słów.",
     "term": "LDA"
    },
    {
     "gloss": "Wskaźnik słów typowych dla danej grupy dokumentów na tle reszty.",
     "term": "c-TF-IDF"
    },
    {
     "gloss": "Miara tego, czy słowa tematu rzeczywiście występują razem.",
     "term": "spójność tematu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model where a document mixes topics and a topic is a set of words.",
     "term": "LDA"
    },
    {
     "gloss": "A score for words typical of one document group compared with the rest.",
     "term": "c-TF-IDF"
    },
    {
     "gloss": "Whether a topic's words actually tend to appear together.",
     "term": "topic coherence"
    }
   ],
   "keywords": [
    "LDA",
    "BERTopic",
    "NMF",
    "c-TF-IDF",
    "gensim",
    "topic coherence",
    "HDBSCAN",
    "UMAP",
    "Top2Vec"
   ],
   "source_ids": [
    "grootendorst-bertopic-2022",
    "blei-lda-2003"
   ],
   "url": "https://aiatlasgraph.com/t/topicmodeling",
   "markdown_url": "https://aiatlasgraph.com/t/topicmodeling.md",
   "updated": "2026-10-30"
  },
  "tracereview": {
   "id": "tracereview",
   "parent_id": "erroranalysis",
   "label": "Przegląd i próbkowanie śladów",
   "canonical_name": "Trace review and sampling",
   "description": "Które zapisy sesji obejrzeć i w jakim narzędziu, żeby człowiek robił to szybko i uważnie.",
   "description_en": "Which session records to look at, and in what tool, so a person can review them quickly and carefully.",
   "examples": "losowo · klastry · wartości skrajne · active learning · własny interfejs do anotacji",
   "examples_en": "random · clusters · outliers · active learning · custom annotation interface",
   "plain": "To wybieranie i oglądanie zapisów działania systemu, żeby znaleźć konkretne problemy bez przeglądania wszystkiego.",
   "plain_en": "This selects and examines system activity records to find specific problems without reviewing everything.",
   "solves": "Zapisów jest zbyt wiele, żeby przeczytać każdy, a oglądanie tylko oczywistych błędów daje niepełny obraz.",
   "solves_en": "There are too many records to read them all, and looking only at obvious failures gives an incomplete picture.",
   "does": "Łączy próbkowanie zwykłych i nietypowych przebiegów, pokazuje ich kroki i pozwala oznaczać błędy w narzędziu do przeglądu.",
   "does_en": "It samples ordinary and unusual sequences, displays their steps and lets reviewers mark errors in a review tool.",
   "example": "Oglądasz wybrane rozmowy asystenta, sprawdzasz użyte źródła i narzędzia oraz oznaczasz momenty, w których zgubił zadanie.",
   "example_en": "You review selected assistant conversations, inspect sources and tools, and mark where it lost track of the task.",
   "for_you": [
    "masz więcej zapisów, niż możesz dokładnie przejrzeć",
    "chcesz widzieć kroki prowadzące do błędnej odpowiedzi"
   ],
   "for_you_en": [
    "have more records than you can inspect carefully",
    "want to see steps leading to a wrong answer"
   ],
   "how": "Sesje próbuje się losowo albo według ryzyka, wyniku i nietypowych zdarzeń. Recenzent odtwarza kolejność promptów, wywołań narzędzi oraz odpowiedzi i zapisuje oceny z odwołaniem do konkretnych kroków.",
   "how_en": "Sessions are sampled randomly or by risk, outcome and unusual events. Reviewers reconstruct prompts, tool calls and answers in order, recording assessments linked to specific steps.",
   "limits": "Niepełne logowanie ogranicza możliwość diagnozy. Próbkowanie tylko błędnych sesji zniekształca obraz częstości, a długie ślady zwiększają koszt przeglądu.",
   "limits_en": "Incomplete logging limits diagnosis. Sampling only failed sessions distorts frequency estimates, while long traces increase review costs.",
   "terms": [
    {
     "gloss": "Chronologiczny zapis kroków systemu i ich wyników.",
     "term": "ślad wykonania"
    },
    {
     "gloss": "Dobór przykładów osobno z wybranych grup, z kontrolą ich udziałów.",
     "term": "próbkowanie warstwowe"
    }
   ],
   "terms_en": [
    {
     "gloss": "A chronological record of system steps and their outputs.",
     "term": "execution trace"
    },
    {
     "gloss": "Sampling separately from selected groups while controlling their proportions.",
     "term": "stratified sampling"
    }
   ],
   "prereq": [
    "monitoring",
    "probability"
   ],
   "keywords": [
    "stratified sampling",
    "cluster sampling",
    "risk-based sampling",
    "active learning",
    "execution traces"
   ],
   "source_ids": [
    "hamel-evals-faq"
   ],
   "url": "https://aiatlasgraph.com/t/tracereview",
   "markdown_url": "https://aiatlasgraph.com/t/tracereview.md",
   "updated": "2026-10-30"
  },
  "trafficforecasting": {
   "id": "trafficforecasting",
   "parent_id": "mobilityai",
   "label": "Prognozowanie natężenia ruchu na sieci dróg",
   "canonical_name": "Traffic forecasting with spatio-temporal graph networks",
   "aliases": [
    "traffic forecasting",
    "traffic flow prediction",
    "prognozowanie natężenia ruchu"
   ],
   "description": "Prognoza prędkości lub przepływu na czujnikach drogowych sieciami łączącymi splot na grafie sieci drogowej z modelowaniem sekwencji w czasie.",
   "description_en": "Forecasting speed or flow at road sensors with networks combining graph convolution over the road network and temporal sequence modelling.",
   "plain": "Przewidywanie, jak szybko i jak tłoczno będzie na poszczególnych odcinkach dróg za kilka, kilkanaście czy kilkadziesiąt minut.",
   "plain_en": "Predicting how fast and how crowded individual road sections will be in the next few minutes to an hour.",
   "solves": "Korek na jednym skrzyżowaniu po chwili blokuje sąsiednie ulice, a zwykłe prognozy dla pojedynczego czujnika tego nie widzą.",
   "solves_en": "A jam at one junction soon blocks neighbouring streets, and simple per-sensor forecasts cannot see that coming.",
   "does": "Traktuje miasto jak sieć naczyń połączonych: model obserwuje, jak zator rozlewa się z odcinka na odcinek, i przewiduje kolejne fale.",
   "does_en": "Treats the city like connected vessels: the model watches congestion spill from segment to segment and predicts the next waves.",
   "example": "System sygnalizacji wydłuża zielone światło na wjazdach, bo przewiduje, że za dziesięć minut spłynie fala aut z autostrady.",
   "example_en": "A signal system lengthens green lights on approaches because it expects a wave of cars from the motorway in ten minutes.",
   "for_you": [
    "codziennie dojeżdżasz przez zatłoczone miasto",
    "zarządzasz ruchem lub flotą pojazdów"
   ],
   "for_you_en": [
    "commute through a congested city every day",
    "manage traffic or a vehicle fleet"
   ],
   "how": "Czujniki są węzłami skierowanego grafu ważonego odległością po drogach. Splot dyfuzyjny modeluje ruch jako błądzenie losowe w obu kierunkach, a rekurencyjny enkoder-dekoder przewiduje wiele kroków naprzód. Nowsze warianty uczą samego grafu albo używają uwagi w czasie i przestrzeni.",
   "how_en": "Sensors are nodes of a directed graph weighted by road distance. Diffusion convolution models traffic as bidirectional random walks, and a recurrent encoder-decoder predicts many steps ahead. Newer variants learn the graph itself or use spatial and temporal attention.",
   "limits": "Wypadki, imprezy i roboty drogowe są rzadkie i łamią wzorce, więc prognozy mylą się tam, gdzie są najbardziej potrzebne. Popularne benchmarki obejmują kilkaset czujników autostradowych, nie całe miasta. Czujniki psują się i zostawiają luki.",
   "limits_en": "Accidents, events and roadworks are rare and break patterns, so forecasts fail where they matter most. Popular benchmarks cover a few hundred motorway sensors, not whole cities. Sensors fail and leave gaps.",
   "terms": [
    {
     "gloss": "splot na grafie naśladujący rozchodzenie się ruchu po sieci",
     "term": "diffusion convolution"
    },
    {
     "gloss": "jak daleko w przyszłość sięgają prognozy",
     "term": "horizon"
    },
    {
     "gloss": "tabela, które czujniki są ze sobą połączone i jak blisko",
     "term": "adjacency matrix"
    }
   ],
   "terms_en": [
    {
     "gloss": "graph convolution mimicking traffic spreading through a network",
     "term": "diffusion convolution"
    },
    {
     "gloss": "how far into the future forecasts reach",
     "term": "horizon"
    },
    {
     "gloss": "table of which sensors connect and how closely",
     "term": "adjacency matrix"
    }
   ],
   "prereq": [
    "gnn",
    "timeseries"
   ],
   "keywords": [
    "DCRNN",
    "Graph WaveNet",
    "STGCN",
    "METR-LA",
    "PEMS-BAY",
    "LargeST",
    "ASTGCN",
    "scheduled sampling"
   ],
   "source_ids": [
    "dcrnn-2018"
   ],
   "url": "https://aiatlasgraph.com/t/trafficforecasting",
   "markdown_url": "https://aiatlasgraph.com/t/trafficforecasting.md",
   "updated": "2026-10-30"
  },
  "training": {
   "id": "training",
   "parent_id": null,
   "label": "Trenowanie i dostrajanie",
   "canonical_name": "Training and adaptation",
   "description": "Jak powstają i zmieniają się wagi modelu.",
   "description_en": "How model weights come into being and change.",
   "plain": "To uczenie modeli na przykładach i dostosowywanie ich do nowych zadań lub oczekiwanego zachowania.",
   "plain_en": "This trains models on examples and adapts them to new tasks or desired behaviour.",
   "solves": "Gotowy model nie zawsze zna twoją dziedzinę, odpowiada w potrzebny sposób lub mieści się w dostępnym budżecie.",
   "solves_en": "A pretrained model may lack your domain knowledge, respond in the wrong way or exceed your budget.",
   "does": "Dane, przykłady, oceny i sygnały innych modeli zmieniają ustawienia sieci; różne metody obejmują całość, małe części lub łączenie wariantów.",
   "does_en": "Data, examples, evaluations and other models' signals change network parameters; methods update the whole network, small parts or combine variants.",
   "example": "Uczysz asystenta na przykładach firmowych odpowiedzi i sprawdzasz, czy nowe rozmowy prowadzi zgodnie z potrzebami zespołu.",
   "example_en": "You train an assistant on company response examples and check whether new conversations meet the team's needs.",
   "for_you": [
    "chcesz zmienić zachowanie lub umiejętności modelu",
    "masz dane, przykłady albo sposób oceny prób"
   ],
   "for_you_en": [
    "want to change model behaviour or abilities",
    "have data, examples or a way to evaluate attempts"
   ],
   "how": "Dane i funkcja celu wyznaczają gradienty, według których optymalizator zmienia parametry modelu. Pretraining, dostrajanie, uczenie z nagrodą i transfer używają różnych sygnałów, a walidacja sprawdza jakość oraz utrzymanie wcześniejszych zdolności.",
   "how_en": "Data and objectives determine gradients used by optimisers to update model parameters. Pretraining, fine-tuning, reward-based learning and transfer use different signals, while validation checks quality and retention of earlier capabilities.",
   "limits": "Cel może nie odpowiadać zadaniu, a dane zawierać błędy i przecieki. Koszt zależy od architektury oraz przebiegu; poprawa treningowa nie gwarantuje uogólniania ani zachowania wcześniejszych umiejętności.",
   "limits_en": "Objectives can mismatch tasks, while data contain errors and leakage. Costs depend on architecture and training runs; training gains guarantee neither generalisation nor retention of earlier skills.",
   "terms": [
    {
     "gloss": "Zmiana wag modelu wynikająca z wybranego sygnału uczącego.",
     "term": "aktualizacja parametrów"
    },
    {
     "gloss": "Zapis parametrów i stanu potrzebnego do wznowienia lub oceny treningu.",
     "term": "checkpoint"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model-weight change driven by a selected learning signal.",
     "term": "parameter update"
    },
    {
     "gloss": "Stored parameters and state needed to resume or assess training.",
     "term": "checkpoint"
    }
   ],
   "prereq": [
    "backprop",
    "mathoptimization"
   ],
   "keywords": [
    "AdamW",
    "Muon",
    "Chinchilla",
    "SFT",
    "RLHF",
    "DPO",
    "GRPO",
    "LoRA",
    "QLoRA",
    "PEFT",
    "knowledge distillation",
    "model merging",
    "continued pretraining",
    "gradient clipping"
   ],
   "source_ids": [
    "cs336",
    "rl"
   ],
   "url": "https://aiatlasgraph.com/t/training",
   "markdown_url": "https://aiatlasgraph.com/t/training.md",
   "updated": "2026-10-30"
  },
  "trainingstability": {
   "id": "trainingstability",
   "parent_id": "optimization",
   "label": "Stabilność treningu i skoki straty",
   "canonical_name": "Training stability",
   "aliases": [
    "training stability",
    "loss spikes",
    "gradient clipping",
    "training instabilities",
    "skoki straty"
   ],
   "description": "Rozpoznawanie i ograniczanie niestabilności, takich jak nagłe skoki lub rozbieganie się straty podczas długiego treningu dużych modeli. Problemy można odtwarzać na mniejszych modelach, aby testować zabezpieczenia receptury.",
   "description_en": "Diagnosing and mitigating instabilities such as sudden spikes or divergence in loss during long training runs of large models. The problems can be reproduced in smaller models to test safeguards in the training recipe.",
   "examples": "wzrost logitów uwagi · rozbieganie logitów wyjściowych · rozgrzewka · weight decay · testy na małych modelach",
   "examples_en": "attention-logit growth · output-logit divergence · warm-up · weight decay · small-scale proxy experiments",
   "plain": "To wykrywanie i ograniczanie nagłych problemów, które psują przebieg uczenia modelu.",
   "plain_en": "This detects and limits sudden problems that disrupt model training.",
   "solves": "Po długim poprawnym treningu błąd nagle rośnie, a dalsze obliczenia mogą marnować czas i pieniądze.",
   "solves_en": "After a long successful run, error suddenly rises and further computation may waste time and money.",
   "does": "Pomiary, zapisy etapów i mniejsze próby pomagają znaleźć problem w danych, skali sygnałów lub ustawieniach i sprawdzić poprawkę.",
   "does_en": "Measurements, checkpoints and smaller trials help locate issues in data, signal scales or settings and test a correction.",
   "example": "Po skoku błędu wracasz do zapisanej wersji, odtwarzasz problem na krótszej próbie i testujesz zmieniony krok uczenia.",
   "example_en": "After an error spike, you return to a checkpoint, reproduce the issue in a shorter trial and test a different update step.",
   "for_you": [
    "trening nagle przestaje poprawiać wynik",
    "chcesz wykrywać problemy przed kosztownym długim przebiegiem"
   ],
   "for_you_en": [
    "find training suddenly stops improving",
    "want to detect issues before a costly long run"
   ],
   "how": "Monitorowanie straty, norm gradientu i aktywacji ujawnia odchylenia od oczekiwanego przebiegu. Analiza checkpointów oraz kontrolowane zmiany danych, kroku i precyzji lokalizują źródło problemu, zanim korekta zostanie przeniesiona na pełny trening.",
   "how_en": "Monitoring loss, gradient norms and activations reveals deviations from expected training behaviour. Checkpoint analysis and controlled data, step-size and precision changes locate problems before corrections reach full training runs.",
   "limits": "Skok straty może wynikać z danych, numeryki lub optymalizacji. Przycinanie objawu nie usuwa przyczyny; mały model zastępczy może nie odtwarzać wszystkich niestabilności skali produkcyjnej.",
   "limits_en": "Loss spikes can arise from data, numerics or optimisation. Clipping symptoms does not remove causes; small proxy models may not reproduce all production-scale instabilities.",
   "terms": [
    {
     "gloss": "Miara wielkości wektora pochodnych używanego do aktualizacji.",
     "term": "norma gradientu"
    },
    {
     "gloss": "Ograniczenie wielkości gradientu przed wykonaniem kroku optymalizatora.",
     "term": "gradient clipping"
    }
   ],
   "terms_en": [
    {
     "gloss": "A magnitude measure of the derivative vector used for updates.",
     "term": "gradient norm"
    },
    {
     "gloss": "Bounding gradient magnitude before an optimiser step.",
     "term": "gradient clipping"
    }
   ],
   "prereq": [
    "backprop",
    "normalization"
   ],
   "keywords": [
    "gradient clipping",
    "gradient norm",
    "loss spikes",
    "attention logit growth",
    "output logit divergence",
    "QK normalization",
    "learning rate warmup",
    "OLMo 2"
   ],
   "source_ids": [
    "olmo2-2025",
    "wortsman-instabilities-2023"
   ],
   "url": "https://aiatlasgraph.com/t/trainingstability",
   "markdown_url": "https://aiatlasgraph.com/t/trainingstability.md",
   "updated": "2026-10-30"
  },
  "transactiongraphs": {
   "id": "transactiongraphs",
   "parent_id": "amlkyc",
   "label": "Analiza grafu transakcji (sieci kont i przepływów)",
   "canonical_name": "Transaction graph analysis",
   "aliases": [
    "graph-based AML",
    "transaction network analysis",
    "fraud rings",
    "GNN for fraud",
    "analiza sieci transakcji"
   ],
   "description": "Modelowanie transakcji jako grafu konta–przepływy i klasyfikacja węzłów lub krawędzi cechami grafowymi oraz sieciami GNN.",
   "description_en": "Modelling transactions as an account–flow graph and classifying nodes or edges with graph features and GNNs.",
   "plain": "Patrzenie na przelewy jak na mapę połączeń między kontami, żeby zobaczyć całe siatki, a nie pojedyncze podejrzane operacje.",
   "plain_en": "Looking at transfers as a map of links between accounts, to see whole rings rather than single suspicious payments.",
   "solves": "Pojedynczy przelew wygląda niewinnie; podejrzane staje się dopiero to, kto z kim i w jakiej kolejności się rozlicza.",
   "solves_en": "A single transfer looks innocent; what is suspicious is who pays whom and in what order.",
   "does": "Jak tablica śledczego z nitkami: połączenia między kontami ujawniają grupę, której nie widać, patrząc na każde konto osobno.",
   "does_en": "Like an investigator's board with strings: links between accounts reveal a group you cannot see by looking at each account alone.",
   "example": "Dwadzieścia kont otwartych w tym samym tygodniu przekazuje sobie pieniądze w kółko, a całość kończy na jednym koncie za granicą.",
   "example_en": "Twenty accounts opened in the same week pass money round in circles, and it all ends up in one account abroad.",
   "for_you": [
    "badasz oszustwa obejmujące wiele kont",
    "pracujesz z danymi o przelewach lub kryptowalutach"
   ],
   "for_you_en": [
    "investigate fraud spanning many accounts",
    "work with transfer or cryptocurrency data"
   ],
   "how": "Konta są węzłami, a przelewy krawędziami z kwotą i czasem. Cechy grafowe (stopień, cykle, lejki, wspólne urządzenia) zasilają klasyczne klasyfikatory, a sieci grafowe przekazują informację między sąsiadami. Na zbiorze Elliptic las losowy na cechach okazał się silniejszy od samej sieci grafowej.",
   "how_en": "Accounts are nodes and transfers are edges carrying amount and time. Graph features (degree, cycles, fan-in, shared devices) feed classic classifiers, while graph neural networks pass information between neighbours. On the Elliptic dataset a random forest on features beat a graph network alone.",
   "limits": "Grafy są ogromne i dynamiczne, więc liczenie cech w czasie rzeczywistym jest drogie. Każdy bank widzi tylko swój fragment sieci. Etykiety są rzadkie, a decyzje modeli grafowych trudniej wyjaśnić analitykowi i nadzorcy.",
   "limits_en": "Graphs are huge and dynamic, so computing features in real time is costly. Each bank sees only its own slice of the network. Labels are rare, and graph-model decisions are harder to explain to analysts and supervisors.",
   "terms": [
    {
     "gloss": "Konta jako punkty, przelewy jako strzałki między nimi.",
     "term": "graf transakcji"
    },
    {
     "gloss": "Sieć neuronowa, która uczy się z sąsiedztwa w grafie.",
     "term": "GNN"
    },
    {
     "gloss": "Wiele kont wpłaca na jedno konto zbiorcze.",
     "term": "lejek (fan-in)"
    }
   ],
   "terms_en": [
    {
     "gloss": "Accounts as points, transfers as arrows between them.",
     "term": "transaction graph"
    },
    {
     "gloss": "A neural network that learns from neighbourhoods in a graph.",
     "term": "GNN"
    },
    {
     "gloss": "Many accounts paying into one collecting account.",
     "term": "fan-in"
    }
   ],
   "prereq": [
    "messagepassing",
    "anomalydetection"
   ],
   "keywords": [
    "Elliptic dataset",
    "GCN",
    "GraphSAGE",
    "temporal graph networks",
    "fraud rings",
    "fan-in fan-out",
    "cycle detection",
    "PyTorch Geometric"
   ],
   "source_ids": [
    "altman-aml-synthetic-2023",
    "weber-elliptic-2019"
   ],
   "url": "https://aiatlasgraph.com/t/transactiongraphs",
   "markdown_url": "https://aiatlasgraph.com/t/transactiongraphs.md",
   "updated": "2026-10-30"
  },
  "transformerfamilies": {
   "id": "transformerfamilies",
   "parent_id": "transformers",
   "label": "Enkoder, dekoder i enkoder–dekoder (BERT, GPT, T5)",
   "canonical_name": "Encoder-only, decoder-only and encoder–decoder models",
   "aliases": [
    "encoder-only",
    "decoder-only",
    "encoder-decoder",
    "BERT",
    "GPT",
    "T5",
    "masked language model",
    "seq2seq transformer"
   ],
   "description": "Trzy układy transformera. Enkodery (BERT) widzą tekst w obie strony i służą do klasyfikacji, wyszukiwania i ekstrakcji; dekodery (GPT, Llama) przewidują następny token i stanowią większość współczesnych LLM; enkoder–dekoder (T5, BART) tłumaczy jeden tekst na drugi, np. w tłumaczeniu i streszczaniu.",
   "description_en": "The three transformer layouts. Encoders (BERT) read text bidirectionally and serve classification, search and extraction; decoders (GPT, Llama) predict the next token and make up most modern LLMs; encoder–decoders (T5, BART) map one text to another, e.g. translation and summarisation.",
   "examples": "BERT, ModernBERT · GPT, Llama, Gemma · T5, BART · maskowane vs przyczynowe modelowanie języka",
   "examples_en": "BERT, ModernBERT · GPT, Llama, Gemma · T5, BART · masked vs causal language modelling",
   "plain": "To różne układy modeli uwagi przeznaczone do odczytywania danych, tworzenia tekstu lub przekształcania jednego tekstu w drugi.",
   "plain_en": "These attention-model layouts are designed to read data, generate text or transform one text into another.",
   "solves": "Model dobry do porównywania tekstów nie musi być najlepszym wyborem do pisania odpowiedzi.",
   "solves_en": "A model suited to comparing texts may not be the best choice for writing responses.",
   "does": "Część odczytująca analizuje wejście, część generująca dopisuje kolejne fragmenty, a połączony układ oddziela te dwa zadania.",
   "does_en": "An encoder analyses input, a decoder generates successive elements, and a combined layout separates those two jobs.",
   "example": "Do sortowania opinii wybierasz model odczytujący tekst, a do tworzenia odpowiedzi model generujący kolejne słowa.",
   "example_en": "You choose a text-reading model to sort reviews and a model that generates successive words to write replies.",
   "for_you": [
    "wybierasz model do konkretnego zadania tekstowego",
    "porównujesz analizowanie tekstu z jego generowaniem"
   ],
   "for_you_en": [
    "choose a model for a particular text task",
    "compare text analysis with text generation"
   ],
   "how": "Enkoder stosuje kontekst dwukierunkowy, a dekoder przyczynowy przewiduje token z dostępnego prefiksu. Układ enkoder–dekoder przekazuje reprezentacje wejścia przez cross-attention do osobnego generatora, rozdzielając analizę wejścia od tworzenia wyjścia.",
   "how_en": "An encoder uses bidirectional context, while a causal decoder predicts tokens from the available prefix. An encoder–decoder passes input representations through cross-attention to a separate generator, separating input analysis from output production.",
   "limits": "Cel treningowy i maski ograniczają sposób użycia architektury. Dekoder autoregresyjny generuje kolejno, a enkoder sam nie definiuje generatora; przetwarzanie pary sekwencji zwiększa koszt.",
   "limits_en": "Training objectives and masks constrain architecture use. Autoregressive decoders generate sequentially, while encoders alone do not define generation; processing paired sequences increases cost.",
   "terms": [
    {
     "gloss": "Uwaga z zapytaniami jednej sekwencji oraz kluczami i wartościami drugiej.",
     "term": "cross-attention"
    },
    {
     "gloss": "Dostęp pozycji do wcześniejszych i późniejszych elementów wejścia.",
     "term": "kontekst dwukierunkowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Attention using queries from one sequence and keys and values from another.",
     "term": "cross-attention"
    },
    {
     "gloss": "A position's access to both earlier and later input elements.",
     "term": "bidirectional context"
    }
   ],
   "prereq": [
    "selfattention",
    "tokenization"
   ],
   "keywords": [
    "BERT",
    "ModernBERT",
    "GPT",
    "Llama",
    "Gemma",
    "T5",
    "BART",
    "masked language modeling"
   ],
   "source_ids": [
    "hf-llm-course-transformer-arch",
    "bert-2018",
    "t5-2019"
   ],
   "url": "https://aiatlasgraph.com/t/transformerfamilies",
   "markdown_url": "https://aiatlasgraph.com/t/transformerfamilies.md",
   "updated": "2026-10-30"
  },
  "transformers": {
   "id": "transformers",
   "parent_id": "neural",
   "label": "Transformery i attention",
   "canonical_name": "Transformers and attention",
   "description": "Mechanizmy łączenia informacji między elementami sekwencji.",
   "description_en": "Mechanisms for mixing information across a sequence.",
   "examples": "Self-attention · encoder · decoder",
   "examples_en": "Self-attention · encoder · decoder",
   "plain": "To modele, które łączą informacje między częściami tekstu, obrazu lub innych danych za pomocą uwagi.",
   "plain_en": "These models connect information across text, image or other data elements using attention.",
   "solves": "Znaczenie fragmentu zależy od innych miejsc w danych, czasem oddalonych o wiele słów lub części obrazu.",
   "solves_en": "A fragment's meaning depends on other places in the data, sometimes many words or image patches away.",
   "does": "Kolejne warstwy porównują elementy i mieszają potrzebne informacje, a różne układy służą do odczytywania danych lub generowania odpowiedzi.",
   "does_en": "Successive layers compare elements and mix relevant information, while different layouts read inputs or generate responses.",
   "example": "Asystent czytający długi opis łączy wzmiankę o zamówieniu z dopisaną później prośbą o zmianę adresu.",
   "example_en": "An assistant reading a long description connects an order reference to a later request to change its address.",
   "for_you": [
    "korzystasz z modeli tekstu lub obrazu",
    "chcesz zrozumieć łączenie odległych informacji"
   ],
   "for_you_en": [
    "use text or image models",
    "want to understand how distant information is connected"
   ],
   "how": "Bloki naprzemiennie mieszają informacje między pozycjami przez uwagę i przekształcają cechy każdej pozycji przez sieć feed-forward. Maski, kodowanie pozycji oraz połączenia resztkowe określają dostępny kontekst i przepływ reprezentacji przez warstwy.",
   "how_en": "Blocks alternate attention-based mixing across positions with feed-forward transformations of each position's features. Masks, positional encoding and residual connections determine available context and representation flow through layers.",
   "limits": "Pełna uwaga porównuje pary pozycji, zwiększając koszt długich sekwencji. Maska i trening ograniczają dostępne informacje; duży kontekst nie gwarantuje wykorzystania każdej jego części.",
   "limits_en": "Full attention compares position pairs, increasing long-sequence costs. Masks and training restrict available information; large context does not guarantee use of every part.",
   "terms": [
    {
     "gloss": "Zależne od wejścia ważenie informacji pochodzących z innych pozycji.",
     "term": "attention"
    },
    {
     "gloss": "Podsieć przekształcająca cechy osobno dla każdej pozycji.",
     "term": "blok feed-forward"
    }
   ],
   "terms_en": [
    {
     "gloss": "Input-dependent weighting of information from other positions.",
     "term": "attention"
    },
    {
     "gloss": "A subnetwork transforming each position's features separately.",
     "term": "feed-forward block"
    }
   ],
   "prereq": [
    "linearalgebra",
    "neuralbasics"
   ],
   "keywords": [
    "scaled dot-product attention",
    "multi-head attention",
    "feed-forward blocks",
    "positional encoding",
    "causal masking",
    "KV cache",
    "encoder-decoder architecture",
    "LayerNorm"
   ],
   "courses": [
    {
     "title": "Attention in Transformers",
     "url": "https://www.deeplearning.ai/courses/attention-in-transformers-concepts-and-code-in-pytorch"
    },
    {
     "title": "Transformers in Practice",
     "url": "https://www.deeplearning.ai/courses/transformers-in-practice"
    }
   ],
   "source_ids": [
    "cs336",
    "vision",
    "cs229",
    "dlai",
    "wafer-gpu"
   ],
   "url": "https://aiatlasgraph.com/t/transformers",
   "markdown_url": "https://aiatlasgraph.com/t/transformers.md",
   "updated": "2026-10-30"
  },
  "transientrealbogus": {
   "id": "transientrealbogus",
   "parent_id": "physastro",
   "label": "Odsiewanie fałszywych alarmów w obserwacjach zmiennego nieba",
   "canonical_name": "Real–bogus classification of astronomical transients",
   "aliases": [
    "real-bogus",
    "transient classification",
    "alert brokers",
    "zjawiska przejściowe"
   ],
   "description": "Klasyfikacja wycinków obrazów różnicowych z przeglądów nieba (prawdziwe źródło vs. artefakt) siecią konwolucyjną w potoku alertów.",
   "description_en": "Classifying difference-image cutouts from sky surveys (real source vs. artefact) with a convolutional network in the alert pipeline.",
   "plain": "Sieć ocenia każdy nowy błysk wykryty na kolejnych zdjęciach nieba i odrzuca te, które są tylko usterką aparatu lub odbiciem.",
   "plain_en": "A network rates every new flash found in successive sky images and discards those that are only camera glitches or reflections.",
   "solves": "Przeglądy nieba wysyłają co noc ogromne liczby alertów, a większość to śmieci, które zasłaniają prawdziwe wybuchy gwiazd.",
   "solves_en": "Sky surveys send huge numbers of alerts every night, and most are junk that hides real stellar explosions.",
   "does": "Jak sito przy płukaniu złota: przepuszcza ziarna wyglądające na prawdziwe, a resztę odrzuca, zanim ktokolwiek musi na nią patrzeć.",
   "does_en": "Like a sieve when panning for gold: it keeps grains that look real and drops the rest before anyone has to look.",
   "example": "Astronom budzi się rano z krótką listą świeżych wybuchów gwiazd do obserwacji, zamiast tysięcy podejrzanych kropek.",
   "example_en": "An astronomer wakes up to a short list of fresh stellar explosions to observe, instead of thousands of suspicious dots.",
   "for_you": [
    "filtrujesz masowe alerty i boisz się przeoczyć ważny",
    "ciekawi cię, jak wykrywa się wybuchy gwiazd"
   ],
   "for_you_en": [
    "filter mass alerts and fear missing an important one",
    "wonder how exploding stars are spotted"
   ],
   "how": "Od nowego zdjęcia odejmuje się obraz referencyjny; każde wykrycie na różnicy daje trzy wycinki (nowy, referencja, różnica), które ocenia sieć konwolucyjna. Wynik progowy trafia do brokerów alertów, a próg dobiera się pod akceptowalny odsetek pominiętych prawdziwych zdarzeń; kolejne modele klasyfikują już typ zjawiska.",
   "how_en": "A reference image is subtracted from the new one; each detection on the difference yields three cutouts (new, reference, difference) scored by a CNN. The thresholded score goes to alert brokers, with the threshold set for an acceptable rate of missed real events; downstream models then classify the event type.",
   "limits": "Zmiana kamery, pogody czy potoku przetwarzania zmienia wygląd artefaktów i wymaga ponownego oznaczania danych. Zbyt ostry próg gubi rzadkie, nietypowe zjawiska, które bywają najciekawsze.",
   "limits_en": "A change of camera, weather or processing pipeline changes how artefacts look and requires relabelling. Too strict a threshold loses rare, unusual events, which are often the most interesting.",
   "terms": [
    {
     "gloss": "Nowe zdjęcie minus stare, by zostało tylko to, co się zmieniło.",
     "term": "obraz różnicowy"
    },
    {
     "gloss": "Fałszywy sygnał z aparatu lub przetwarzania, nie z nieba.",
     "term": "artefakt"
    },
    {
     "gloss": "Usługa rozsyłająca i filtrująca powiadomienia o nowych zjawiskach.",
     "term": "broker alertów"
    }
   ],
   "terms_en": [
    {
     "gloss": "A new image minus an old one, leaving only what changed.",
     "term": "difference image"
    },
    {
     "gloss": "A false signal from the camera or processing, not the sky.",
     "term": "artefact"
    },
    {
     "gloss": "A service that distributes and filters notifications of new events.",
     "term": "alert broker"
    }
   ],
   "prereq": [
    "convpool",
    "classmetrics"
   ],
   "keywords": [
    "braai",
    "Zwicky Transient Facility",
    "Rubin LSST alerts",
    "alert brokers",
    "difference imaging",
    "supernova classification",
    "ALeRCE"
   ],
   "source_ids": [
    "braai-ztf-2019"
   ],
   "url": "https://aiatlasgraph.com/t/transientrealbogus",
   "markdown_url": "https://aiatlasgraph.com/t/transientrealbogus.md",
   "updated": "2026-10-30"
  },
  "treatmenteffects": {
   "id": "treatmenteffects",
   "parent_id": "clinicalprediction",
   "label": "Szacowanie, komu leczenie pomoże (efekt indywidualny)",
   "canonical_name": "Individualised treatment effect estimation",
   "aliases": [
    "heterogeneous treatment effects",
    "CATE estimation",
    "causal machine learning in medicine",
    "personalized treatment recommendation",
    "efekty heterogeniczne leczenia"
   ],
   "description": "Estymacja warunkowego średniego efektu leczenia (CATE) z danych randomizowanych lub obserwacyjnych metodami przyczynowego uczenia maszynowego, jako podstawa rekomendacji terapii.",
   "description_en": "Estimating the conditional average treatment effect (CATE) from randomised or observational data with causal machine learning, as a basis for treatment recommendations.",
   "plain": "Metody, które z danych o wielu pacjentach próbują ocenić, czy dany lek pomoże właśnie tej osobie.",
   "plain_en": "Methods that use data from many patients to estimate whether a treatment will help this particular person.",
   "solves": "Badania podają średni efekt leku, ale jedni pacjenci zyskują dużo, inni nic, a niektórym lek szkodzi.",
   "solves_en": "Trials report a drug's average effect, but some patients gain a lot, others nothing, and some are harmed.",
   "does": "Porównuje podobnych pacjentów leczonych i nieleczonych, jak szukanie bliźniaka, który wybrał inną drogę, i sprawdza, co się stało.",
   "does_en": "Compares similar treated and untreated patients, like finding a twin who took the other path, and checks what happened.",
   "example": "Kardiolog widzi przy karcie pacjenta szacunek, jak bardzo intensywniejsze leczenie obniżyłoby jego ryzyko w porównaniu ze standardowym.",
   "example_en": "A cardiologist sees in the patient's record an estimate of how much a stronger treatment would lower this person's risk versus standard care.",
   "for_you": [
    "zastanawiasz się, czy średni wynik badania dotyczy ciebie",
    "analizujesz dane obserwacyjne o leczeniu"
   ],
   "for_you_en": [
    "wonder whether a trial's average applies to you",
    "analyse observational treatment data"
   ],
   "how": "Meta-uczniowie (S-, T-, X-learner) budują estymator efektu z dowolnych modeli regresji, a lasy przyczynowe i sieci reprezentacyjne szacują go bezpośrednio. Na danych obserwacyjnych emuluje się docelowe badanie kliniczne, kontroluje zakłócacze i sprawdza nakładanie grup; z efektów wyprowadza się politykę leczenia.",
   "how_en": "Meta-learners (S-, T-, X-learner) build an effect estimator from any regression models, while causal forests and representation networks estimate it directly. On observational data a target trial is emulated, confounders are adjusted and group overlap checked; a treatment policy is derived from the effects.",
   "limits": "Efektu indywidualnego nigdy nie obserwuje się wprost, więc walidacja jest trudna. Nieuwzględnione zakłócacze i brak nakładania grup dają błędne zalecenia. Żaden meta-uczeń nie jest zawsze najlepszy, a wdrożenie wymaga potwierdzenia w badaniu prospektywnym.",
   "limits_en": "The individual effect is never observed directly, so validation is hard. Unmeasured confounders and poor overlap produce wrong recommendations. No meta-learner is uniformly best, and deployment needs prospective confirmation.",
   "terms": [
    {
     "gloss": "Średni efekt leczenia dla osób o określonych cechach.",
     "term": "CATE"
    },
    {
     "gloss": "Czynnik wpływający i na wybór leczenia, i na wynik.",
     "term": "zakłócacz"
    },
    {
     "gloss": "Analiza danych z praktyki tak, jakby były badaniem z losowaniem.",
     "term": "emulacja badania docelowego"
    }
   ],
   "terms_en": [
    {
     "gloss": "Average treatment effect for people with given characteristics.",
     "term": "CATE"
    },
    {
     "gloss": "Factor affecting both treatment choice and outcome.",
     "term": "confounder"
    },
    {
     "gloss": "Analysing routine data as if it were a randomised trial.",
     "term": "target trial emulation"
    }
   ],
   "prereq": [
    "causalinference"
   ],
   "keywords": [
    "CATE",
    "X-learner",
    "causal forest",
    "TARNet",
    "DoubleML",
    "EconML",
    "target trial emulation",
    "uplift modeling",
    "policy learning"
   ],
   "source_ids": [
    "metalearners-cate-2017",
    "causal-clinical-recs-2025"
   ],
   "url": "https://aiatlasgraph.com/t/treatmenteffects",
   "markdown_url": "https://aiatlasgraph.com/t/treatmenteffects.md",
   "updated": "2026-10-30"
  },
  "treeflex": {
   "id": "treeflex",
   "parent_id": "agentsnode",
   "label": "Samodzielna nawigacja drzewa stanów agenta",
   "canonical_name": "Agent self-navigation in checkpointed search trees",
   "aliases": [
    "agent search-tree self-navigation",
    "checkpointed agent search",
    "nawigacja drzewa stanów agenta",
    "nawigacja drzewa wyszukiwania agenta"
   ],
   "description": "Technika, w której agent zapisuje stany pośrednie jako drzewo i sam wybiera węzeł do wznowienia, rozdzielając refleksję nad drzewem od wykonania narzędziowego.",
   "description_en": "A technique in which an agent saves intermediate states as a tree and chooses which node to resume, separating tree-level reflection from tool execution.",
   "plain": "Agent zapisuje postępy jako węzły drzewa i sam wybiera, do którego wrócić, żeby kontynuować pracę.",
   "plain_en": "An agent saves progress as tree nodes and chooses which one to resume for continued work.",
   "solves": "Długie zadanie gubi się w jednym kontekście, bo stare próby i błędy zajmują miejsce i zasłaniają ważne ślady.",
   "solves_en": "A long task gets lost in one context as old tries and errors fill space and hide useful traces.",
   "does": "Model w roli refleksji widzi podsumowania wszystkich węzłów i wskazuje, który wznowić oraz z jaką instrukcją; wykonanie przywraca stan i działa narzędziami.",
   "does_en": "The model in reflection role sees summaries of all nodes and picks which to resume with an instruction; execution restores the state and uses tools.",
   "example": "Przy naprawie błędu w kodzie agent wraca do wcześniejszego punktu, gdy nowa zmiana psuje testy, zamiast zaczynać od nowa.",
   "example_en": "When fixing a code bug, the agent returns to an earlier point after a change breaks tests, instead of starting over.",
   "for_you": [
    "zlecasz asystentowi zadania wymagające wielu prób i poprawek",
    "chcesz, by asystent sam wybierał, którą ścieżkę kontynuować"
   ],
   "for_you_en": [
    "give an assistant tasks needing many tries and fixes",
    "want the assistant to choose which path to continue"
   ],
   "how": "Uprząż zapisuje każdy stan pośredni jako węzeł z krótkim podsumowaniem, kontekstem i stanem środowiska. Model w roli refleksji przegląda podsumowania i wybiera węzeł oraz instrukcję. W roli wykonania przywraca ścieżkę do węzła i realizuje instrukcję narzędziami, zapisując nowy węzeł lub proponując rozwiązanie do zatwierdzenia. Trening obu ról odbywa się end-to-end za pomocą wariantu GRPO świadomego drzewa, z nagrodami za wynik zadania i kary procesowe.",
   "how_en": "The harness saves each intermediate state as a node with a short summary, context and environment state. The model in reflection role reviews summaries and selects a node plus instruction. In execution role it restores the path and carries out the instruction with tools, saving a new node or proposing a solution for approval. Both roles train end-to-end with a tree-aware GRPO variant using task rewards and process penalties.",
   "limits": "Dotychczasowe eksperymenty obejmowały modele 4B i 9B, po jednym uruchomieniu każdej konfiguracji, a porównywane systemy różniły się promptami i interfejsami narzędzi. Dodatkowe, sekwencyjne segmenty nawigacji zwiększają opóźnienie; trening nie nagradza bezpośrednio efektywności.",
   "limits_en": "Experiments so far used 4B and 9B models with one run per configuration, while compared systems differed in prompts and tool interfaces. Extra sequential navigation segments increase latency, and training has no direct efficiency reward.",
   "terms": [
    {
     "gloss": "Zapisany stan pośredni z podsumowaniem i możliwością wznowienia.",
     "term": "węzeł drzewa"
    },
    {
     "gloss": "Widok globalny podsumowań i wybór węzła do wznowienia.",
     "term": "rola refleksji"
    },
    {
     "gloss": "Przywrócenie stanu i działanie narzędziami na wybranej ścieżce.",
     "term": "rola wykonania"
    }
   ],
   "terms_en": [
    {
     "gloss": "Saved intermediate state with summary and resume option.",
     "term": "tree node"
    },
    {
     "gloss": "Global view of summaries and choice of node to resume.",
     "term": "reflection role"
    },
    {
     "gloss": "Restore state and act with tools on the chosen path.",
     "term": "execution role"
    }
   ],
   "prereq": [
    "agentharness",
    "grpo"
   ],
   "keywords": [
    "TreeFlex",
    "tree-aware GRPO",
    "agent search tree",
    "reflection execution roles",
    "context navigation",
    "checkpoint cards",
    "SWE-bench Verified",
    "BrowseComp-Plus"
   ],
   "source_ids": [
    "treeflex-arxiv-2610.20334"
   ],
   "url": "https://aiatlasgraph.com/t/treeflex",
   "markdown_url": "https://aiatlasgraph.com/t/treeflex.md",
   "updated": "2026-10-30"
  },
  "treeofthoughts": {
   "id": "treeofthoughts",
   "parent_id": "cot",
   "label": "Drzewo myśli (Tree of Thoughts)",
   "canonical_name": "Tree of Thoughts",
   "description": "Model rozwija kilka alternatywnych ścieżek rozumowania, sam ocenia ich obiecujące fragmenty i może się cofać — jak przeszukiwanie drzewa zamiast jednej linii myśli.",
   "description_en": "The model expands several alternative reasoning paths, evaluates which look promising and can backtrack — tree search instead of one line of thought.",
   "examples": "BFS/DFS po myślach · samoocena kroków · Game of 24",
   "examples_en": "BFS/DFS over thoughts · self-evaluation of steps · Game of 24",
   "plain": "To szukanie rozwiązania przez rozwijanie kilku możliwych ścieżek i wracanie z tych, które nie pomagają.",
   "plain_en": "This searches for a solution by exploring several possible paths and backing away from unhelpful ones.",
   "solves": "Jedna błędna decyzja na początku może poprowadzić całe rozwiązanie w złą stronę.",
   "solves_en": "One wrong early decision can send the entire solution down an unhelpful path.",
   "does": "Model proponuje alternatywne kroki, ocenia ich obiecujące fragmenty i rozwija wybrane gałęzie zamiast jednej nieprzerwanej odpowiedzi.",
   "does_en": "A model proposes alternative steps, assesses promising partial solutions and develops selected branches rather than one uninterrupted response.",
   "example": "Układając plan dostaw, model próbuje różnych pierwszych przystanków i wraca do innego wariantu, gdy trasa narusza ograniczenie czasu.",
   "example_en": "While planning deliveries, a model tries different first stops and returns to another option when a route violates a time constraint.",
   "for_you": [
    "rozwiązanie wymaga wyboru między wariantami",
    "możesz poświęcić obliczenia na sprawdzanie kilku ścieżek"
   ],
   "for_you_en": [
    "need to choose among solution alternatives",
    "can spend computation exploring several paths"
   ],
   "how": "Generator proponuje kilka kolejnych fragmentów rozwiązania, a ocena wybiera ścieżki do rozwinięcia. Sterownik przeszukiwania utrzymuje alternatywy, przycina słabe gałęzie i może wracać do wcześniejszych stanów zamiast kontynuować jedną sekwencję.",
   "how_en": "A generator proposes several next solution fragments, and evaluation selects paths for expansion. A search controller retains alternatives, prunes weak branches and can return to earlier states instead of continuing one sequence.",
   "limits": "Koszt rośnie z liczbą gałęzi i ocen. Błędna heurystyka może odrzucić poprawną ścieżkę; pozornie różne próby bywają silnie skorelowane.",
   "limits_en": "Costs increase with branches and evaluations. Incorrect heuristics can discard valid paths; apparently different attempts can be strongly correlated.",
   "terms": [
    {
     "gloss": "Zbiór częściowych rozwiązań oczekujących na dalsze rozwinięcie.",
     "term": "frontier"
    },
    {
     "gloss": "Odrzucanie ścieżek uznanych za zbyt słabe względem innych.",
     "term": "przycinanie gałęzi"
    }
   ],
   "terms_en": [
    {
     "gloss": "Partial solutions awaiting further expansion.",
     "term": "frontier"
    },
    {
     "gloss": "Discarding paths considered too weak compared with alternatives.",
     "term": "branch pruning"
    }
   ],
   "prereq": [
    "localsearch",
    "evalsets"
   ],
   "keywords": [
    "thought branching",
    "BFS",
    "DFS",
    "self-evaluation",
    "branch pruning",
    "Game of 24"
   ],
   "source_ids": [
    "yao-tree-of-thoughts-2023"
   ],
   "url": "https://aiatlasgraph.com/t/treeofthoughts",
   "markdown_url": "https://aiatlasgraph.com/t/treeofthoughts.md",
   "updated": "2026-10-30"
  },
  "treeopsd": {
   "id": "treeopsd",
   "parent_id": "rlpolicy",
   "label": "Destylacja posterioru świadoma drzewa dla długich agentów",
   "canonical_name": "Tree-aware posterior self-distillation for long-horizon agentic RL",
   "aliases": [
    "TreeOPSD",
    "tree-aware posterior distillation",
    "posterior self-distillation"
   ],
   "description": "Bez-krytyczna destylacja posterioru świadoma drzewa dla przypisywania kredytu w agenticznym RL.",
   "description_en": "Critic-free tree-aware posterior self-distillation for credit assignment in agentic RL.",
   "plain": "Sposób przypisywania kredytu w długich trajektoriach agentów bez osobnego krytyka, przez rozgałęzianie i destylację.",
   "plain_en": "A way to assign credit in long agent trajectories without a separate critic, by branching and distillation.",
   "solves": "Nagroda tylko na końcu sprawia, że trudno wiedzieć, który krok pomógł, a aktualizacje się starzeją.",
   "solves_en": "A reward only at the end makes it hard to know which step helped, and updates become stale.",
   "does": "Rozgałęzia alternatywne kontynuacje, wycofuje nagrody do kroków i destyluje ograniczony cel do polityki.",
   "does_en": "It branches alternative continuations, backs up rewards to steps, and distills a bounded target into the policy.",
   "example": "Agent bada stronę przez wiele tur. Trening wzmacnia turę, po której dalsza ścieżka ma wyższą szansę sukcesu.",
   "example_en": "An agent explores a site over many turns. Training reinforces the turn after which the further path has a higher chance of success.",
   "for_you": [
    "trenujesz agenta na długich zadaniach z rzadką nagrodą",
    "chcesz gęstszy sygnał bez dodatkowej sieci wartości"
   ],
   "for_you_en": [
    "train an agent on long tasks with rare rewards",
    "want a denser signal without an extra value network"
   ],
   "how": "Każdą turę traktuje jako węzeł drzewa, rozgałęzia alternatywne kontynuacje z wspólnych prefiksów i rekurencyjnie wycofuje nagrody końcowe do ukrytego kredytu na poziomie tury. Mapuje kredyt na zamkniętą, ograniczoną dystrybucję nauczyciela z ilorazu prawdopodobień względem zamrożonej polityki zachowania. Minimalizacja dywergencji odzyskuje kierunek gradientu polityki z ograniczeniem do skończonego celu.",
   "how_en": "Each interaction turn is a tree node; it branches alternative continuations from shared prefixes and recursively backs up terminal rewards into implicit turn-level credit. It maps credit to a closed-form bounded teacher distribution parameterized by the likelihood ratio relative to the frozen behavior policy. Minimizing the divergence recovers the policy-gradient direction while bounding updates to a finite target.",
   "limits": "Wymaga rozgałęziania trajektorii, co zwiększa koszt. Dowody na kilku benchmarkach i skalach, szczególnie długich zadaniach. Nie eliminuje potrzeby dobrego weryfikatora końcowego.",
   "limits_en": "Requires branching trajectories, which increases cost. Evidence on several benchmarks and scales, especially long-horizon tasks. It does not eliminate the need for a good terminal verifier.",
   "terms": [
    {
     "gloss": "Przeniesienie wyniku końcowego na wcześniejsze kroki w drzewie.",
     "term": "wycofanie nagrody"
    },
    {
     "gloss": "Destylacja ograniczonego celu z własnych prób do polityki.",
     "term": "posterior self-distillation"
    }
   ],
   "terms_en": [
    {
     "gloss": "Propagating the final result back to earlier steps in the tree.",
     "term": "reward backup"
    },
    {
     "gloss": "Distilling a bounded target from own trials into the policy.",
     "term": "posterior self-distillation"
    }
   ],
   "prereq": [
    "grpo"
   ],
   "keywords": [
    "TreeOPSD",
    "tree-aware distillation",
    "posterior self-distillation",
    "long-horizon agentic RL",
    "critic-free credit assignment",
    "turn-level credit"
   ],
   "source_ids": [
    "treeopsd-2026"
   ],
   "url": "https://aiatlasgraph.com/t/treeopsd",
   "markdown_url": "https://aiatlasgraph.com/t/treeopsd.md",
   "updated": "2026-10-30"
  },
  "trustcalibration": {
   "id": "trustcalibration",
   "parent_id": "ux",
   "label": "Kalibracja zaufania: cytaty, pewność i wyjaśnienia",
   "canonical_name": "Trust calibration",
   "description": "Pokazywanie użytkownikowi sygnałów, które pozwalają ocenić, kiedy odpowiedzi AI można wierzyć: źródła, poziom pewności, krótkie wyjaśnienia i oznaczenie treści wygenerowanych.",
   "description_en": "Showing signals that let users judge when to trust an AI answer: sources, confidence levels, short explanations and labelling of generated content.",
   "examples": "cytaty i odnośniki · wskaźnik pewności · „dlaczego to widzę?” · oznaczenie treści AI",
   "examples_en": "citations and references · confidence display · \"why am I seeing this?\" · AI content disclosure",
   "plain": "To dawanie użytkownikowi podstaw do oceny, kiedy i w jakim stopniu ufać odpowiedzi modelu.",
   "plain_en": "This gives users grounds to assess when and how much to trust a model's answer.",
   "solves": "Pewny ton odpowiedzi nie świadczy o jej poprawności, a użytkownik potrzebuje sposobu sprawdzenia, na czym się opiera.",
   "solves_en": "A confident tone does not establish correctness, and users need a way to check what supports an answer.",
   "does": "Pokazuje źródła, ograniczenia, sygnały niepewności i wyjaśnienia do sprawdzenia; same te oznaczenia nie dowodzą prawdziwości odpowiedzi.",
   "does_en": "It shows sources, limitations, uncertainty signals and explanations for checking; these indicators alone do not prove an answer true.",
   "example": "Asystent odpowiada na pytanie o regulamin i podaje odnośnik do fragmentu dokumentu, który otwierasz, żeby sprawdzić odpowiedź.",
   "example_en": "An assistant answers a question about a policy and links to a document passage that you open to check the answer.",
   "for_you": [
    "chcesz sprawdzać podstawy ważnych odpowiedzi",
    "projektujesz sygnały pomagające oceniać wiarygodność wyniku"
   ],
   "for_you_en": [
    "want to check the basis of important answers",
    "design signals that help assess a result's reliability"
   ],
   "how": "Sygnały zaufania wiąże się z konkretnymi dowodami: cytaty z materiałem, pewność z kalibracją, a potwierdzenie z wynikiem narzędzia. Interfejs pokazuje pochodzenie i niepewności, umożliwiając sprawdzenie zamiast samego przyjęcia deklaracji.",
   "how_en": "Trust signals are tied to specific evidence: citations to material, confidence to calibration and confirmations to tool results. Interfaces expose provenance and uncertainty, enabling checks rather than simple acceptance of claims.",
   "limits": "Prawidłowy link nie dowodzi, że źródło wspiera odpowiedź. Pewność deklarowana przez model może być nietrafna; wyjaśnienie i oznaczenie treści nie zastępują sprawdzenia wyniku.",
   "limits_en": "Valid links do not prove source support for an answer. Model-reported confidence can be inaccurate; explanations and content labels cannot replace outcome checks.",
   "terms": [
    {
     "gloss": "Dopasowanie polegania na systemie do jego sprawdzonej jakości.",
     "term": "kalibracja zaufania"
    },
    {
     "gloss": "Stopień, w jakim wskazany materiał wspiera konkretne twierdzenie.",
     "term": "pokrycie cytatem"
    }
   ],
   "terms_en": [
    {
     "gloss": "Matching reliance on a system to its verified quality.",
     "term": "trust calibration"
    },
    {
     "gloss": "The extent to which referenced material supports a particular claim.",
     "term": "citation support"
    }
   ],
   "prereq": [
    "calibration",
    "evalsets"
   ],
   "keywords": [
    "evidence citations",
    "uncertainty communication",
    "confidence displays",
    "AI content labels",
    "explanation interfaces"
   ],
   "source_ids": [
    "pair-guidebook",
    "shape-of-ai"
   ],
   "url": "https://aiatlasgraph.com/t/trustcalibration",
   "markdown_url": "https://aiatlasgraph.com/t/trustcalibration.md",
   "updated": "2026-10-30"
  },
  "tsfoundation": {
   "id": "tsfoundation",
   "parent_id": "timeseries",
   "label": "Modele bazowe dla szeregów czasowych",
   "canonical_name": "Time-series foundation models",
   "description": "Transformery wytrenowane na ogromnej liczbie różnych szeregów, które prognozują nowy szereg bez trenowania na nim (zero-shot).",
   "description_en": "Transformers pretrained on a very large number of diverse series that forecast a new series without training on it (zero-shot).",
   "examples": "Chronos · TimesFM · prognoza zero-shot",
   "examples_en": "Chronos · TimesFM · zero-shot forecasting",
   "plain": "To gotowe modele, które wykorzystują wcześniejszą naukę z wielu historii pomiarów do prognozowania nowych.",
   "plain_en": "These pretrained models use learning from many measurement histories to forecast new ones.",
   "solves": "Osobne uczenie modelu dla każdego nowego ciągu pomiarów wymaga czasu i wystarczającej historii danych.",
   "solves_en": "Training a separate model for each new measurement sequence takes time and enough historical data.",
   "does": "Odczytuje podaną historię jako kontekst i przewiduje kolejne wartości, korzystając z wcześniej poznanych wzorców bez osobnego treningu na tej historii.",
   "does_en": "It reads the supplied history as context and predicts future values using previously learned patterns without separate training on that history.",
   "example": "Podajesz gotowemu modelowi historię zużycia energii w budynku i otrzymujesz prognozę kolejnych odczytów bez uczenia osobnego modelu.",
   "example_en": "You give a pretrained model a building's energy use history and receive a forecast of future readings without training a separate model.",
   "for_you": [
    "chcesz wypróbować prognozę bez osobnego treningu",
    "masz historię pomiarów do podania gotowemu modelowi"
   ],
   "for_you_en": [
    "want to try forecasting without separate training",
    "have a measurement history to give a pretrained model"
   ],
   "how": "Pretraining na różnorodnych szeregach uczy model przewidywania dalszego przebiegu z historii. Skalowanie i kodowanie wartości lub fragmentów czasowych tworzy wejście transformera, który generuje prognozę albo jej rozkład.",
   "how_en": "Pretraining on diverse series teaches a model to predict continuations from history. Scaling and encoding values or time patches provide transformer inputs, producing forecasts or forecast distributions.",
   "limits": "Nowa częstotliwość, skala i dynamika mogą wykraczać poza pretraining. Zero-shot nie gwarantuje przewagi nad prostym baseline; potrzebna jest ocena dla właściwego horyzontu i dostępnych cech.",
   "limits_en": "New frequencies, scales and dynamics can exceed pretraining coverage. Zero-shot use does not guarantee beating simple baselines; evaluation needs appropriate horizons and available features.",
   "terms": [
    {
     "gloss": "Prognozowanie nowego szeregu bez osobnego treningu modelu na nim.",
     "term": "zero-shot forecasting"
    },
    {
     "gloss": "Fragment kolejnych pomiarów kodowany jako jednostka wejścia modelu.",
     "term": "patch czasowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Forecasting a new series without separately training the model on it.",
     "term": "zero-shot forecasting"
    },
    {
     "gloss": "A consecutive measurement segment encoded as one model input unit.",
     "term": "time patch"
    }
   ],
   "prereq": [
    "transformers",
    "pretraining"
   ],
   "keywords": [
    "Chronos",
    "TimesFM",
    "zero-shot forecasting",
    "time-series tokenization",
    "time patching",
    "probabilistic forecasts"
   ],
   "source_ids": [
    "ansari-chronos-2024",
    "das-timesfm-2023"
   ],
   "url": "https://aiatlasgraph.com/t/tsfoundation",
   "markdown_url": "https://aiatlasgraph.com/t/tsfoundation.md",
   "updated": "2026-10-30"
  },
  "tsrlcontinual": {
   "id": "tsrlcontinual",
   "parent_id": "continual",
   "label": "Selektywny nadzór eksperta w ciągłym treningu agentów",
   "canonical_name": "Selective expert supervision in continual agent reinforcement learning",
   "aliases": [
    "TSRL",
    "trigger-based supervised reinforcement learning",
    "hard-state SFT in agent RL"
   ],
   "description": "RL jako główny mechanizm uczenia z selektywnym SFT aktywowanym w trudnych stanach podczas ciągłego treningu agentów.",
   "description_en": "RL as backbone with selective SFT activated on hard states for continual agent training.",
   "plain": "Trening agentów, który dodaje wskazówki eksperta tylko wtedy, gdy model sam sobie nie radzi.",
   "plain_en": "Agent training that adds expert hints only when the model cannot manage on its own.",
   "solves": "Uczenie nowych zadań może osłabiać umiejętności agenta nabyte na wcześniejszych zadaniach.",
   "solves_en": "Teaching an agent new tasks can weaken skills acquired on earlier tasks.",
   "does": "Główny trening wykorzystuje nagrody, a nadzór eksperta włącza się tylko dla stanów, których grupowy współczynnik sukcesu nie przekracza ustalonego progu.",
   "does_en": "Main training uses rewards, while expert supervision turns on only for states whose group success rate does not exceed a chosen threshold.",
   "example": "Agent uczy się obsługi nowego sklepu internetowego. Gdy wielokrotnie gubi się w danym kroku, dostaje poprawną akcję; selektywny nadzór ma ograniczyć pogorszenie wcześniejszych umiejętności.",
   "example_en": "An agent learns to use a new online shop. When it repeatedly gets stuck at a step, it receives the correct action; selective supervision is meant to reduce degradation of earlier skills.",
   "for_you": [
    "dokładasz agentowi kolejne zadania po kolei",
    "chcesz zachować stare umiejętności podczas nowego treningu",
    "masz demonstracje eksperta tylko dla trudnych sytuacji"
   ],
   "for_you_en": [
    "add successive tasks to an agent one after another",
    "want to keep old skills during new training",
    "have expert demonstrations only for hard situations"
   ],
   "how": "RL optymalizuje politykę. Mechanizm wyzwalający włącza SFT, gdy Group Success Rate w grupie próbek nie przekracza progu, dodając gradient z demonstracji eksperta. Liniowy harmonogram stopniowo zmniejsza wagę nadzoru. Analiza teoretyczna ogranicza skumulowaną zmianę parametrów względem pełnego SFT i wiąże mniejszy dryf z mniejszym zapominaniem.",
   "how_en": "RL optimizes the policy. A trigger activates SFT when Group Success Rate in the sample group does not exceed a threshold, adding a gradient from an expert demonstration. A linear schedule gradually reduces the supervision weight. The theoretical analysis bounds cumulative parameter change relative to full SFT and links lower drift to reduced forgetting.",
   "limits": "Wymaga demonstracji eksperta dla trudnych stanów oraz definicji sukcesu, progu wyzwalania i harmonogramu wygaszania. Wyniki pokazano na ALFWorld, WebShop i Deep Search dla modeli 7B i 32B; nie dowodzą one braku zapominania ani skuteczności poza tym zakresem.",
   "limits_en": "It requires expert demonstrations for hard states plus a success definition, trigger threshold, and annealing schedule. Results were shown on ALFWorld, WebShop, and Deep Search with 7B and 32B models; they do not establish zero forgetting or effectiveness outside that scope.",
   "terms": [
    {
     "gloss": "Stan, którego grupowy współczynnik sukcesu nie przekracza ustalonego progu.",
     "term": "trudny stan"
    },
    {
     "gloss": "Udział udanych odpowiedzi w grupie próbek z bieżącej polityki.",
     "term": "Group Success Rate"
    },
    {
     "gloss": "Stopniowe zmniejszanie wpływu nadzoru eksperta w trakcie treningu.",
     "term": "wygaszanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A state whose group success rate does not exceed the chosen threshold.",
     "term": "hard state"
    },
    {
     "gloss": "Share of successful responses in a group of samples from the current policy.",
     "term": "Group Success Rate"
    },
    {
     "gloss": "Gradually reducing the influence of expert supervision during training.",
     "term": "annealing"
    }
   ],
   "prereq": [
    "forgetting",
    "grpo",
    "sft"
   ],
   "keywords": [
    "TSRL",
    "trigger-based SFT",
    "hard states",
    "continual agent training",
    "Group Success Rate",
    "selective supervision",
    "catastrophic forgetting",
    "GRPO"
   ],
   "source_ids": [
    "tsrl-continual-2026"
   ],
   "url": "https://aiatlasgraph.com/t/tsrlcontinual",
   "markdown_url": "https://aiatlasgraph.com/t/tsrlcontinual.md",
   "updated": "2026-10-30"
  },
  "ttpmapping": {
   "id": "ttpmapping",
   "parent_id": "ctianalysis",
   "label": "Mapowanie opisów ataków na techniki MITRE ATT&CK",
   "canonical_name": "Automated mapping of threat text to ATT&CK techniques",
   "aliases": [
    "TTP extraction",
    "ATT&CK technique classification",
    "CTI to ATT&CK mapping",
    "TTP classification",
    "ekstrakcja TTP"
   ],
   "description": "Klasyfikacja zdań i raportów o zagrożeniach do technik i taktyk z katalogu MITRE ATT&CK, zadanie wieloetykietowej klasyfikacji tekstu.",
   "description_en": "Classifying sentences and threat reports into techniques and tactics from the MITRE ATT&CK catalogue, a multi-label text classification task.",
   "plain": "Automatyczne przypisywanie opisanych w raporcie kroków włamywaczy do pozycji ze wspólnego, publicznego katalogu sposobów atakowania.",
   "plain_en": "Automatically matching attacker steps described in a report to entries in a shared public catalogue of attack methods.",
   "solves": "Każdy raport opisuje ataki innymi słowami, więc trudno porównać grupy przestępcze i sprawdzić, czy obrona pokrywa ich metody.",
   "solves_en": "Every report describes attacks in different words, so it's hard to compare criminal groups and check whether defences cover their methods.",
   "does": "Jak bibliotekarz nadający książkom sygnatury: różne opisy trafiają na tę samą półkę, więc łatwo zobaczyć, czego brakuje.",
   "does_en": "Like a librarian assigning shelf marks: different descriptions land on the same shelf, so gaps are easy to see.",
   "example": "Analityk wkleja trzydziestostronicowy raport, a narzędzie wypisuje kilkanaście technik z numerami katalogowymi i podświetla zdania, z których je wywnioskowało.",
   "example_en": "An analyst pastes a thirty-page report and the tool lists a dozen techniques with catalogue numbers, highlighting the sentences it inferred them from.",
   "for_you": [
    "analizujesz raporty o zagrożeniach",
    "sprawdzasz, przed którymi metodami ataków chroni twoja firma",
    "uczysz się klasyfikacji tekstu na prawdziwym problemie"
   ],
   "for_you_en": [
    "analyse threat reports",
    "check which attack methods your company is protected against",
    "are learning text classification on a real problem"
   ],
   "how": "System dzieli raport na fragmenty, rozpoznaje opisy zachowań i klasyfikuje je do technik ATT&CK. Badane podejścia obejmują dostrojone encodery językowe, wzbogacanie rzadkich klas syntetycznymi przykładami oraz agregację wyników dla całego raportu.",
   "how_en": "The system splits a report into passages, recognizes behavior descriptions, and classifies them into ATT&CK techniques. Studied approaches include fine-tuned language encoders, synthetic augmentation for rare classes, and report-level aggregation.",
   "limits": "Krótkie zdania bywają dwuznaczne i pasują do kilku technik; wiele błędów to pomyłki w obrębie tej samej taktyki. Na poziomie całych raportów skuteczność wyraźnie spada. Katalog się zmienia, więc etykiety i modele trzeba aktualizować.",
   "limits_en": "Short sentences are often ambiguous and fit several techniques; many errors are confusions within the same tactic. Accuracy drops clearly at whole-report level. The catalogue changes, so labels and models need updating.",
   "terms": [
    {
     "gloss": "Taktyki, techniki i procedury, czyli to, jak działa atakujący.",
     "term": "TTP"
    },
    {
     "gloss": "Publiczny katalog znanych technik ataków pogrupowanych według celów.",
     "term": "MITRE ATT&CK"
    },
    {
     "gloss": "Jeden tekst może dostać kilka etykiet naraz.",
     "term": "klasyfikacja wieloetykietowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Tactics, techniques and procedures: how an attacker operates.",
     "term": "TTP"
    },
    {
     "gloss": "A public catalogue of known attack techniques grouped by goal.",
     "term": "MITRE ATT&CK"
    },
    {
     "gloss": "One text can receive several labels at once.",
     "term": "multi-label classification"
    }
   ],
   "prereq": [
    "textclassification",
    "infoextraction"
   ],
   "keywords": [
    "MITRE ATT&CK",
    "TTP extraction",
    "CTI",
    "SecureBERT",
    "TTPXHunter",
    "TRAM",
    "technique classification",
    "threat reports"
   ],
   "source_ids": [
    "orbinato-cti-attack-mapping-2022",
    "rani-ttpxhunter-2024"
   ],
   "url": "https://aiatlasgraph.com/t/ttpmapping",
   "markdown_url": "https://aiatlasgraph.com/t/ttpmapping.md",
   "updated": "2026-10-30"
  },
  "tts": {
   "id": "tts",
   "parent_id": "audio",
   "label": "Synteza mowy / TTS",
   "canonical_name": "Text-to-speech",
   "description": "Wytwarzanie mowy na podstawie tekstu.",
   "description_en": "Producing speech from text.",
   "examples": "Głos syntetyczny",
   "examples_en": "Synthetic voice",
   "plain": "To zamienianie pisanego tekstu na wypowiedź słyszaną z urządzenia.",
   "plain_en": "This turns written text into speech played by a device.",
   "solves": "Nie możesz patrzeć na ekran, ale potrzebujesz usłyszeć zapisane informacje.",
   "solves_en": "You cannot look at a screen but need to hear written information.",
   "does": "Model dobiera wymowę, rytm i brzmienie do tekstu, a następnie tworzy odpowiadający im sygnał dźwiękowy.",
   "does_en": "A model chooses pronunciation, rhythm and voice characteristics for the text, then produces the corresponding sound signal.",
   "example": "Telefon odczytuje ci wiadomość, gdy gotujesz i masz mokre ręce.",
   "example_en": "Your phone reads a message aloud while you cook with wet hands.",
   "for_you": [
    "potrzebujesz odczytywania tekstu na głos",
    "dodajesz mówione odpowiedzi do programu"
   ],
   "for_you_en": [
    "need text read aloud",
    "add spoken responses to software"
   ],
   "how": "Model mapuje tekst i warunki głosu na cechy akustyczne lub tokeny audio. Wokoder albo dekoder rekonstruuje przebieg falowy, a opcjonalne sterowanie określa rytm, intonację i tempo.",
   "how_en": "The model maps text and voice conditions to acoustic features or audio tokens. A vocoder or decoder reconstructs waveforms, while additional controls specify rhythm, intonation and pace.",
   "limits": "Wymowa nazw, skrótów i liczb wymaga poprawnej interpretacji tekstu. Naturalna prozodia oraz stabilny głos zależą od danych, a strumieniowanie może ograniczać kontekst syntezy.",
   "limits_en": "Pronouncing names, abbreviations and numbers requires correct text interpretation. Natural prosody and stable voices depend on data, while streaming can limit synthesis context.",
   "terms": [
    {
     "gloss": "Model lub algorytm odtwarzający falę dźwiękową z reprezentacji akustycznej.",
     "term": "wokoder"
    },
    {
     "gloss": "Rytm, akcentowanie i intonacja wypowiedzi.",
     "term": "prozodia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model or algorithm reconstructing waveforms from acoustic representations.",
     "term": "vocoder"
    },
    {
     "gloss": "Speech rhythm, stress and intonation.",
     "term": "prosody"
    }
   ],
   "prereq": [
    "transformers",
    "tokenization"
   ],
   "keywords": [
    "Tacotron 2",
    "FastSpeech 2",
    "HiFi-GAN",
    "neural vocoder",
    "prosody control",
    "speaker conditioning"
   ],
   "source_ids": [
    "audio"
   ],
   "url": "https://aiatlasgraph.com/t/tts",
   "markdown_url": "https://aiatlasgraph.com/t/tts.md",
   "updated": "2026-10-30"
  },
  "tttlayers": {
   "id": "tttlayers",
   "parent_id": "testtimeadapt",
   "label": "Warstwy z modelem w stanie ukrytym",
   "canonical_name": "Test-time training layers",
   "aliases": [
    "TTT-Linear",
    "TTT-MLP"
   ],
   "description": "Warstwa sekwencyjna, której stan ukryty jest modelem uczonym krokiem samonadzoru także na teście.",
   "description_en": "A sequence layer whose hidden state is a model updated by a self-supervised step also at test time.",
   "plain": "Wewnętrzna pamięć warstwy jest małym modelem, który uczy się na bieżącej sekwencji.",
   "plain_en": "A layer's internal memory is a small model that learns on the current sequence.",
   "solves": "Długa sekwencja sprawia, że pełna uwaga jest kosztowna, a model potrzebuje pamięci o liniowym koszcie względem długości.",
   "solves_en": "A long sequence makes full attention costly, while the model needs memory with linear cost in sequence length.",
   "does": "Każdy nowy fragment jest ćwiczeniem dla małego modelu w środku warstwy, a odczyt jest jego przewidywaniem.",
   "does_en": "Each new fragment is an exercise for the small model inside the layer, and the readout is its prediction.",
   "example": "Przy długiej umowie warstwa dopisuje kolejne klauzule do wewnętrznego modelu, zamiast trzymać cały tekst w uwadze.",
   "example_en": "On a long contract, the layer writes later clauses into an internal model instead of holding the whole text in attention.",
   "for_you": [
    "czytasz bardzo długie dokumenty",
    "pamięć uwagi jest za droga",
    "chcesz trzymać szczegóły z daleka"
   ],
   "for_you_en": [
    "read very long documents",
    "attention memory is too costly",
    "want to keep details from far back"
   ],
   "how": "Stan to wagi modelu liniowego albo małej sieci. Krok aktualizacji dopasowuje je do par z bieżącego fragmentu, a odczyt liczy się w nowym punkcie. Złożoność względem długości jest liniowa. Warianty to model liniowy i dwuwarstwowa sieć.",
   "how_en": "The state is the weights of a linear model or a small network. An update step fits them to pairs from the current fragment, and the readout is evaluated at a new point. Cost in sequence length is linear. Variants use a linear model or a two-layer network.",
   "limits": "Model przechowywany w stanie ukrytym zwiększa koszt pamięci i transferu. Korzyść zależy od długości kontekstu; wariant z małą siecią nadal ma ograniczenia wejścia i wyjścia pamięci.",
   "limits_en": "Keeping a model in the hidden state increases memory and transfer costs. Benefits depend on context length; the small-network variant still faces memory I/O limitations.",
   "terms": [
    {
     "gloss": "Pamięć warstwy, która sama jest małym uczonym modelem.",
     "term": "stan jako model"
    },
    {
     "gloss": "Jedna aktualizacja tego małego modelu na bieżącym fragmencie.",
     "term": "krok wewnętrzny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Layer memory that is itself a small learned model.",
     "term": "state as a model"
    },
    {
     "gloss": "One update of that small model on the current fragment.",
     "term": "inner step"
    }
   ],
   "prereq": [
    "ssm",
    "transformers"
   ],
   "keywords": [
    "TTT-Linear",
    "TTT-MLP",
    "linear complexity",
    "hidden state as model",
    "long context",
    "self-supervised update",
    "inner-loop learner"
   ],
   "source_ids": [
    "sun-tttlayers-2024"
   ],
   "url": "https://aiatlasgraph.com/t/tttlayers",
   "markdown_url": "https://aiatlasgraph.com/t/tttlayers.md",
   "updated": "2026-10-30"
  },
  "tttmae": {
   "id": "tttmae",
   "parent_id": "testtimeadapt",
   "label": "Maskowanie obrazu w czasie testu",
   "canonical_name": "Masked autoencoder test-time training",
   "aliases": [
    "TTT-MAE"
   ],
   "description": "Jednopróbkowe uczenie w czasie testu, w którym celem pomocniczym jest odtworzenie zamaskowanego obrazu.",
   "description_en": "One-sample test-time training whose auxiliary objective is reconstructing a masked image.",
   "plain": "Model zasłania kawałki bieżącego obrazu, uczy się je odtwarzać i dopiero potem rozpoznaje treść.",
   "plain_en": "A model hides pieces of the current image, learns to restore them, and only then names the content.",
   "solves": "Jedno zdjęcie z nowego oświetlenia albo szumu nie ma etykiety, a stary model się myli.",
   "solves_en": "One photo in new light or noise has no label, and the old model gets it wrong.",
   "does": "Zasłonięte fragmenty trzeba odtworzyć z reszty kadru, a ta naprawa przesuwa wagi przed klasyfikacją.",
   "does_en": "Hidden fragments must be restored from the rest of the frame, and that repair shifts weights before classification.",
   "example": "Zdjęcie produktu w złym świetle model najpierw uzupełnia w zasłoniętych miejscach, a potem podaje kategorię.",
   "example_en": "For a product photo in poor light, the model first fills hidden patches, then gives the category.",
   "for_you": [
    "rozpoznajesz obrazy z innego źródła",
    "masz pojedynczy kadr bez etykiety",
    "stały model myli się na nowym wyglądzie"
   ],
   "for_you_en": [
    "recognise images from another source",
    "have a single frame without a label",
    "a fixed model fails on the new look"
   ],
   "how": "Z próbki wycina się maskę, a enkoder z dekoderem przewiduje ukryte fragmenty. Gradient z błędu rekonstrukcji aktualizuje wybrane wagi, zwykle wspólny trzon, zanim głowa klasyfikacji wyda etykietę. Autorzy wiążą zysk z kompromisem obciążenia i wariancji.",
   "how_en": "A mask is cut from the sample, and an encoder-decoder predicts the hidden fragments. The reconstruction gradient updates selected weights, usually the shared trunk, before the classification head emits a label. The authors link the gain to a bias-variance trade-off.",
   "limits": "Cel rekonstrukcji może być słabo związany z klasą, a dodatkowy krok odtwarzania zwiększa koszt odpowiedzi. Metoda została opisana dla obrazów, więc nie przenosi się automatycznie na tekst.",
   "limits_en": "The reconstruction objective can relate weakly to the class, and the extra restoration step increases answer-time cost. The method was described for images, so it does not transfer automatically to text.",
   "terms": [
    {
     "gloss": "Zasłonięte fragmenty obrazu, które model ma odtworzyć.",
     "term": "maska"
    },
    {
     "gloss": "Próba odzyskania zasłoniętej treści z widocznej reszty.",
     "term": "rekonstrukcja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Hidden image fragments the model is asked to restore.",
     "term": "mask"
    },
    {
     "gloss": "An attempt to recover hidden content from the visible rest.",
     "term": "reconstruction"
    }
   ],
   "prereq": [
    "visionssl",
    "supervised"
   ],
   "keywords": [
    "masked autoencoder",
    "MAE",
    "one-sample learning",
    "reconstruction loss",
    "bias-variance",
    "visual distribution shift"
   ],
   "source_ids": [
    "gandelsman-tttmae-2022"
   ],
   "url": "https://aiatlasgraph.com/t/tttmae",
   "markdown_url": "https://aiatlasgraph.com/t/tttmae.md",
   "updated": "2026-10-30"
  },
  "tttselfsup": {
   "id": "tttselfsup",
   "parent_id": "testtimeadapt",
   "label": "Zadanie pomocnicze na jednej próbce",
   "canonical_name": "One-sample self-supervised test-time training",
   "aliases": [
    "TTT-Online",
    "rotation prediction at test time"
   ],
   "description": "Krótka samonadzorowana aktualizacja na jednej próbce albo strumieniu, przed predykcją zadania głównego.",
   "description_en": "A short self-supervised update on one sample or a stream, before the main-task prediction.",
   "plain": "Z jednego nieoznakowanego przykładu model robi sobie ćwiczenie i dopiero potem odpowiada.",
   "plain_en": "From one unlabeled example the model makes an exercise, and only then answers.",
   "solves": "Nowy przykład wygląda inaczej niż trening, a nie masz poprawnej etykiety, żeby go douczyć.",
   "solves_en": "A new example looks unlike training, and you have no correct label to train on.",
   "does": "Model rozwiązuje samonadzorowane zadanie pomocnicze na bieżącej próbce, a kilka kroków aktualizuje wagi przed właściwą decyzją.",
   "does_en": "The model solves a self-supervised auxiliary task on the current sample, and a few steps update weights before the actual decision.",
   "example": "Na zdjęciu z deszczu model najpierw rozwiązuje pomocnicze zadanie bez etykiety, a potem podaje, co znajduje się w kadrze.",
   "example_en": "On a rainy photo, the model first solves an unlabeled auxiliary task, then says what is in the frame.",
   "for_you": [
    "masz pojedynczy przykład bez etykiety",
    "wygląd danych zmienił się po treningu",
    "możesz poświęcić kilka dodatkowych kroków"
   ],
   "for_you_en": [
    "have a single example without a label",
    "data appearance changed after training",
    "can spend a few extra steps"
   ],
   "how": "Wspólny trzon ma głowę zadania i głowę pomocniczą. Podczas testu gradient z samonadzorowanego ćwiczenia na bieżącej próbce aktualizuje wybrane wagi, a następnie głowa główna oblicza etykietę. W wariancie online kolejne próbki kumulują aktualizacje.",
   "how_en": "A shared trunk has a task head and an auxiliary head. At test time, the gradient from a self-supervised exercise on the current sample updates selected weights, then the main head predicts the label. In the online variant, later samples accumulate updates.",
   "limits": "Ćwiczenie musi być powiązane z zadaniem. Za dużo kroków dopasowuje się do szumu jednej próbki. Opis pochodzi z obrazów i nie przenosi się sam na tekst.",
   "limits_en": "The exercise must relate to the task. Too many steps fit noise in one sample. The account comes from images and does not transfer to text by itself.",
   "terms": [
    {
     "gloss": "Część sieci licząca ćwiczenie bez etykiety zadania.",
     "term": "głowa pomocnicza"
    },
    {
     "gloss": "Aktualizacje zbierane na kolejnych próbkach strumienia, nie na jednej.",
     "term": "wariant online"
    }
   ],
   "terms_en": [
    {
     "gloss": "The network part that computes an exercise without the task label.",
     "term": "auxiliary head"
    },
    {
     "gloss": "Updates accumulated across a stream of samples, not one sample.",
     "term": "online variant"
    }
   ],
   "prereq": [
    "visionssl",
    "supervised"
   ],
   "keywords": [
    "test-time training",
    "self-supervised auxiliary task",
    "online test-time training",
    "distribution shift",
    "image classification"
   ],
   "source_ids": [
    "sun-ttt-2020"
   ],
   "url": "https://aiatlasgraph.com/t/tttselfsup",
   "markdown_url": "https://aiatlasgraph.com/t/tttselfsup.md",
   "updated": "2026-10-30"
  },
  "turndetection": {
   "id": "turndetection",
   "parent_id": "voiceagents",
   "label": "Prowadzenie tur rozmowy",
   "canonical_name": "Turn-taking in voice agents",
   "description": "Decyzje, kiedy słuchać, kiedy zacząć odpowiedź oraz czy można równocześnie mówić i odbierać mowę. Wykrycie ciszy nie jest równoznaczne z końcem myśli.",
   "description_en": "Decisions about when to listen, start responding and allow simultaneous listening and speaking. Silence does not necessarily mean a thought is complete.",
   "examples": "VAD · kontekstowy koniec tury · dialog pełnodupleksowy",
   "examples_en": "VAD · contextual end-of-turn · full-duplex dialogue",
   "plain": "To ustalanie, kiedy asystent powinien słuchać, odpowiadać albo dopuścić nakładanie się wypowiedzi.",
   "plain_en": "This decides when an assistant should listen, reply or allow overlapping speech.",
   "solves": "Asystent wchodzi ci w słowo albo milczy zbyt długo po zakończeniu pytania.",
   "solves_en": "An assistant cuts you off or stays silent too long after your question ends.",
   "does": "System łączy sygnały dźwiękowe i kontekst wypowiedzi, żeby zarządzać przejmowaniem głosu oraz reakcjami w trakcie rozmowy.",
   "does_en": "A system combines audio cues and speech context to manage turn changes and responses during conversation.",
   "example": "Zastanawiasz się przez chwilę w środku zdania, a asystent czeka, aż dokończysz prośbę.",
   "example_en": "You pause to think halfway through a sentence, and the assistant waits for you to finish your request.",
   "for_you": [
    "asystent przerywa ci podczas namysłu",
    "zależy ci na naturalnym rytmie rozmowy"
   ],
   "for_you_en": [
    "get interrupted by an assistant while thinking",
    "care about a natural conversational rhythm"
   ],
   "how": "Stan dialogu łączy obecność mowy, prozodię, treść wypowiedzi i czas ciszy, aby przewidzieć zakończenie tury. Zdarzenia końca wypowiedzi uruchamiają odpowiedź, a kolejne sygnały mogą zmienić decyzję lub dopuścić nakładanie mowy.",
   "how_en": "Dialogue state combines speech presence, prosody, utterance content and silence duration to predict turn completion. End-of-turn events trigger responses, while subsequent signals can revise the decision or permit overlapping speech.",
   "limits": "Cisza może oznaczać zastanawianie się, a pełne zdanie dalszą wypowiedź. Wcześniejsze decyzje zwiększają ryzyko przerwania użytkownika; ostrożniejsze wydłużają oczekiwanie.",
   "limits_en": "Silence can indicate thinking, and a complete sentence can precede further speech. Earlier decisions risk interrupting users; more conservative decisions increase waiting.",
   "terms": [
    {
     "gloss": "Moment przekazania inicjatywy pomiędzy rozmówcami.",
     "term": "granica tury"
    },
    {
     "gloss": "Wyznaczanie końca wypowiedzi na podstawie sygnałów strumienia.",
     "term": "endpointing"
    }
   ],
   "terms_en": [
    {
     "gloss": "The point where conversational initiative passes between speakers.",
     "term": "turn boundary"
    },
    {
     "gloss": "Detecting an utterance ending from stream signals.",
     "term": "endpointing"
    }
   ],
   "prereq": [
    "asr",
    "eventdriven"
   ],
   "keywords": [
    "VAD",
    "endpointing",
    "end-of-turn prediction",
    "semantic VAD",
    "prosodic cues",
    "full-duplex dialogue",
    "silence thresholds",
    "LiveKit turn detector"
   ],
   "source_ids": [
    "voiceprimer",
    "livekit-turns-guide",
    "livekit-turn-detector",
    "openai-realtime-vad"
   ],
   "url": "https://aiatlasgraph.com/t/turndetection",
   "markdown_url": "https://aiatlasgraph.com/t/turndetection.md",
   "updated": "2026-10-30"
  },
  "turnquality": {
   "id": "turnquality",
   "parent_id": "voiceevals",
   "label": "Ocena tur, przerwań i słyszalnego czasu reakcji",
   "canonical_name": "Turn-taking, interruption and audible-latency evaluation",
   "description": "Testy mierzą przedwczesne wejście w słowo, niepotrzebną ciszę, nakładanie mowy, zachowanie po przerwaniu oraz czas do użytecznej odpowiedzi słyszanej przez człowieka.",
   "description_en": "Tests measure premature takeovers, unwanted silence, overlap, post-interruption behavior and time to a useful audible response.",
   "examples": "opóźnienie słyszalnej odpowiedzi · prawidłowe wznowienie",
   "examples_en": "audible response latency · correct recovery",
   "plain": "To sprawdzanie rytmu rozmowy: przerw, wejść w słowo, wznowienia i czasu do użytecznej odpowiedzi.",
   "plain_en": "This checks conversational timing: pauses, interruptions, recovery and the wait for a useful response.",
   "solves": "Asystent zna odpowiedź, ale rozmawia niezręcznie, przerywa lub zostawia cię w długiej ciszy.",
   "solves_en": "An assistant knows the answer but converses awkwardly, interrupts or leaves you waiting in silence.",
   "does": "Test śledzi, co człowiek faktycznie słyszy i kiedy, oraz jak system zachowuje się po przejęciu głosu.",
   "does_en": "A test tracks what the person actually hears and when, plus how the system behaves after a turn is interrupted.",
   "example": "Porównujesz nagrania, żeby sprawdzić, który wariant asystenta czeka na koniec pytania i szybciej zaczyna pomocną odpowiedź.",
   "example_en": "You compare recordings to see which assistant waits for the question to finish and starts a helpful reply sooner.",
   "for_you": [
    "rozmowa brzmi nienaturalnie mimo poprawnych odpowiedzi",
    "mierzysz czas reakcji słyszany przez rozmówcę"
   ],
   "for_you_en": [
    "find conversation unnatural despite correct answers",
    "measure response time as heard by the caller"
   ],
   "how": "Oznaczenia czasowe mowy użytkownika i odpowiedzi agenta zestawia się z oczekiwanymi granicami tur. Rubryki oceniają przedwczesne wejścia, niepotrzebne cisze, reakcję na nakładanie oraz powrót po przerwaniu, rozdzielając czas reakcji od sensowności odpowiedzi.",
   "how_en": "User-speech and agent-response timestamps are compared with expected turn boundaries. Rubrics assess premature responses, unnecessary silences, overlap handling and recovery after interruption, separating response timing from appropriateness.",
   "limits": "Naturalna granica tury bywa niejednoznaczna i zależy od rozmówcy. Zegar serwera nie mierzy dokładnie dźwięku usłyszanego przez klienta; pojedynczy wskaźnik nie oddaje jakości wymiany.",
   "limits_en": "Natural turn boundaries can be ambiguous and speaker-dependent. Server clocks do not precisely measure audio heard by clients; one metric cannot capture interaction quality.",
   "terms": [
    {
     "gloss": "Rozpoczęcie odpowiedzi zanim użytkownik oddał turę.",
     "term": "przedwczesne wejście"
    },
    {
     "gloss": "Sprawdzenie, czy rozmowa po przerwaniu zachowuje kontekst i cel.",
     "term": "ocena wznowienia"
    }
   ],
   "terms_en": [
    {
     "gloss": "Starting a response before the user has yielded their turn.",
     "term": "premature response"
    },
    {
     "gloss": "Checking whether dialogue retains context and goals after interruption.",
     "term": "recovery assessment"
    }
   ],
   "prereq": [
    "evalstats",
    "eventdriven"
   ],
   "keywords": [
    "IHBench",
    "end-of-turn latency",
    "premature response rate",
    "false interruption rate",
    "recovery success rate",
    "audible response latency"
   ],
   "source_ids": [
    "eva-bench-voice",
    "livekit-agent-simulations",
    "ihbench-voice"
   ],
   "url": "https://aiatlasgraph.com/t/turnquality",
   "markdown_url": "https://aiatlasgraph.com/t/turnquality.md",
   "updated": "2026-10-30"
  },
  "tutorcopilot": {
   "id": "tutorcopilot",
   "parent_id": "tutoring",
   "label": "Podpowiedzi AI dla nauczycieli i korepetytorów na żywo",
   "canonical_name": "Real-time AI guidance for human tutors",
   "aliases": [
    "tutor copilot",
    "teacher copilot",
    "human-AI tutoring",
    "AI-assisted tutoring",
    "asystent nauczyciela",
    "wsparcie korepetytora"
   ],
   "description": "Systemy człowiek–AI, w których model, oparty na wzorcach ekspertów, w czasie rzeczywistym proponuje nauczycielowi strategie i odpowiedzi.",
   "description_en": "Human–AI systems in which a model, built on expert patterns, suggests strategies and replies to a tutor in real time.",
   "plain": "Asystent, który podczas lekcji podpowiada nauczycielowi albo korepetytorowi, jak odpowiedzieć uczniowi, zamiast rozmawiać z uczniem sam.",
   "plain_en": "An assistant that, during a lesson, suggests to a teacher or tutor how to respond to a student, instead of talking to the student itself.",
   "solves": "Początkujący korepetytorzy często po prostu podają wynik, bo nie wiedzą, jak naprowadzić ucznia, a szkoleń brakuje.",
   "solves_en": "Novice tutors often just give the answer because they do not know how to guide the student, and training is scarce.",
   "does": "Jak doświadczony mentor szepczący do ucha młodszemu koledze: proponuje pytanie lub wskazówkę, a decyzję zostawia człowiekowi.",
   "does_en": "Like an experienced mentor whispering to a junior colleague: proposes a question or hint and leaves the choice to the person.",
   "example": "Student prowadzący zajęcia wyrównawcze przez czat widzi trzy propozycje odpowiedzi na błąd ucznia i wybiera tę, która zachęca do wyjaśnienia rozumowania.",
   "example_en": "A student running remedial sessions over chat sees three suggested replies to a pupil's mistake and picks the one that asks the pupil to explain their thinking.",
   "for_you": [
    "prowadzisz korepetycje lub zajęcia wyrównawcze",
    "szkolisz młodych nauczycieli"
   ],
   "for_you_en": [
    "tutor or run catch-up classes",
    "train new teachers"
   ],
   "how": "Model obserwuje rozmowę tutora z uczniem, rozpoznaje sytuację (np. błąd ucznia) i proponuje strategię oraz gotowe odpowiedzi oparte na rozumowaniu doświadczonych nauczycieli. Tutor wybiera, edytuje lub ignoruje propozycję. Skutek ocenia się eksperymentem na opanowaniu tematów przez uczniów i analizą stosowanych strategii.",
   "how_en": "The model watches the tutor–student conversation, recognises the situation (e.g. a student error) and proposes a strategy and draft replies based on expert teacher reasoning. The tutor picks, edits or ignores the suggestion. Impact is assessed by experiments on students' topic mastery and analysis of strategies used.",
   "limits": "Efekty były umiarkowane i największe u słabszych tutorów. Propozycje bywały niedopasowane do wieku lub poziomu ucznia. Dowód pochodzi z tekstowego, wirtualnego tutoringu matematycznego; skuteczności w innych przedmiotach, grupach wiekowych i formach zajęć jeszcze nie wykazano.",
   "limits_en": "Effects were modest and largest for weaker tutors. Suggestions were sometimes ill-suited to a student's age or level. The evidence comes from text-based virtual mathematics tutoring; effectiveness in other subjects, age groups and teaching formats has not yet been shown.",
   "terms": [
    {
     "gloss": "Model tylko proponuje, a decyzję podejmuje człowiek.",
     "term": "człowiek w pętli"
    },
    {
     "gloss": "Sposób reakcji nauczyciela, np. pytanie zamiast podania wyniku.",
     "term": "strategia dydaktyczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "The model only suggests; a person makes the decision.",
     "term": "human in the loop"
    },
    {
     "gloss": "A way a teacher responds, e.g. a question instead of the answer.",
     "term": "teaching strategy"
    }
   ],
   "prereq": [
    "chatbots",
    "abtesting"
   ],
   "keywords": [
    "Tutor CoPilot",
    "human-AI tutoring",
    "teacher professional development",
    "expert decision-making model",
    "high-dosage tutoring",
    "classroom discourse analysis"
   ],
   "source_ids": [
    "tutor-copilot-2024"
   ],
   "url": "https://aiatlasgraph.com/t/tutorcopilot",
   "markdown_url": "https://aiatlasgraph.com/t/tutorcopilot.md",
   "updated": "2026-10-30"
  },
  "tutoring": {
   "id": "tutoring",
   "parent_id": "aied",
   "label": "Systemy tutorskie i nauka dopasowana do ucznia",
   "canonical_name": "Intelligent tutoring and adaptive learning",
   "aliases": [
    "intelligent tutoring systems",
    "ITS",
    "adaptive learning",
    "personalised learning",
    "adaptive systems and personalisation",
    "inteligentne systemy tutorskie",
    "nauka adaptacyjna",
    "korepetytor AI"
   ],
   "description": "Systemy prowadzące ucznia indywidualnie: klasyczne ITS z modelem dziedziny i ucznia, tutorzy oparci na LLM, wsparcie żywych korepetytorów i planowanie powtórek.",
   "description_en": "Systems that guide learners individually: classic ITS with domain and learner models, LLM-based tutors, support for live human tutors and review scheduling.",
   "plain": "Programy, które prowadzą ucznia przez materiał jak prywatny nauczyciel: dobierają kolejne zadania, podpowiadają i powtarzają to, co ucieka z pamięci.",
   "plain_en": "Software that walks a learner through material like a private teacher: it picks the next task, gives hints and repeats what is slipping from memory.",
   "solves": "Prywatne lekcje działają świetnie, ale są drogie, a w dużej grupie tempo jest za szybkie dla jednych i za wolne dla innych.",
   "solves_en": "Private lessons work well but are expensive, while in a large group the pace is too fast for some and too slow for others.",
   "does": "Jak instruktor jazdy, który obserwuje każdy ruch: wkracza, gdy trzeba, i odpuszcza, gdy kursant radzi sobie sam.",
   "does_en": "Like a driving instructor watching every move: steps in when needed and holds back once the learner copes alone.",
   "example": "Aplikacja do nauki słówek pokazuje rano pięć słów, które za chwilę byś zapomniał, a pomija te, które znasz na pamięć.",
   "example_en": "A vocabulary app shows you five words in the morning that you are about to forget, and skips the ones you know by heart.",
   "for_you": [
    "uczysz się języka lub matematyki z aplikacją",
    "chcesz, żeby czatbot uczył, a nie odrabiał zadania",
    "projektujesz kursy online"
   ],
   "for_you_en": [
    "learn a language or maths with an app",
    "want a chatbot to teach rather than do the homework",
    "design online courses"
   ],
   "how": "Klasyczny ITS ma model dziedziny (umiejętności i kroki rozwiązań), model ucznia i model pedagogiczny, który wybiera zadanie lub wskazówkę. Tutorzy na LLM zastępują ręcznie pisane reguły dialogiem sterowanym instrukcjami pedagogicznymi. Systemy adaptacyjne dobierają kolejność i moment powtórek na podstawie przewidywanej wiedzy i zapominania.",
   "how_en": "A classic ITS has a domain model (skills and solution steps), a learner model and a pedagogical model that chooses the next task or hint. LLM tutors replace hand-written rules with dialogue steered by pedagogical instructions. Adaptive systems choose order and review timing from predicted knowledge and forgetting.",
   "limits": "Klasyczne systemy wymagają dużo pracy ekspertów przy budowie każdego kursu. Tutorzy na LLM mylą się w rozwiązaniach i chętnie podają gotowe odpowiedzi. Personalizacja nie zastąpi motywacji ani kontaktu z nauczycielem.",
   "limits_en": "Classic systems need a lot of expert work to build each course. LLM tutors make mistakes in solutions and readily hand out answers. Personalisation cannot replace motivation or contact with a teacher.",
   "terms": [
    {
     "gloss": "Reguły decydujące, jakie zadanie lub wskazówkę dać uczniowi teraz.",
     "term": "model pedagogiczny"
    },
    {
     "gloss": "Przejście dalej dopiero po opanowaniu bieżącej umiejętności.",
     "term": "mastery learning"
    },
    {
     "gloss": "System dobierający kolejne zadanie lub wskazówkę do bieżących potrzeb ucznia.",
     "term": "system adaptacyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "Rules deciding which task or hint to give the learner now.",
     "term": "pedagogical model"
    },
    {
     "gloss": "Moving on only after the current skill is mastered.",
     "term": "mastery learning"
    },
    {
     "gloss": "A system that selects the next task or hint for the learner's current needs.",
     "term": "adaptive system"
    }
   ],
   "prereq": [
    "prompting",
    "chatbots"
   ],
   "keywords": [
    "intelligent tutoring systems",
    "Cognitive Tutor",
    "ASSISTments",
    "mastery learning",
    "hint generation",
    "Socratic tutoring",
    "adaptive learning platforms",
    "spaced repetition",
    "LearnLM"
   ],
   "source_ids": [
    "zawacki-richter-aied-review-2019",
    "bastani-guardrails-2025",
    "tutor-copilot-2024"
   ],
   "url": "https://aiatlasgraph.com/t/tutoring",
   "markdown_url": "https://aiatlasgraph.com/t/tutoring.md",
   "updated": "2026-10-30"
  },
  "ueba": {
   "id": "ueba",
   "parent_id": "threatdetection",
   "label": "Analiza zachowań użytkowników i zagrożenia wewnętrzne (UEBA)",
   "canonical_name": "User and entity behaviour analytics (UEBA) and insider threat detection",
   "aliases": [
    "UEBA",
    "insider threat detection",
    "user behaviour analytics",
    "UBA",
    "wykrywanie zagrożeń wewnętrznych"
   ],
   "description": "Modelowanie typowego zachowania kont, użytkowników i urządzeń w organizacji oraz wykrywanie odchyleń wskazujących na przejęte konto lub nieuczciwego pracownika.",
   "description_en": "Modelling the typical behaviour of accounts, users and devices in an organisation and detecting deviations that suggest a hijacked account or a malicious insider.",
   "plain": "System, który uczy się, jak zwykle pracują ludzie w firmie, i podnosi alarm, gdy czyjeś konto zaczyna zachowywać się dziwnie.",
   "plain_en": "A system that learns how people at a company usually work and raises an alarm when someone's account starts acting strangely.",
   "solves": "Najgroźniejsze wycieki zaczynają się od kogoś z prawdziwym hasłem, więc zwykłe zabezpieczenia niczego nie zauważają.",
   "solves_en": "The worst leaks start with someone holding a real password, so ordinary safeguards notice nothing.",
   "does": "Jak portier, który zna wszystkich pracowników: nie sprawdza przepustek, tylko dziwi się, gdy księgowa o trzeciej w nocy wynosi archiwum.",
   "does_en": "Like a doorman who knows every employee: he doesn't check passes, he just wonders why the accountant is carrying out the archive at 3 a.m.",
   "example": "Konto handlowca, który właśnie złożył wypowiedzenie, nagle pobiera całą bazę klientów na prywatny dysk; system zgłasza to przełożonemu.",
   "example_en": "The account of a salesperson who just handed in notice suddenly downloads the entire customer database to a personal drive; the system flags it to a manager.",
   "for_you": [
    "odpowiadasz za dane firmy",
    "pracujesz z logami logowania i dostępu",
    "budujesz detektory anomalii na danych o ludziach"
   ],
   "for_you_en": [
    "are responsible for company data",
    "work with login and access logs",
    "build anomaly detectors on data about people"
   ],
   "how": "Modele uczą się rozróżniać zachowania użytkowników wewnętrznych od normalnej aktywności na podstawie wysokowymiarowych, niejednorodnych i rzadkich danych behawioralnych. Badania porównują takie podejścia na ograniczonych etykietach i danych syntetycznych, a wynik wykorzystuje się do priorytetyzacji anomalii do dalszej analizy.",
   "how_en": "Models learn to distinguish insider behavior from normal activity using high-dimensional, heterogeneous, and sparse behavioral data. Research compares such approaches under limited labels and synthetic data, and the resulting scores prioritize anomalies for further analysis.",
   "limits": "Dane są wysokowymiarowe, niejednorodne i rzadkie, a wiarygodnych etykiet jest mało. Napastnik może adaptować zachowanie, więc wynik modelu jest wskazówką do dochodzenia, a nie dowodem nadużycia.",
   "limits_en": "Data is high-dimensional, heterogeneous, and sparse, with few reliable labels. An attacker can adapt behavior, so a model score is an investigation lead rather than proof of abuse.",
   "terms": [
    {
     "gloss": "Szkoda wyrządzona przez osobę z legalnym dostępem do systemów.",
     "term": "zagrożenie wewnętrzne"
    },
    {
     "gloss": "Osoby o podobnej roli, z którymi porównuje się zachowanie użytkownika.",
     "term": "grupa rówieśnicza"
    },
    {
     "gloss": "Liczba mówiąca, jak bardzo zachowanie odbiega od normy.",
     "term": "wynik anomalii"
    }
   ],
   "terms_en": [
    {
     "gloss": "Harm caused by someone with legitimate access to systems.",
     "term": "insider threat"
    },
    {
     "gloss": "People in similar roles against whom a user's behaviour is compared.",
     "term": "peer group"
    },
    {
     "gloss": "A number showing how far behaviour departs from the norm.",
     "term": "anomaly score"
    }
   ],
   "prereq": [
    "anomalydetection"
   ],
   "keywords": [
    "insider threat detection",
    "behavior analytics",
    "anomaly detection",
    "adaptive attacker",
    "sparse labels",
    "synthetic data",
    "risk scoring"
   ],
   "source_ids": [
    "yuan-wu-insider-threat-dl-review-2020"
   ],
   "url": "https://aiatlasgraph.com/t/ueba",
   "markdown_url": "https://aiatlasgraph.com/t/ueba.md",
   "updated": "2026-10-30"
  },
  "ued": {
   "id": "ued",
   "parent_id": "rlgeneralization",
   "label": "Automatyczne projektowanie środowisk treningowych (UED)",
   "canonical_name": "Unsupervised environment design for reinforcement learning",
   "aliases": [
    "UED",
    "unsupervised environment design",
    "environment design for RL"
   ],
   "description": "Metody automatycznie generujące lub wybierające konfiguracje środowiska tak, by tworzyły program nauczania poprawiający odporność i uogólnianie agenta.",
   "description_en": "Methods that automatically generate or select environment configurations to form a curriculum that improves agent robustness and generalisation.",
   "plain": "Program sam dobiera i tworzy poziomy treningowe, ani za łatwe, ani za trudne, żeby agent ciągle się rozwijał.",
   "plain_en": "A program picks and builds training levels on its own, neither too easy nor too hard, so the agent keeps improving.",
   "solves": "Ręczne projektowanie setek poziomów treningowych zajmuje mnóstwo czasu, a losowe poziomy bywają nudne albo niemożliwe do przejścia.",
   "solves_en": "Designing hundreds of training levels by hand takes ages, and random levels are often dull or impossible to finish.",
   "does": "Jak trener, który co tydzień ustawia poprzeczkę trochę wyżej, dokładnie tam, gdzie zawodnik zaczyna mieć trudności.",
   "does_en": "Like a coach who raises the bar a little each week, right where the athlete starts to struggle.",
   "example": "Wirtualny robot uczy się chodzić, a generator terenów stopniowo dokłada mu schody, dziury i śliskie podłoża.",
   "example_en": "A virtual robot learns to walk while a terrain generator gradually adds stairs, gaps and slippery ground.",
   "for_you": [
    "masz symulator z ustawialnymi parametrami świata",
    "chcesz agenta odpornego na sytuacje spoza treningu"
   ],
   "for_you_en": [
    "you have a simulator with adjustable world parameters",
    "you want an agent robust to situations beyond training"
   ],
   "how": "Projektant określa przestrzeń parametrów środowiska. Nauczyciel wybiera poziomy o wysokim potencjale uczenia: w PAIRED przybliżony żal jest różnicą zwrotów antagonisty i protagonisty, a Prioritized Level Replay używa sygnału opartego na błędzie wartości. Powstaje samoczynny program nauczania o rosnącej złożoności.",
   "how_en": "A designer specifies an environment parameter space. A teacher selects levels with high learning potential: in PAIRED approximate regret is the return gap between an antagonist and a protagonist, while Prioritized Level Replay uses a value-error-based signal. The result is an emergent curriculum of growing complexity.",
   "limits": "Potrzebny jest sparametryzowany symulator. Szacunki żalu są przybliżone, generator może utknąć na wąskim typie poziomów, a wyniki pokazywano głównie w prostych światach siatkowych i ciągłej lokomocji.",
   "limits_en": "It needs a parameterised simulator. Regret estimates are approximate, the generator can fixate on a narrow level type, and results were shown mainly in simple grid worlds and continuous locomotion.",
   "terms": [
    {
     "gloss": "Różnica wyniku agenta odniesienia i aktualnego agenta na danym poziomie; w praktyce jest szacowana.",
     "term": "regret"
    },
    {
     "gloss": "Uporządkowana kolejność zadań od łatwiejszych do trudniejszych.",
     "term": "curriculum"
    },
    {
     "gloss": "Losowanie parametrów świata bez dopasowania trudności do ucznia.",
     "term": "domain randomization"
    }
   ],
   "terms_en": [
    {
     "gloss": "The return gap between a reference agent and the current agent on a level; in practice it is estimated.",
     "term": "regret"
    },
    {
     "gloss": "An ordered sequence of tasks from easier to harder.",
     "term": "curriculum"
    },
    {
     "gloss": "Randomising world parameters without matching difficulty to the learner.",
     "term": "domain randomization"
    }
   ],
   "prereq": [
    "rlenvs",
    "datacurriculum"
   ],
   "keywords": [
    "PAIRED",
    "Prioritized Level Replay",
    "ACCEL",
    "POET",
    "minimax regret",
    "domain randomization",
    "JaxUED",
    "MiniGrid"
   ],
   "source_ids": [
    "paired-ued-2020",
    "plr-2020"
   ],
   "url": "https://aiatlasgraph.com/t/ued",
   "markdown_url": "https://aiatlasgraph.com/t/ued.md",
   "updated": "2026-10-30"
  },
  "uninformedsearch": {
   "id": "uninformedsearch",
   "parent_id": "search",
   "label": "Przeszukiwanie ślepe (BFS, DFS)",
   "canonical_name": "Uninformed search (BFS, DFS, uniform-cost)",
   "description": "Systematyczne przeglądanie przestrzeni stanów bez wiedzy o tym, gdzie jest cel.",
   "description_en": "Systematically exploring a state space without knowing where the goal is.",
   "examples": "Wszerz (BFS) · w głąb (DFS) · koszt jednolity · pogłębianie iteracyjne",
   "examples_en": "Breadth-first · depth-first · uniform-cost · iterative deepening",
   "plain": "To systematyczne sprawdzanie możliwości bez podpowiedzi, które z nich są bliżej celu.",
   "plain_en": "This systematically explores possibilities without guidance about which ones are closer to the goal.",
   "solves": "Znasz dozwolone ruchy i rozpoznasz rozwiązanie, ale nie umiesz ocenić, które nieukończone warianty są najbardziej obiecujące.",
   "solves_en": "You know the allowed moves and can recognise a solution, but cannot assess which unfinished paths are most promising.",
   "does": "Sprawdza warianty kolejnymi poziomami, zagłębia się w jedną ścieżkę albo wybiera ścieżkę o najmniejszym dotychczasowym łącznym koszcie.",
   "does_en": "It explores level by level, follows a path deeply or selects the path with the lowest total cost so far.",
   "example": "Program rozwiązuje układankę, sprawdzając dozwolone ruchy w ustalonej kolejności, aż znajdzie układ spełniający cel.",
   "example_en": "Software solves a puzzle by checking allowed moves in a defined order until it finds an arrangement meeting the goal.",
   "for_you": [
    "potrafisz rozpoznać cel, ale nie oszacować odległości od niego",
    "chcesz porównać podstawowe sposoby przeglądania możliwości"
   ],
   "for_you_en": [
    "can recognise the goal but cannot estimate its distance",
    "want to compare basic ways of exploring possibilities"
   ],
   "how": "Algorytm rozwija stany według ustalonego porządku bez oceny odległości od celu. Kolejka daje przeszukiwanie wszerz, stos w głąb, a zapis odwiedzin ogranicza cykle i powtarzanie pracy.",
   "how_en": "The algorithm expands states in a fixed order without estimating goal distance. Queues give breadth-first search, stacks depth-first search, and visited-state records limit cycles and repeated work.",
   "limits": "Przeszukiwanie wszerz może zużywać dużo pamięci; w głąb może utknąć na niekończącej się gałęzi. Najkrótsza liczba kroków nie oznacza najniższego kosztu przy różnych kosztach działań.",
   "limits_en": "Breadth-first search can consume substantial memory; depth-first search can get stuck on infinite branches. Fewest steps need not mean lowest cost when action costs differ.",
   "terms": [
    {
     "gloss": "Zbiór znalezionych stanów oczekujących na rozwinięcie.",
     "term": "frontier"
    },
    {
     "gloss": "Zapis przetworzonych stanów pomagający unikać ponownego rozwijania.",
     "term": "zbiór odwiedzin"
    }
   ],
   "terms_en": [
    {
     "gloss": "Discovered states awaiting expansion.",
     "term": "frontier"
    },
    {
     "gloss": "A record of processed states used to avoid repeated expansion.",
     "term": "visited set"
    }
   ],
   "keywords": [
    "BFS",
    "DFS",
    "uniform-cost search",
    "iterative deepening",
    "bidirectional search",
    "frontier queues"
   ],
   "source_ids": [
    "cs188fa25",
    "aima4"
   ],
   "url": "https://aiatlasgraph.com/t/uninformedsearch",
   "markdown_url": "https://aiatlasgraph.com/t/uninformedsearch.md",
   "updated": "2026-10-30"
  },
  "unlearning": {
   "id": "unlearning",
   "parent_id": "privacy",
   "label": "Oduczanie modeli (machine unlearning)",
   "canonical_name": "Machine unlearning",
   "description": "Usuwanie z już wytrenowanego modelu wpływu wybranych danych lub zdolności (np. danych osobowych, treści chronionych prawem autorskim) bez trenowania od zera. Wciąż otwarty problem: trudno sprawdzić, czy model naprawdę „zapomniał”.",
   "description_en": "Removing the influence of selected data or capabilities (e.g. personal data, copyrighted content) from an already-trained model without retraining from scratch. Still an open problem: it is hard to verify the model truly “forgot”.",
   "examples": "zbiór do zapomnienia (forget set) · benchmark TOFU · usuwanie groźnej wiedzy",
   "examples_en": "forget set · TOFU benchmark · hazardous knowledge removal",
   "plain": "To próby usunięcia wpływu wybranych danych lub zdolności z już wyuczonego modelu.",
   "plain_en": "This attempts to remove selected data influence or capabilities from an already trained model.",
   "solves": "Nie chcesz, żeby model dalej korzystał z usuniętych informacji, a ponowny trening od początku jest kosztowny.",
   "solves_en": "You do not want a model to keep using removed information, while retraining from scratch is costly.",
   "does": "Zmienia ustawienia modelu, żeby osłabić wybrany wpływ i zachować inne umiejętności; potwierdzenie skutecznego zapomnienia jest trudne.",
   "does_en": "It changes model parameters to weaken selected influence while retaining other abilities; verifying successful forgetting is difficult.",
   "example": "Po wycofaniu prywatnych dokumentów testujesz metodę ograniczającą ich wpływ i sprawdzasz różne sposoby wydobycia zapamiętanej treści.",
   "example_en": "After withdrawing private documents, you test a method reducing their influence and check different ways of eliciting remembered content.",
   "for_you": [
    "musisz ograniczyć wpływ danych po treningu",
    "chcesz sprawdzić, czy model nadal ujawnia usunięte treści"
   ],
   "for_you_en": [
    "need to reduce data influence after training",
    "want to check whether withdrawn content remains accessible"
   ],
   "how": "Wybrane dane definiują cel zapominania, a pozostałe cel zachowania użytecznych zdolności. Modyfikacja wag lub selektywne ponowne uczenie ogranicza wpływ wskazanego zbioru; ocena porównuje odzyskiwalność informacji i jakość pozostałych zadań.",
   "how_en": "Selected data defines a forgetting objective, while remaining data defines capability-preservation goals. Weight modification or selective retraining reduces targeted-set influence; evaluation compares information recoverability and retained-task quality.",
   "limits": "Odmowa odpowiedzi nie dowodzi usunięcia wpływu danych. Parafrazy, powiązania i inne ścieżki mogą odzyskać informację; silne zapominanie może uszkadzać wiedzę, a pełny wzorzec retreningu jest kosztowny.",
   "limits_en": "Refusal does not establish removal of data influence. Paraphrases, relationships and alternative paths can recover information; strong forgetting damages knowledge, while full-retraining references are costly.",
   "terms": [
    {
     "gloss": "Zbiór danych, którego wpływ ma zostać ograniczony lub usunięty.",
     "term": "forget set"
    },
    {
     "gloss": "Zbiór używany do zachowania jakości pozostałych zdolności modelu.",
     "term": "retain set"
    }
   ],
   "terms_en": [
    {
     "gloss": "The data whose influence is to be reduced or removed.",
     "term": "forget set"
    },
    {
     "gloss": "Data used to preserve the quality of remaining model capabilities.",
     "term": "retain set"
    }
   ],
   "prereq": [
    "sft",
    "evalsets"
   ],
   "keywords": [
    "forget set",
    "retain set",
    "TOFU",
    "selective forgetting",
    "unlearning evaluation",
    "membership inference"
   ],
   "source_ids": [
    "llm-unlearning-liu-2024"
   ],
   "url": "https://aiatlasgraph.com/t/unlearning",
   "markdown_url": "https://aiatlasgraph.com/t/unlearning.md",
   "updated": "2026-10-30"
  },
  "unsupdefect": {
   "id": "unsupdefect",
   "parent_id": "visualinspection",
   "label": "Wykrywanie wad uczone tylko na dobrych sztukach",
   "canonical_name": "Unsupervised industrial anomaly detection",
   "aliases": [
    "unsupervised anomaly detection",
    "industrial anomaly detection",
    "cold-start defect detection",
    "one-class defect detection",
    "nienadzorowane wykrywanie wad",
    "PatchCore"
   ],
   "description": "Wykrywanie i lokalizacja anomalii na obrazach przy uczeniu wyłącznie na próbkach nominalnych, zwykle przez porównanie cech z modelem normalności.",
   "description_en": "Detecting and localising image anomalies when training only on nominal samples, usually by comparing features with a model of normality.",
   "plain": "Program uczy się, jak wygląda poprawny wyrób, i zgłasza wszystko, co od tego odbiega, nawet wadę, której nikt wcześniej nie widział.",
   "plain_en": "Software learns what a correct product looks like and flags anything that differs, even a defect nobody has seen before.",
   "solves": "Na nowej linii wad prawie nie ma, a każda bywa inna, więc nie da się zebrać tysięcy zdjęć wadliwych sztuk do nauki.",
   "solves_en": "A new line has almost no defects and each one differs, so you cannot collect thousands of photos of faulty parts to learn from.",
   "does": "Jak ochroniarz, który zna twarze wszystkich pracowników: nie musi znać złodziei, wystarczy, że zauważy obcą twarz.",
   "does_en": "Like a guard who knows every employee's face: he need not know the thieves, he just has to notice a stranger.",
   "example": "Producent śrub fotografuje kilkaset dobrych sztuk i od następnej zmiany kamera zaznacza każdą z wyszczerbionym gwintem albo nietypową plamą.",
   "example_en": "A screw maker photographs a few hundred good screws, and from the next shift the camera marks any with a chipped thread or an odd stain.",
   "for_you": [
    "uruchamiasz nową linię bez archiwum zdjęć wad",
    "wady u ciebie są rzadkie i za każdym razem inne"
   ],
   "for_you_en": [
    "are starting a new line without a defect photo archive",
    "have rare defects that differ every time"
   ],
   "how": "Wstępnie wytrenowana sieć wizyjna wyciąga cechy łatek obrazu dobrych sztuk; metoda pamięciowa zapisuje reprezentatywny bank tych cech, a nowa łatka dostaje wynik anomalii jako odległość od najbliższego sąsiada w banku. Mapa wyników wskazuje miejsce wady. Alternatywy to rekonstrukcja autoenkoderem, przepływy normalizujące i destylacja nauczyciel–uczeń.",
   "how_en": "A pretrained vision network extracts patch features from good parts; a memory-bank method stores a representative set of them, and a new patch's anomaly score is its distance to the nearest neighbour in the bank. The score map shows where the defect is. Alternatives include autoencoder reconstruction, normalizing flows and student–teacher distillation.",
   "limits": "Nie każda anomalia jest wadą: zmiana oświetlenia czy dopuszczalna różnica wyglądu też podnosi wynik. Wady logiczne, jak brakujący element, są trudniejsze niż rysy. Wyniki na głównym benchmarku są bliskie maksimum, więc słabo różnicują metody.",
   "limits_en": "Not every anomaly is a defect: changed lighting or acceptable variation also raises the score. Logical defects, such as a missing component, are harder than scratches. Scores on the main benchmark are near the maximum and barely separate methods.",
   "terms": [
    {
     "gloss": "Wyrób bez wad, wzorzec poprawnego wyglądu.",
     "term": "próbka nominalna"
    },
    {
     "gloss": "Zapisany zbiór cech dobrych sztuk do porównań.",
     "term": "bank pamięci"
    },
    {
     "gloss": "Miara, jak dobrze wynik oddziela wadliwe sztuki od dobrych.",
     "term": "AUROC"
    }
   ],
   "terms_en": [
    {
     "gloss": "A defect-free product, the reference for correct appearance.",
     "term": "nominal sample"
    },
    {
     "gloss": "A stored set of good-part features used for comparison.",
     "term": "memory bank"
    },
    {
     "gloss": "How well a score separates defective parts from good ones.",
     "term": "AUROC"
    }
   ],
   "prereq": [
    "anomalydetection",
    "knn"
   ],
   "keywords": [
    "PatchCore",
    "PaDiM",
    "MVTec AD",
    "VisA",
    "MVTec LOCO",
    "anomalib",
    "normalizing flows",
    "student-teacher anomaly detection"
   ],
   "source_ids": [
    "roth-patchcore-2021"
   ],
   "url": "https://aiatlasgraph.com/t/unsupdefect",
   "markdown_url": "https://aiatlasgraph.com/t/unsupdefect.md",
   "updated": "2026-10-30"
  },
  "unsupervised": {
   "id": "unsupervised",
   "parent_id": "ml",
   "label": "Uczenie nienadzorowane",
   "canonical_name": "Unsupervised learning",
   "description": "Szukanie struktury bez gotowych etykiet.",
   "description_en": "Finding structure without ready labels.",
   "examples": "Klasteryzacja · PCA",
   "examples_en": "Clustering · PCA",
   "plain": "To szukanie wzorców i podobieństw w danych bez podanych poprawnych odpowiedzi.",
   "plain_en": "This finds patterns and similarities in data without supplied correct answers.",
   "solves": "Masz dużo informacji, ale nie masz gotowych kategorii ani odpowiedzi pokazujących, jak je uporządkować.",
   "solves_en": "You have lots of information but no ready categories or answers showing how to organise it.",
   "does": "Porównuje cechy przykładów, odkrywa grupy podobnych rzeczy lub tworzy krótszy zapis zachowujący część ich struktury.",
   "does_en": "It compares example features, discovers groups of similar things or creates shorter representations preserving some of their structure.",
   "example": "Porządkujesz nieopisane zgłoszenia klientów w grupy podobnych tematów, a potem oglądasz je i nadajesz grupom nazwy.",
   "example_en": "You organise unlabelled customer messages into groups of similar topics, then inspect the groups and give them names.",
   "for_you": [
    "masz dane bez gotowych odpowiedzi lub etykiet",
    "chcesz odkryć podobieństwa przed ustaleniem kategorii"
   ],
   "for_you_en": [
    "have data without ready answers or labels",
    "want to discover similarities before defining categories"
   ],
   "how": "Funkcja celu wydobywa podobieństwa, strukturę lub rozkład danych bez podanych etykiet odpowiedzi. Grupowanie, kompresja i estymacja gęstości tworzą reprezentacje, które ocenia się przez stabilność lub użyteczność w dalszym zadaniu.",
   "how_en": "An objective extracts similarities, structure or distributions without supplied answer labels. Clustering, compression and density estimation produce representations evaluated through stability or downstream usefulness.",
   "limits": "Nie ma jednego wzorca poprawnej struktury. Wynik zależy od skali cech i założeń metody; dobre dopasowanie celu nie zapewnia grup znaczących dla użytkownika.",
   "limits_en": "There is no single correct-structure reference. Results depend on feature scales and method assumptions; objective fit does not ensure groups meaningful to users.",
   "terms": [
    {
     "gloss": "Ukryte uporządkowanie lub czynniki odtwarzane z obserwowanych danych.",
     "term": "struktura latentna"
    },
    {
     "gloss": "Odtworzenie wejścia z jego uproszczonej lub ukrytej reprezentacji.",
     "term": "rekonstrukcja"
    }
   ],
   "terms_en": [
    {
     "gloss": "Hidden organisation or factors inferred from observed data.",
     "term": "latent structure"
    },
    {
     "gloss": "Recovering an input from its simplified or latent representation.",
     "term": "reconstruction"
    }
   ],
   "prereq": [
    "linearalgebra",
    "mathoptimization"
   ],
   "keywords": [
    "cluster analysis",
    "latent representations",
    "PCA",
    "matrix factorization",
    "density estimation",
    "reconstruction loss",
    "manifold learning",
    "Gaussian mixtures"
   ],
   "source_ids": [
    "cs229",
    "rec",
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/unsupervised",
   "markdown_url": "https://aiatlasgraph.com/t/unsupervised.md",
   "updated": "2026-10-30"
  },
  "usecases": {
   "id": "usecases",
   "parent_id": "product",
   "label": "Dobór zastosowań",
   "canonical_name": "Use-case selection",
   "description": "Sprawdzenie, czy AI rozwiązuje właściwy problem.",
   "description_en": "Checking whether AI solves the right problem.",
   "examples": "Problem framing · feasibility",
   "examples_en": "Problem framing · feasibility",
   "plain": "To wybieranie zadań, w których model może dać ludziom przydatny i wykonalny sposób rozwiązania problemu.",
   "plain_en": "This selects tasks where a model can offer people a useful and feasible way to solve a problem.",
   "solves": "Łatwo zbudować efektowną funkcję, której nikt nie potrzebuje albo która nie działa wystarczająco dobrze w praktyce.",
   "solves_en": "It is easy to build an impressive feature that nobody needs or that does not work well enough in practice.",
   "does": "Porównuje potrzeby, wartość i wykonalność, sprawdza pomysły w małych próbach oraz ustala zakres samodzielności modelu i sposób dostarczenia funkcji.",
   "does_en": "It compares needs, value and feasibility, tests ideas in small trials and decides model autonomy and how to provide the feature.",
   "example": "Przed budową asystenta spotkań sprawdzasz, czy zespołowi bardziej przeszkadza robienie notatek, wyszukiwanie ustaleń czy pilnowanie zadań.",
   "example_en": "Before building a meeting assistant, you examine whether the team struggles more with notes, finding decisions or tracking tasks.",
   "for_you": [
    "masz kilka pomysłów i musisz wybrać jeden",
    "chcesz zacząć od problemu ludzi i sprawdzić wykonalność"
   ],
   "for_you_en": [
    "have several ideas and need to choose one",
    "want to start from people's problem and assess feasibility"
   ],
   "how": "Proces rozbija się na zadania z określonym wejściem, rezultatem i kosztem błędu. Porównanie z dotychczasową metodą oraz próby na reprezentatywnych danych wskazują, które fragmenty nadają się do modelu i ludzkiej kontroli.",
   "how_en": "A workflow is decomposed into tasks with specified inputs, outcomes and error costs. Baseline comparisons and trials on representative data identify parts suitable for models and human review.",
   "limits": "Atrakcyjna demonstracja może pomijać rzadkie przypadki i koszty obsługi. Brak dostępnych danych lub sprawdzalnego wyniku utrudnia ocenę; automatyzacja pojedynczego kroku może przesunąć pracę na następny.",
   "limits_en": "Attractive demos can omit rare cases and handling costs. Missing data or verifiable outcomes hinder evaluation; automating one step can shift work to another.",
   "terms": [
    {
     "gloss": "Dotychczasowy sposób wykonania zadania używany jako punkt porównania.",
     "term": "baseline procesu"
    },
    {
     "gloss": "Skutki niepoprawnego wyniku, obejmujące naprawę i utracone korzyści.",
     "term": "koszt błędu"
    }
   ],
   "terms_en": [
    {
     "gloss": "The existing task-execution method used as a comparison reference.",
     "term": "workflow baseline"
    },
    {
     "gloss": "Consequences of incorrect outcomes, including repair effort and lost benefits.",
     "term": "error cost"
    }
   ],
   "prereq": [
    "evalsets",
    "datavalidation"
   ],
   "keywords": [
    "problem framing",
    "value-feasibility matrix",
    "task decomposition",
    "cost-sensitive decisions",
    "workflow baselines",
    "proof of concept",
    "build-or-buy analysis",
    "Human Agency Scale"
   ],
   "source_ids": [
    "fsdl",
    "bootcamp"
   ],
   "url": "https://aiatlasgraph.com/t/usecases",
   "markdown_url": "https://aiatlasgraph.com/t/usecases.md",
   "updated": "2026-10-30"
  },
  "usercontrol": {
   "id": "usercontrol",
   "parent_id": "ux",
   "label": "Kontrola użytkownika: sugestia, edycja, akceptacja",
   "canonical_name": "User control and oversight patterns",
   "description": "Wzorce, w których AI proponuje, a człowiek poprawia i zatwierdza: plan do akceptacji, tryb szkicu, warianty do wyboru, łatwe cofnięcie i ręczna ścieżka awaryjna.",
   "description_en": "Patterns where AI proposes and the person edits and approves: a plan to accept, draft mode, variants to pick from, easy undo and a manual fallback path.",
   "examples": "plan działania do zatwierdzenia · tryb szkicu · warianty · cofnij · ręczna alternatywa",
   "examples_en": "action plan for approval · draft mode · variations · undo · manual alternative",
   "plain": "To pozostawianie człowiekowi możliwości wyboru, poprawienia, zatwierdzenia lub cofnięcia propozycji modelu.",
   "plain_en": "This lets people choose, edit, approve or undo a model's suggestions.",
   "solves": "Automatycznie zastosowana propozycja może zmienić twoją pracę w sposób, którego nie chciałeś i nie zauważyłeś na czas.",
   "solves_en": "An automatically applied suggestion may change your work in a way you did not want or notice in time.",
   "does": "Pokazuje szkic lub plan przed działaniem, pozwala wybrać wariant, edytować wynik i wrócić do wcześniejszego stanu.",
   "does_en": "It shows a draft or plan before acting, lets you choose a version, edit the result and return to the previous state.",
   "example": "Asystent przygotowuje wiadomość, którą czytasz i poprawiasz; wysłanie następuje dopiero po twoim zatwierdzeniu.",
   "example_en": "An assistant drafts a message that you read and edit; sending happens only after your approval.",
   "for_you": [
    "chcesz zatwierdzać zmiany przed ich zastosowaniem",
    "potrzebujesz poprawek, wyboru wariantu lub łatwego cofnięcia"
   ],
   "for_you_en": [
    "want to approve changes before they are applied",
    "need editing, alternative choices or easy undo"
   ],
   "how": "Propozycja trafia do wersjonowanego szkicu, który użytkownik może zmienić, odrzucić lub zatwierdzić. Zastosowanie wiąże decyzję z konkretnym zakresem, a historia i ścieżka ręczna pozwalają wrócić do wcześniejszego stanu albo kontynuować zadanie.",
   "how_en": "A proposal becomes a versioned draft that users can edit, reject or approve. Application links decisions to specific scope, while history and manual paths allow recovery or task continuation.",
   "limits": "Cofnięcie wymaga odwracalnych skutków lub działań kompensujących. Duże szkice utrudniają ocenę, a rutynowe potwierdzanie może osłabić kontrolę; decyzja nie powinna obejmować później zmienionych argumentów.",
   "limits_en": "Undo requires reversible effects or compensating actions. Large drafts hinder review, and habitual confirmation can weaken control; decisions should not cover subsequently changed arguments.",
   "terms": [
    {
     "gloss": "Propozycja zachowująca treść i zakres konkretnej wersji przed zastosowaniem.",
     "term": "wersjonowany szkic"
    },
    {
     "gloss": "Osobna operacja korygująca skutek, którego nie da się bezpośrednio cofnąć.",
     "term": "działanie kompensujące"
    }
   ],
   "terms_en": [
    {
     "gloss": "A proposal retaining a specific version's content and scope before application.",
     "term": "versioned draft"
    },
    {
     "gloss": "A separate operation correcting an effect that cannot be directly undone.",
     "term": "compensating action"
    }
   ],
   "prereq": [
    "workflows",
    "tracereview"
   ],
   "keywords": [
    "approval gates",
    "draft mode",
    "undo actions",
    "editable outputs",
    "manual override",
    "human-in-the-loop"
   ],
   "source_ids": [
    "pair-guidebook",
    "hax-guidelines-2019",
    "applied-llms-2024",
    "shape-of-ai"
   ],
   "url": "https://aiatlasgraph.com/t/usercontrol",
   "markdown_url": "https://aiatlasgraph.com/t/usercontrol.md",
   "updated": "2026-10-30"
  },
  "userfeedback": {
   "id": "userfeedback",
   "parent_id": "ux",
   "label": "Zbieranie opinii użytkowników (jawnych i niejawnych)",
   "canonical_name": "Explicit and implicit user feedback",
   "description": "Projektowanie sposobów, by użytkownicy dawali sygnał o jakości AI: oceny i komentarze wprost oraz sygnały z zachowania — akceptacja, edycja, ponowne generowanie, porzucenie.",
   "description_en": "Designing ways for users to signal AI quality: direct ratings and comments, plus behavioural signals — acceptance, edits, regeneration, abandonment.",
   "examples": "kciuk w górę/w dół · akceptacja lub odrzucenie sugestii · edycje odpowiedzi · feedback wyciągany z rozmowy",
   "examples_en": "thumbs up/down · accept or reject a suggestion · edits to outputs · feedback mined from the conversation",
   "plain": "To zbieranie opinii i zachowań pokazujących, jak ludzie oceniają wyniki działania modelu.",
   "plain_en": "This collects opinions and behaviour indicating how people assess a model's results.",
   "solves": "Sam wynik modelu nie pokazuje, czy użytkownik go wykorzystał, musiał poprawić czy zrezygnował z zadania.",
   "solves_en": "A model's output alone does not show whether a user used it, corrected it or abandoned the task.",
   "does": "Łączy oceny i komentarze z akceptacją, poprawkami lub ponownymi próbami; zachowania interpretuje ostrożnie, bo mogą mieć różne przyczyny.",
   "does_en": "It combines ratings and comments with acceptance, edits or retries, interpreting behaviour cautiously because it can have different causes.",
   "example": "Po poprawieniu daty w szkicu możesz zaznaczyć błędny fragment i wyjaśnić, co asystent odczytał niewłaściwie.",
   "example_en": "After correcting a date in a draft, you can mark the incorrect passage and explain what the assistant misread.",
   "for_you": [
    "chcesz wiedzieć, co użytkownicy poprawiają lub odrzucają",
    "potrzebujesz konkretnych sygnałów do ulepszania funkcji"
   ],
   "for_you_en": [
    "want to know what users correct or reject",
    "need specific signals to improve a feature"
   ],
   "how": "Jawne oceny i zdarzenia zachowania zapisuje się z wersją funkcji, kontekstem oraz rezultatem zadania. Analiza rozdziela typy problemów i kieruje wybrane przykłady do ewaluacji lub poprawy danych, zamiast utożsamiać każdą akceptację z poprawnością.",
   "how_en": "Explicit ratings and behaviour events are recorded with feature versions, context and task outcomes. Analysis separates problem types and routes selected examples to evaluation or data improvement rather than equating every acceptance with correctness.",
   "limits": "Oceniają głównie wybrane grupy, a brak reakcji jest niejednoznaczny. Edycja może oznaczać preferencję zamiast błędu; wykorzystanie danych wymaga kontroli jakości i zgodnego zakresu ich przetwarzania.",
   "limits_en": "Ratings come mainly from selected groups, while absent reactions are ambiguous. Edits can reflect preferences rather than errors; data reuse needs quality checks and appropriate processing scope.",
   "terms": [
    {
     "gloss": "Ocena lub komentarz celowo przekazany przez użytkownika.",
     "term": "feedback jawny"
    },
    {
     "gloss": "Zdarzenie użycia interpretowane jako pośrednia informacja o jakości.",
     "term": "sygnał behawioralny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rating or comment deliberately supplied by a user.",
     "term": "explicit feedback"
    },
    {
     "gloss": "A usage event interpreted as indirect quality information.",
     "term": "behavioural signal"
    }
   ],
   "prereq": [
    "annotation",
    "evalstats"
   ],
   "keywords": [
    "thumbs up/down",
    "acceptance rate",
    "edit distance",
    "correction logs",
    "implicit feedback",
    "feedback loops"
   ],
   "source_ids": [
    "pair-guidebook",
    "applied-llms-2024",
    "huyen-ai-engineering-ch10"
   ],
   "url": "https://aiatlasgraph.com/t/userfeedback",
   "markdown_url": "https://aiatlasgraph.com/t/userfeedback.md",
   "updated": "2026-10-30"
  },
  "usersimulation": {
   "id": "usersimulation",
   "parent_id": "agenteval",
   "label": "Symulowany użytkownik w testach rozmów wieloetapowych",
   "canonical_name": "Simulated users for multi-turn agent evaluation",
   "aliases": [
    "user simulation",
    "simulated user",
    "LLM user simulator",
    "multi-turn evaluation",
    "symulator użytkownika"
   ],
   "description": "Ewaluacja agentów konwersacyjnych, w której LLM odgrywa użytkownika według ukrytej instrukcji zadania.",
   "description_en": "Evaluating conversational agents with an LLM that role-plays the user from a hidden task instruction.",
   "plain": "Drugi model udaje klienta z ukrytym celem i rozmawia z twoim asystentem, żeby sprawdzić całą rozmowę, nie jedną odpowiedź.",
   "plain_en": "A second model plays a customer with a hidden goal and talks to your assistant, so you test the whole conversation, not one reply.",
   "solves": "Prawdziwe rozmowy ciągną się wiele tur, a ludzie nie mogą przed każdą zmianą odegrać setek scenariuszy.",
   "solves_en": "Real conversations run for many turns, and people cannot role-play hundreds of scenarios before every change.",
   "does": "Jak aktor w szkoleniu sprzedawców, który dostaje scenariusz klienta: dopytuje, zmienia zdanie i nie zdradza od razu, czego chce.",
   "does_en": "Like an actor in sales training given a customer brief: they ask follow-ups, change their mind and do not reveal everything up front.",
   "example": "„Klient” chce wymienić rozmiar butów, ale w połowie rozmowy dodaje zmianę adresu; test sprawdza, czy asystent ogarnął obie sprawy.",
   "example_en": "The 'customer' wants a different shoe size but adds an address change halfway; the test checks whether the assistant handled both.",
   "for_you": [
    "twój asystent prowadzi rozmowy w wielu turach",
    "chcesz testować przed wdrożeniem, bez prawdziwych klientów"
   ],
   "for_you_en": [
    "your assistant holds conversations over many turns",
    "you want to test before launch without real customers"
   ],
   "how": "Symulator dostaje persona i cel, których agent nie widzi, oraz historię rozmowy; nie widzi wywołań narzędzi agenta. Losowe próbkowanie daje różne sformułowania tego samego zadania. Epizod kończy sygnał stopu, a ocena zwykle porównuje końcowy stan bazy z oczekiwanym i sprawdza wymagane informacje w odpowiedziach.",
   "how_en": "The simulator receives a persona and goal hidden from the agent plus the conversation history; it does not see the agent's tool calls. Sampling yields varied phrasings of the same task. A stop signal ends the episode, and grading usually compares the final database state with the expected one and checks required information in replies.",
   "limits": "Symulowany użytkownik zachowuje się inaczej niż prawdziwi ludzie i sam popełnia błędy, które zaniżają wynik agenta. Wyniki zależą od modelu symulatora. Testy wymagają ręcznie przygotowanych celów i stanów docelowych.",
   "limits_en": "Simulated users behave differently from real people and make their own mistakes that drag down the agent's score. Results depend on the simulator model. Tests need hand-written goals and target states.",
   "terms": [
    {
     "gloss": "Model odgrywający klienta według ukrytego scenariusza.",
     "term": "symulator użytkownika"
    },
    {
     "gloss": "Opis cech i celu udawanego użytkownika.",
     "term": "persona"
    },
    {
     "gloss": "Jedna pełna rozmowa od pierwszej wiadomości do zakończenia.",
     "term": "epizod"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model that plays the customer from a hidden script.",
     "term": "user simulator"
    },
    {
     "gloss": "A description of the simulated user's traits and goal.",
     "term": "persona"
    },
    {
     "gloss": "One full conversation from first message to end.",
     "term": "episode"
    }
   ],
   "prereq": [
    "agentsnode",
    "tools"
   ],
   "keywords": [
    "tau-bench",
    "user simulator",
    "multi-turn evaluation",
    "persona prompting",
    "conversation simulation",
    "dual-control environment"
   ],
   "source_ids": [
    "anthropic-agent-evals-2026",
    "taubench-2024"
   ],
   "url": "https://aiatlasgraph.com/t/usersimulation",
   "markdown_url": "https://aiatlasgraph.com/t/usersimulation.md",
   "updated": "2026-10-30"
  },
  "utilityai": {
   "id": "utilityai",
   "parent_id": "gamecharacters",
   "label": "Wybór działań przez punktację (utility AI)",
   "canonical_name": "Utility AI for game characters",
   "aliases": [
    "utility AI",
    "utility system",
    "utility-based AI",
    "AI oparte na użyteczności",
    "system użyteczności"
   ],
   "description": "Architektura decyzyjna, w której każda akcja dostaje znormalizowaną ocenę z ważonych czynników przepuszczonych przez krzywe odpowiedzi, a agent wybiera akcję o najwyższej użyteczności.",
   "description_en": "A decision architecture in which every action receives a normalised score from weighted considerations passed through response curves, and the agent picks the highest-utility action.",
   "plain": "Postać w każdej chwili ocenia punktami wszystkie możliwe czynności i robi tę, która w danej sytuacji wypada najlepiej.",
   "plain_en": "At every moment a character scores all the things it could do and picks whatever comes out best in the situation.",
   "solves": "Sztywne listy priorytetów sprawiają, że postacie zachowują się jak automaty i nie umieją ważyć kilku potrzeb naraz.",
   "solves_en": "Rigid priority lists make characters act like machines that cannot weigh several needs at once.",
   "does": "Przypomina człowieka, który waha się między obiadem a drzemką: im większy głód, tym mocniej wygrywa jedzenie.",
   "does_en": "It resembles a person torn between lunch and a nap: the hungrier they get, the more food wins.",
   "example": "Mieszkaniec w symulatorze życia sam idzie do lodówki, gdy jest głodny, a do łóżka, gdy zmęczenie przeważy.",
   "example_en": "A resident in a life simulator walks to the fridge when hungry and to bed once tiredness outweighs everything else.",
   "for_you": [
    "chcesz, by postacie w grze wyglądały na żywe",
    "balansujesz wiele potrzeb lub celów naraz",
    "szukasz alternatywy dla drzew zachowań"
   ],
   "for_you_en": [
    "want game characters that feel alive",
    "balance many needs or goals at once",
    "look for an alternative to behaviour trees"
   ],
   "how": "Każdy czynnik (np. zdrowie, dystans do wroga) jest normalizowany do 0–1 i przepuszczany przez krzywą liniową, kwadratową lub logistyczną. Czynniki łączy się iloczynem lub średnią z wagami wyrażającymi osobowość. Wybór to najwyższy wynik, losowanie ważone albo koszyki priorytetów (dual utility).",
   "how_en": "Each consideration (e.g. health, distance to enemy) is normalised to 0–1 and mapped through a linear, quadratic or logistic curve. Considerations are combined by product or average with weights expressing personality. Selection is the top score, weighted random choice, or priority buckets (dual utility).",
   "limits": "Strojenie krzywych to głównie rzemiosło i zajmuje dużo czasu. Przy podobnych wynikach postać migocze między akcjami, więc trzeba dodać bezwładność lub cooldowny. Punktacja ocenia tylko bieżący krok i nie planuje sekwencji.",
   "limits_en": "Tuning curves is mostly craft and takes a lot of time. With similar scores a character flickers between actions, so inertia or cooldowns are needed. Scoring judges only the current step and does not plan sequences.",
   "terms": [
    {
     "gloss": "Funkcja zamieniająca surową wartość na ocenę od 0 do 1.",
     "term": "krzywa odpowiedzi"
    },
    {
     "gloss": "Jeden powód, dla którego akcja jest teraz dobra albo zła.",
     "term": "czynnik (consideration)"
    },
    {
     "gloss": "Nerwowe przeskakiwanie między akcjami o prawie równych ocenach.",
     "term": "oscylacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A function turning a raw value into a score from 0 to 1.",
     "term": "response curve"
    },
    {
     "gloss": "One reason an action is good or bad right now.",
     "term": "consideration"
    },
    {
     "gloss": "Jittery switching between actions with nearly equal scores.",
     "term": "oscillation"
    }
   ],
   "prereq": [
    "probability"
   ],
   "keywords": [
    "utility theory",
    "response curves",
    "Infinite Axis Utility System",
    "dual utility reasoning",
    "considerations",
    "weighted random selection",
    "Behavioral Mathematics for Game AI",
    "The Sims needs"
   ],
   "source_ids": [
    "graham-utility-theory-gaipro-2013",
    "wikipedia-utility-system"
   ],
   "url": "https://aiatlasgraph.com/t/utilityai",
   "markdown_url": "https://aiatlasgraph.com/t/utilityai.md",
   "updated": "2026-10-30"
  },
  "ux": {
   "id": "ux",
   "parent_id": "product",
   "label": "UX i współpraca z AI",
   "canonical_name": "Human–AI interaction",
   "description": "Projektowanie kontroli, informacji zwrotnej i zaufania.",
   "description_en": "Designing control, feedback and trust.",
   "examples": "Interfejs konwersacyjny · human factors",
   "examples_en": "Conversational interface · human factors",
   "plain": "To projektowanie sposobu, w jaki ludzie korzystają z modelu, sprawdzają wyniki i zachowują kontrolę nad pracą.",
   "plain_en": "This designs how people use a model, check its results and keep control over their work.",
   "solves": "Użytkownik może nie wiedzieć, czego oczekiwać, kiedy zaufać odpowiedzi ani jak poprawić pomyłkę lub przerwać działanie.",
   "solves_en": "A user may not know what to expect, when to trust an answer or how to correct a mistake or stop an action.",
   "does": "Dobiera formę interfejsu, pokazuje postęp i ograniczenia, umożliwia poprawki oraz zbiera sygnały o tym, co działa źle.",
   "does_en": "It chooses an interface, shows progress and limitations, enables corrections and collects signals about what is going wrong.",
   "example": "Edytor proponuje zmianę akapitu, pozwala obejrzeć różnice, poprawić tekst i zdecydować, czy zastosować propozycję.",
   "example_en": "An editor suggests an updated paragraph and lets you inspect differences, edit the text and decide whether to apply it.",
   "for_you": [
    "projektujesz funkcję, której ludzie mają używać samodzielnie",
    "chcesz ułatwić sprawdzanie, poprawianie i kontrolowanie wyników"
   ],
   "for_you_en": [
    "design a feature people will use independently",
    "want to make results easier to check, correct and control"
   ],
   "how": "Interfejs łączy stan zadania, propozycje modelu i decyzje użytkownika w kontrolowany przepływ. Informacje o ograniczeniach, źródłach i wynikach działań pomagają dobierać kontrolę do stawki, a badania zachowania sprawdzają rzeczywistą współpracę.",
   "how_en": "An interface combines task state, model suggestions and user decisions into a controlled workflow. Limits, sources and action results help match review to stakes, while behavioural studies evaluate actual collaboration.",
   "limits": "Przekonujący interfejs może zwiększać zaufanie bez poprawy jakości. Użytkownik potrzebuje czasu i wiedzy do oceny; widoczny przycisk akceptacji nie dowodzi świadomej kontroli.",
   "limits_en": "Persuasive interfaces can increase trust without improving quality. Users need time and knowledge to review outputs; visible approval buttons do not establish informed control.",
   "terms": [
    {
     "gloss": "Możliwość kierowania procesem i zmieniania lub zatrzymywania jego skutków.",
     "term": "sprawczość użytkownika"
    },
    {
     "gloss": "Komunikat wskazujący, co system faktycznie robi i jaki ma wynik.",
     "term": "informacja o stanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "The ability to direct a process and change or stop its effects.",
     "term": "user agency"
    },
    {
     "gloss": "Information showing what the system actually does and its results.",
     "term": "state feedback"
    }
   ],
   "prereq": [
    "agenteval",
    "calibration"
   ],
   "keywords": [
    "HAX Toolkit",
    "People + AI Guidebook",
    "conversational UI",
    "progressive disclosure",
    "explanation interfaces",
    "human-in-the-loop",
    "user agency",
    "error recovery",
    "token streaming",
    "feedback loops"
   ],
   "source_ids": [
    "fsdl",
    "bootcamp",
    "pair-guidebook",
    "hax-guidelines-2019",
    "shape-of-ai"
   ],
   "url": "https://aiatlasgraph.com/t/ux",
   "markdown_url": "https://aiatlasgraph.com/t/ux.md",
   "updated": "2026-10-30"
  },
  "vad": {
   "id": "vad",
   "parent_id": "turndetection",
   "label": "Detekcja aktywności głosowej (VAD)",
   "canonical_name": "Voice activity detection",
   "description": "Wykrywanie fragmentów mowy w strumieniu audio. VAD może uruchamiać kolejne etapy, lecz sam nie rozstrzyga, czy użytkownik skończył wypowiedź.",
   "description_en": "Detecting speech segments in an audio stream. VAD can trigger downstream stages but does not itself determine whether the user has finished a turn.",
   "examples": "Silero VAD · VAD po stronie klienta lub serwera",
   "examples_en": "Silero VAD · client- or server-side VAD",
   "plain": "To wykrywanie, w których fragmentach nagrania ktoś mówi.",
   "plain_en": "This detects which parts of an audio recording contain speech.",
   "solves": "Nagranie zawiera ciszę i szum, a dalsze przetwarzanie potrzebuje przede wszystkim fragmentów z mową.",
   "solves_en": "A recording contains silence and noise, while further processing mainly needs the speech segments.",
   "does": "Model ocenia krótkie fragmenty dźwięku jako mowę lub jej brak; samo wykrycie ciszy nie potwierdza zakończenia myśli.",
   "does_en": "A model checks short audio segments for speech; detecting silence alone does not confirm that a thought is finished.",
   "example": "Dyktafon zaznacza w długim nagraniu odcinki, w których uczestnicy zebrania coś mówią.",
   "example_en": "A recorder marks stretches of a long recording where meeting participants speak.",
   "for_you": [
    "chcesz oddzielić mowę od ciszy",
    "uruchamiasz przetwarzanie po wykryciu głosu"
   ],
   "for_you_en": [
    "want to separate speech from silence",
    "trigger processing when speech is detected"
   ],
   "how": "Klasyfikator ocenia krótkie ramki sygnału i przypisuje im prawdopodobieństwo obecności mowy. Progi oraz wygładzanie czasowe łączą ramki w odcinki, które uruchamiają rozpoznawanie albo zatrzymują przetwarzanie ciszy.",
   "how_en": "A classifier evaluates short signal frames and estimates speech presence. Thresholds and temporal smoothing combine frames into segments that trigger recognition or suspend silence processing.",
   "limits": "Muzyka, oddech i hałas mogą przypominać mowę. Cicha wypowiedź może zostać pominięta; wykryty koniec segmentu nie rozstrzyga, czy rozmówca skończył myśl.",
   "limits_en": "Music, breathing and noise can resemble speech. Quiet utterances may be missed; a segment ending does not establish whether the speaker finished their thought.",
   "terms": [
    {
     "gloss": "Krótki odcinek sygnału analizowany jako pojedyncza jednostka.",
     "term": "ramka akustyczna"
    },
    {
     "gloss": "Podtrzymanie segmentu po zaniku mowy, ograniczające przedwczesne odcięcie.",
     "term": "hangover"
    }
   ],
   "terms_en": [
    {
     "gloss": "A short signal segment analysed as one unit.",
     "term": "acoustic frame"
    },
    {
     "gloss": "Keeping a segment active briefly after speech disappears to avoid premature cutoff.",
     "term": "hangover"
    }
   ],
   "prereq": [
    "audioclassification"
   ],
   "keywords": [
    "Silero VAD",
    "WebRTC VAD",
    "speech probability",
    "acoustic frames",
    "hangover time",
    "silence thresholds"
   ],
   "source_ids": [
    "voiceprimer",
    "openai-realtime-vad"
   ],
   "url": "https://aiatlasgraph.com/t/vad",
   "markdown_url": "https://aiatlasgraph.com/t/vad.md",
   "updated": "2026-10-30"
  },
  "vae": {
   "id": "vae",
   "parent_id": "generative",
   "label": "Autoenkodery wariacyjne (VAE)",
   "canonical_name": "Variational autoencoders (VAE)",
   "aliases": [
    "VAE",
    "variational autoencoder",
    "autoenkoder wariacyjny",
    "ELBO"
   ],
   "description": "Model z enkoderem kompresującym dane do ukrytego rozkładu i dekoderem odtwarzającym je z próbek tego rozkładu; trenowany przez maksymalizację dolnego ograniczenia wiarygodności (ELBO) z trikiem reparametryzacji. Dziś często pracuje „w tle” — jako kompresor obrazu w dyfuzji latentnej.",
   "description_en": "A model with an encoder that compresses data into a latent distribution and a decoder that reconstructs it from samples; trained by maximising the evidence lower bound (ELBO) with the reparameterisation trick. Today it often works behind the scenes — as the image compressor in latent diffusion.",
   "examples": "ELBO · trik reparametryzacji · przestrzeń ukryta · enkoder i dekoder probabilistyczny",
   "examples_en": "ELBO · reparameterisation trick · latent space · probabilistic encoder and decoder",
   "plain": "To model, który uczy się krótkiego liczbowego zapisu danych i odtwarza z niego podobne przykłady.",
   "plain_en": "This model learns a compact numerical representation of data and reconstructs similar examples from it.",
   "solves": "Pełne obrazy są duże, a do generowania wariantów potrzebujesz mniejszego zapisu zachowującego ważne cechy.",
   "solves_en": "Full images are large, while generating variations needs a smaller representation retaining important features.",
   "does": "Jedna część przewiduje zakres możliwych ukrytych zapisów, druga odtwarza dane z wylosowanego zapisu; trening porządkuje tę przestrzeń.",
   "does_en": "One component predicts a distribution of latent representations; another reconstructs data from a sampled representation, while training organises that space.",
   "example": "Generator kompresuje zdjęcie do krótszego zapisu, na którym pracuje, a na końcu odtwarza obraz do wyświetlenia.",
   "example_en": "A generator compresses a photo into a smaller representation, works on it and finally reconstructs an image for display.",
   "for_you": [
    "potrzebujesz zwartego zapisu obrazów",
    "chcesz generować warianty podobnych danych"
   ],
   "for_you_en": [
    "need compact image representations",
    "want to generate variations of similar data"
   ],
   "how": "Enkoder przybliża rozkład zmiennej ukrytej dla wejścia, a reparametryzowane próbki zasilają dekoder. Cel łączy jakość rekonstrukcji z rozbieżnością wobec prioru, tworząc dolne ograniczenie log-wiarygodności, które można optymalizować gradientowo.",
   "how_en": "An encoder approximates a latent distribution for an input, and reparameterised samples feed a decoder. The objective combines reconstruction quality with divergence from a prior, forming a lower log-likelihood bound optimisable through gradients.",
   "limits": "Przybliżenie posterioru i założenia dekodera ograniczają reprezentację. Silna regularyzacja może prowadzić do ignorowania latentu, a kompresja usuwać szczegóły; wysoka wiarygodność nie gwarantuje ostrości obrazu.",
   "limits_en": "Posterior approximation and decoder assumptions limit representation. Strong regularisation can cause latent variables to be ignored, while compression loses details; high likelihood does not guarantee sharp images.",
   "terms": [
    {
     "gloss": "Dolne ograniczenie log-wiarygodności używane jako cel treningowy.",
     "term": "ELBO"
    },
    {
     "gloss": "Wyrażenie losowej próbki przez niezależny szum i różniczkowalne parametry.",
     "term": "reparametryzacja"
    }
   ],
   "terms_en": [
    {
     "gloss": "A lower log-likelihood bound used as a training objective.",
     "term": "ELBO"
    },
    {
     "gloss": "Expressing a random sample through independent noise and differentiable parameters.",
     "term": "reparameterisation"
    }
   ],
   "prereq": [
    "bayesinference",
    "backprop"
   ],
   "keywords": [
    "ELBO",
    "reparameterization trick",
    "latent variables",
    "variational posterior",
    "KL regularization",
    "probabilistic decoder"
   ],
   "source_ids": [
    "udlbook-toc",
    "vae-2013",
    "lilianweng-flow-models-2018",
    "latent-diffusion-2021"
   ],
   "url": "https://aiatlasgraph.com/t/vae",
   "markdown_url": "https://aiatlasgraph.com/t/vae.md",
   "updated": "2026-10-30"
  },
  "valuedecomp": {
   "id": "valuedecomp",
   "parent_id": "marlctde",
   "label": "Faktoryzacja wartości w kooperacyjnym MARL",
   "canonical_name": "Value-function factorisation for cooperative MARL",
   "aliases": [
    "value decomposition",
    "value factorization"
   ],
   "description": "Wartościowe metody CTDE reprezentujące wspólną funkcję Q jako złożenie indywidualnych funkcji Q agentów, zgodne z zasadą Individual-Global-Max.",
   "description_en": "Value-based CTDE methods representing the joint Q-function as a composition of per-agent Q-functions consistent with the Individual-Global-Max principle.",
   "plain": "Wspólny wynik zespołu rozkłada się na udziały poszczególnych członków, żeby każdy wiedział, jak bardzo jego ruch pomógł.",
   "plain_en": "The team's joint score is split into each member's share, so everyone knows how much their own move helped.",
   "solves": "Gdy cały zespół dostaje jedną nagrodę, nikt nie wie, czy sukces przyniósł jego ruch, czy ruch kolegi.",
   "solves_en": "When the whole team gets one reward, nobody knows whether success came from their move or a teammate's.",
   "does": "Jak trener, który po wygranym meczu ocenia każdego zawodnika osobno, ale tak, by suma ocen zgadzała się z wynikiem drużyny.",
   "does_en": "Like a coach who rates each player after a win, making sure the individual ratings add up to the team's result.",
   "example": "Jednostki w grze strategicznej uczą się skupiać ogień na jednym celu, choć nagrodę dostają tylko za wygraną bitwę.",
   "example_en": "Units in a strategy game learn to focus fire on one target, even though they are rewarded only for winning the battle.",
   "for_you": [
    "zespół dostaje jedną wspólną ocenę za wynik",
    "chcesz zrozumieć, jak dzielić zasługę między agentów"
   ],
   "for_you_en": [
    "your team gets one shared score for the outcome",
    "you want to see how credit is split between agents"
   ],
   "how": "Każdy agent uczy lokalnej funkcji Q z własnych obserwacji. VDN sumuje je, a QMIX łączy siecią mieszającą z wagami z hipersieci zależnej od stanu, ograniczoną do monotoniczności, więc lokalne argmaksy dają wspólne optimum. QTRAN i QPLEX rozszerzają klasę reprezentowalnych funkcji.",
   "how_en": "Each agent learns a local Q-function from its own observations. VDN sums them; QMIX combines them with a mixing network whose weights come from state-conditioned hypernetworks, constrained to be monotonic so local argmaxes yield the joint optimum. QTRAN and QPLEX widen the representable function class.",
   "limits": "Monotoniczność nie pozwala wyrazić zadań, w których najlepszy ruch jednego agenta zależy od ruchu innego. Metody są głównie dla akcji dyskretnych i zadań kooperacyjnych, a wyniki silnie zależą od implementacji.",
   "limits_en": "Monotonicity cannot express tasks where one agent's best move depends on another's. The methods mainly target discrete actions and cooperative tasks, and results depend strongly on implementation details.",
   "terms": [
    {
     "gloss": "Zasada: najlepsze ruchy pojedynczych agentów razem dają najlepszy ruch zespołu.",
     "term": "IGM"
    },
    {
     "gloss": "Sieć łącząca oceny agentów w jedną ocenę zespołu.",
     "term": "mixing network"
    },
    {
     "gloss": "Sieć generująca wagi innej sieci na podstawie stanu.",
     "term": "hypernetwork"
    }
   ],
   "terms_en": [
    {
     "gloss": "Principle: individual agents' best moves together form the team's best move.",
     "term": "IGM"
    },
    {
     "gloss": "A network combining agents' values into one team value.",
     "term": "mixing network"
    },
    {
     "gloss": "A network that generates another network's weights from the state.",
     "term": "hypernetwork"
    }
   ],
   "prereq": [
    "qlearning",
    "pomdp"
   ],
   "keywords": [
    "VDN",
    "QMIX",
    "QTRAN",
    "QPLEX",
    "Weighted QMIX",
    "Individual-Global-Max",
    "SMAC",
    "credit assignment"
   ],
   "source_ids": [
    "ctde-intro-amato-2024",
    "qmix-2018"
   ],
   "url": "https://aiatlasgraph.com/t/valuedecomp",
   "markdown_url": "https://aiatlasgraph.com/t/valuedecomp.md",
   "updated": "2026-10-30"
  },
  "var": {
   "id": "var",
   "parent_id": "argen",
   "label": "Przewidywanie kolejnej skali (od szkicu do detalu)",
   "canonical_name": "Next-scale prediction (visual autoregressive modelling, VAR)",
   "aliases": [
    "VAR",
    "visual autoregressive modeling",
    "next-scale prediction",
    "coarse-to-fine generation",
    "multi-scale tokenizer"
   ],
   "description": "Autoregresja po skalach: transformer przewiduje całą mapę tokenów wyższej rozdzielczości warunkowaną wszystkimi niższymi, zamiast tokenów w porządku rastrowym.",
   "description_en": "Autoregression over scales: a transformer predicts a whole higher-resolution token map conditioned on all lower ones, instead of tokens in raster order.",
   "plain": "Generator, który najpierw tworzy malutką, rozmytą wersję obrazu, a potem kolejno coraz większe i ostrzejsze.",
   "plain_en": "A generator that first makes a tiny, blurry version of the image and then ever larger and sharper ones.",
   "solves": "Modele piszące obraz fragment po fragmencie są wolne i gorsze od dyfuzji, choć przy tekście ta metoda świetnie się skaluje.",
   "solves_en": "Models that write an image fragment by fragment are slow and lag diffusion, even though this method scales superbly for text.",
   "does": "Jak malarz: najpierw plamy kolorów i kompozycja, potem kształty, na końcu drobne pociągnięcia pędzla.",
   "does_en": "Like a painter: first patches of colour and composition, then shapes, and finally fine brushstrokes.",
   "example": "Podgląd generowanego obrazka najpierw pokazuje rozmyte plamy, które w kilka chwil wyostrzają się w gotową ilustrację.",
   "example_en": "A preview of a generated picture first shows blurry blobs that sharpen within moments into a finished illustration.",
   "for_you": [
    "śledzisz, czy modele językowe dogonią dyfuzję w obrazach",
    "interesuje cię generowanie od ogółu do szczegółu"
   ],
   "for_you_en": [
    "follow whether language-style models will catch diffusion on images",
    "are interested in generating from general to detailed"
   ],
   "how": "Wielośkalowy tokenizer kwantyzujący koduje obraz jako stos map tokenów o rosnącej rozdzielczości. Transformer typu GPT generuje kolejne mapy, a wszystkie tokeny jednej skali powstają równolegle. Autorzy raportują lepszą jakość i szybkość niż transformery dyfuzyjne na ImageNet oraz prawa skalowania podobne do modeli językowych.",
   "how_en": "A multi-scale quantising tokenizer encodes the image as a stack of token maps of increasing resolution. A GPT-style transformer generates successive maps, with all tokens of one scale produced in parallel. The authors report better quality and speed than diffusion transformers on ImageNet and language-model-like scaling laws.",
   "limits": "Główne wyniki pracy pochodzą z generowania warunkowanego klasą na ImageNet 256×256. Przewaga nad innymi rodzinami w tym ustawieniu nie dowodzi takiej samej przewagi dla tekstu, innych rozdzielczości ani innych zbiorów; system nadal zależy od tokenizera wieloskalowego.",
   "limits_en": "The paper's main results come from class-conditional generation on ImageNet 256×256. An advantage in that setting does not establish the same advantage for text prompts, other resolutions or other datasets; the system still depends on a multi-scale tokenizer.",
   "terms": [
    {
     "gloss": "Koduje obraz jako kilka map kodów, od zgrubnej po szczegółową.",
     "term": "tokenizer wielośkalowy"
    },
    {
     "gloss": "Regularne poprawianie wyników wraz ze wzrostem modelu i obliczeń.",
     "term": "prawa skalowania"
    }
   ],
   "terms_en": [
    {
     "gloss": "Encodes an image as several code maps, from coarse to fine.",
     "term": "multi-scale tokenizer"
    },
    {
     "gloss": "Results improving steadily as model size and compute grow.",
     "term": "scaling laws"
    }
   ],
   "prereq": [
    "nexttoken"
   ],
   "keywords": [
    "VAR",
    "next-scale prediction",
    "multi-scale VQ-VAE",
    "coarse-to-fine generation",
    "ImageNet FID",
    "scaling laws"
   ],
   "source_ids": [
    "tian-var-2024"
   ],
   "url": "https://aiatlasgraph.com/t/var",
   "markdown_url": "https://aiatlasgraph.com/t/var.md",
   "updated": "2026-10-30"
  },
  "varianteffect": {
   "id": "varianteffect",
   "parent_id": "biomolecules",
   "label": "Zero-shot ocena skutków mutacji w białkach",
   "canonical_name": "Zero-shot protein variant effect prediction with language models",
   "aliases": [
    "variant effect prediction",
    "mutation effect prediction",
    "zero-shot variant effect prediction",
    "ocena wariantów"
   ],
   "description": "Zero-shot ocena wpływu podstawień aminokwasów przez porównanie prawdopodobieństw wariantu i sekwencji wyjściowej w białkowym modelu językowym.",
   "description_en": "Zero-shot scoring of amino-acid substitutions by comparing variant and wild-type likelihoods under a protein language model.",
   "plain": "Białkowy model językowy ocenia, czy pojedyncza zmiana aminokwasu pasuje do wzorców poznanych z naturalnych sekwencji.",
   "plain_en": "A protein language model judges whether a single amino-acid change fits patterns learned from natural sequences.",
   "solves": "Badania genetyczne znajdują u ludzi tysiące rzadkich mutacji, a o większości nikt nie wie, czy są groźne.",
   "solves_en": "Genetic tests find thousands of rare mutations in people, and for most of them nobody knows whether they are dangerous.",
   "does": "Jak korektor, który przeczytał miliony tekstów: od razu czuje, które literówki zmieniają sens zdania, a które są bez znaczenia.",
   "does_en": "Like a proofreader who has read millions of texts: it senses at once which typos change a sentence's meaning and which do not matter.",
   "example": "Badacz porządkuje setki wariantów białka według przewidywanego wpływu na jego funkcję, zanim wybierze mutacje do pomiaru w laboratorium.",
   "example_en": "A researcher ranks hundreds of protein variants by their predicted effect on function before choosing mutations to measure in the lab.",
   "for_you": [
    "masz do czynienia z wynikami badań genetycznych",
    "projektujesz białka i chcesz wiedzieć, które zmiany są bezpieczne"
   ],
   "for_you_en": [
    "deal with genetic test results",
    "engineer proteins and want to know which changes are safe"
   ],
   "how": "Białkowy model językowy, trenowany na milionach naturalnych sekwencji, przypisuje każdej pozycji rozkład aminokwasów. Wynik mutacji to różnica log-prawdopodobieństw wariantu i oryginału przy zamaskowanej pozycji; nie wymaga danych eksperymentalnych dla danego białka. Ocenia się go korelacją z głębokimi skanami mutacyjnymi.",
   "how_en": "A protein language model trained on millions of natural sequences assigns a distribution over amino acids at every position. A mutation's score is the log-likelihood difference between variant and original at the masked position; no experimental data for that protein is needed. It is evaluated by correlation with deep mutational scans.",
   "limits": "Model mierzy, co ewolucja tolerowała, a nie bezpośrednio chorobotwórczość czy konkretną funkcję. Słabo radzi sobie z białkami o małej liczbie krewnych w danych i z wieloma mutacjami naraz; wynik nie zastępuje diagnozy klinicznej.",
   "limits_en": "The model measures what evolution tolerated, not pathogenicity or a specific function directly. It struggles with proteins that have few relatives in the data and with multiple mutations at once; the score does not replace a clinical diagnosis.",
   "terms": [
    {
     "gloss": "Mutacja zmieniająca jeden aminokwas w białku.",
     "term": "wariant missense"
    },
    {
     "gloss": "Przewidywanie bez trenowania na danych z tego konkretnego zadania.",
     "term": "zero-shot"
    },
    {
     "gloss": "Eksperyment mierzący skutki tysięcy mutacji jednego białka.",
     "term": "głęboki skan mutacyjny"
    }
   ],
   "terms_en": [
    {
     "gloss": "A mutation that changes one amino acid in a protein.",
     "term": "missense variant"
    },
    {
     "gloss": "Predicting without training on data from that specific task.",
     "term": "zero-shot"
    },
    {
     "gloss": "An experiment measuring the effects of thousands of mutations in one protein.",
     "term": "deep mutational scan"
    }
   ],
   "prereq": [
    "transformerfamilies"
   ],
   "keywords": [
    "ESM-1v",
    "EVE",
    "ProteinGym",
    "deep mutational scanning",
    "masked marginal scoring",
    "ClinVar"
   ],
   "source_ids": [
    "esm1v-2021"
   ],
   "url": "https://aiatlasgraph.com/t/varianteffect",
   "markdown_url": "https://aiatlasgraph.com/t/varianteffect.md",
   "updated": "2026-10-30"
  },
  "vectordb": {
   "id": "vectordb",
   "parent_id": "retrieval",
   "label": "Bazy wektorowe",
   "canonical_name": "Vector databases",
   "description": "Magazyn i wyszukiwanie po wektorach.",
   "description_en": "Storing and searching by vectors.",
   "examples": "Qdrant · Weaviate · Chroma",
   "examples_en": "Qdrant · Weaviate · Chroma",
   "plain": "To baza przechowująca liczbowe opisy treści, żeby wyszukiwać podobne teksty lub obrazy.",
   "plain_en": "This database stores numerical descriptions of content to find similar text or images.",
   "solves": "Nie wiesz, jak odnaleźć podobną treść w dużym zbiorze, gdy nie ma wspólnych słów ani identycznych podpisów.",
   "solves_en": "You cannot easily find similar content in a large collection when it has no shared words or matching labels.",
   "does": "Umieszcza opisy treści na liczbowej mapie i szuka najbliższych sąsiadów, których opisy wskazują na podobieństwo.",
   "does_en": "It places content descriptions on a numerical map and looks for nearby neighbours whose descriptions suggest similarity.",
   "example": "Pokazujesz zdjęcie krzesła, a sklep wyszukuje podobne kształty w katalogu zapisanym jako liczbowe opisy obrazów.",
   "example_en": "You show a chair photo, and a shop searches for similar shapes in a catalogue stored as numerical image descriptions.",
   "for_you": [
    "chcesz szukać po znaczeniu lub wyglądzie",
    "masz duży zbiór tekstów lub obrazów do przeszukania"
   ],
   "for_you_en": [
    "want to search by meaning or appearance",
    "have a large collection of text or images to search"
   ],
   "how": "Baza przechowuje embeddingi razem z identyfikatorami i metadanymi dokumentów. Indeks dokładny lub przybliżony dobiera najbliższe wektory według ustalonej metryki, a filtry metadanych ograniczają zbiór dopuszczonych wyników.",
   "how_en": "The database stores embeddings alongside document identifiers and metadata. An exact or approximate index selects nearby vectors using a defined metric, while metadata filters restrict eligible results.",
   "limits": "Wyszukiwanie przybliżone zamienia część dokładności na szybkość i koszt pamięci. Zmiana modelu embeddingowego może wymagać przebudowy indeksu; filtry i aktualizacje wpływają na trafność oraz opóźnienie.",
   "limits_en": "Approximate search trades some accuracy for speed and memory cost. Changing the embedding model may require rebuilding the index; filters and updates affect retrieval quality and latency.",
   "terms": [
    {
     "gloss": "Liczbowy wektor reprezentujący właściwości lub znaczenie danych.",
     "term": "embedding"
    },
    {
     "gloss": "Wektor najbardziej podobny według wybranej miary.",
     "term": "najbliższy sąsiad"
    },
    {
     "gloss": "Struktura przyspieszająca wyszukiwanie bez gwarancji znalezienia wszystkich najlepszych wyników.",
     "term": "indeks przybliżony"
    }
   ],
   "terms_en": [
    {
     "gloss": "A numerical vector representing data properties or meaning.",
     "term": "embedding"
    },
    {
     "gloss": "The most similar vector under a chosen metric.",
     "term": "nearest neighbor"
    },
    {
     "gloss": "A structure accelerating search without guaranteeing all the best matches.",
     "term": "approximate index"
    }
   ],
   "prereq": [
    "textembeddings"
   ],
   "keywords": [
    "Qdrant",
    "Weaviate",
    "Chroma",
    "HNSW",
    "approximate nearest neighbor",
    "cosine similarity",
    "metadata filtering"
   ],
   "courses": [
    {
     "title": "Multi-vector Image Retrieval",
     "url": "https://www.deeplearning.ai/courses/multi-vector-image-retrieval"
    }
   ],
   "source_ids": [
    "dlai"
   ],
   "url": "https://aiatlasgraph.com/t/vectordb",
   "markdown_url": "https://aiatlasgraph.com/t/vectordb.md",
   "updated": "2026-10-30"
  },
  "vectorizedscene": {
   "id": "vectorizedscene",
   "parent_id": "motionforecasting",
   "label": "Kodowanie sceny drogowej jako grafu wektorów",
   "canonical_name": "Vectorised scene encoding",
   "aliases": [
    "VectorNet",
    "vectorized representation",
    "polyline encoding",
    "scene encoding",
    "reprezentacja wektorowa sceny"
   ],
   "description": "Reprezentacja pasów, linii i torów agentów jako polilinii wektorów przetwarzanych przez hierarchiczną sieć grafową lub transformer.",
   "description_en": "Representing lanes, markings and agent tracks as vector polylines processed by a hierarchical graph network or transformer.",
   "plain": "Zapisanie ulic i torów jazdy jako zbiorów odcinków, żeby model szybciej i dokładniej rozumiał sytuację na drodze.",
   "plain_en": "Writing streets and vehicle paths down as sets of line segments so a model grasps the road situation faster and more precisely.",
   "solves": "Rysowanie mapy i ruchu jako obrazka marnuje pamięć i zaciera szczegóły, przez co modele są ciężkie i powolne.",
   "solves_en": "Drawing the map and traffic as a picture wastes memory and blurs details, making models heavy and slow.",
   "does": "Zamiast fotografii skrzyżowania model dostaje szkic z kresek: każdy pas i każdy tor to łańcuch strzałek, które wymieniają się informacją.",
   "does_en": "Instead of a photo of the junction the model gets a line sketch: every lane and path is a chain of arrows that exchange information.",
   "example": "Auto na rondzie trafnie przewiduje, który zjazd wybierze sąsiad, bo zna kształt wszystkich pasów i jego dotychczasowy tor.",
   "example_en": "On a roundabout the car correctly predicts which exit a neighbour will take, because it knows every lane's shape and that car's path so far.",
   "for_you": [
    "chcesz zrozumieć, jak model „czyta” mapę",
    "pracujesz z danymi o trasach lub ruchu",
    "szukasz lżejszych modeli niż oparte na obrazkach"
   ],
   "for_you_en": [
    "want to understand how a model 'reads' a map",
    "work with route or traffic data",
    "look for lighter models than image-based ones"
   ],
   "how": "Każdy element mapy i tor agenta dzieli się na wektory; sieć najpierw łączy wektory w obrębie elementu (podgraf lokalny), potem modeluje interakcje między wszystkimi elementami (graf globalny). Zadanie pomocnicze odtwarza zamaskowane elementy mapy i torów, co wzmacnia reprezentację.",
   "how_en": "Each map element and agent track is split into vectors; the network first aggregates vectors within an element (local subgraph), then models interactions among all elements (global graph). An auxiliary task recovers masked map elements and trajectories, strengthening the representation.",
   "limits": "Wymaga map w postaci wektorowej, więc zależy od map HD lub mapowania w locie. Sceny z bardzo wieloma elementami zwiększają koszt uwagi.",
   "limits_en": "It needs maps in vector form, so it depends on HD maps or online mapping. Scenes with very many elements raise the cost of attention.",
   "terms": [
    {
     "gloss": "Ciąg punktów opisujący pas lub tor jazdy.",
     "term": "polilinia"
    },
    {
     "gloss": "Połączenia wektorów jednego elementu, np. jednego pasa.",
     "term": "podgraf lokalny"
    },
    {
     "gloss": "Mechanizm, w którym tor pojazdu „pyta” pasy o kontekst.",
     "term": "uwaga agent–mapa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A sequence of points describing a lane or path.",
     "term": "polyline"
    },
    {
     "gloss": "Connections among the vectors of one element, such as one lane.",
     "term": "local subgraph"
    },
    {
     "gloss": "A mechanism where a vehicle's track 'queries' lanes for context.",
     "term": "agent–map attention"
    }
   ],
   "prereq": [
    "gnn",
    "selfattention"
   ],
   "keywords": [
    "VectorNet",
    "LaneGCN",
    "polyline encoding",
    "HiVT",
    "QCNet",
    "agent-centric coordinates",
    "Argoverse"
   ],
   "source_ids": [
    "vectornet-2020"
   ],
   "url": "https://aiatlasgraph.com/t/vectorizedscene",
   "markdown_url": "https://aiatlasgraph.com/t/vectorizedscene.md",
   "updated": "2026-10-30"
  },
  "verifiersearch": {
   "id": "verifiersearch",
   "parent_id": "testtime",
   "label": "Przeszukiwanie kroków z weryfikatorem",
   "canonical_name": "Verifier-guided search",
   "description": "Rozwiązanie buduje się krok po kroku, a weryfikator (np. model nagrody procesowej) ocenia częściowe ścieżki i decyduje, które rozwijać dalej.",
   "description_en": "The solution is built step by step while a verifier (e.g. a process reward model) scores partial paths and decides which to expand.",
   "examples": "beam search z PRM · MCTS · lookahead",
   "examples_en": "beam search with a PRM · MCTS · lookahead",
   "plain": "To budowanie rozwiązania z kolejnych kroków wybieranych przy pomocy dodatkowej oceny.",
   "plain_en": "This builds a solution from successive steps selected with additional evaluation.",
   "solves": "Pełne sprawdzanie wielu gotowych odpowiedzi marnuje pracę na ścieżki, które psują się już na początku.",
   "solves_en": "Checking many completed answers wastes work on paths that fail near the beginning.",
   "does": "Weryfikator ocenia częściowe ścieżki, a system rozwija te bardziej obiecujące i odrzuca słabsze.",
   "does_en": "A verifier scores partial paths, and the system develops more promising ones while discarding weaker alternatives.",
   "example": "Przy układaniu harmonogramu ocena odrzuca kolejność naruszającą dostępność sali przed dopisaniem reszty spotkań.",
   "example_en": "While building a timetable, evaluation rejects an order that violates room availability before the remaining meetings are added.",
   "for_you": [
    "rozwiązanie można oceniać przed zakończeniem",
    "chcesz kierować dodatkowe obliczenia na obiecujące warianty"
   ],
   "for_you_en": [
    "can evaluate a solution before it is complete",
    "want to focus computation on promising alternatives"
   ],
   "how": "Generator rozwija częściowe rozwiązania, a weryfikator nadaje wyniki ich prefiksom. Strategia przeszukiwania wybiera dalsze rozwinięcia i przycina ścieżki, wykorzystując budżet do eksploracji kandydatów ocenianych jako obiecujące.",
   "how_en": "A generator expands partial solutions, and a verifier scores their prefixes. A search strategy chooses further expansions and prunes paths, spending budget on candidates assessed as promising.",
   "limits": "Ocena prefiksu może nie przewidywać dobrego zakończenia. Błędy weryfikatora kierują przeszukiwanie ku pozornym sukcesom; szeroka eksploracja zwiększa liczbę wywołań i koszt ocen.",
   "limits_en": "Prefix scores may not predict successful completion. Verifier errors steer search towards apparent successes; broad exploration increases calls and assessment costs.",
   "terms": [
    {
     "gloss": "Ocena częściowego rozwiązania przed poznaniem końcowej odpowiedzi.",
     "term": "wynik prefiksu"
    },
    {
     "gloss": "Reguła wyboru ścieżki, której następny krok zostanie wygenerowany.",
     "term": "polityka rozwijania"
    }
   ],
   "terms_en": [
    {
     "gloss": "An assessment of a partial solution before its final answer is known.",
     "term": "prefix score"
    },
    {
     "gloss": "A rule selecting the path whose next step will be generated.",
     "term": "expansion policy"
    }
   ],
   "prereq": [
    "prm",
    "localsearch"
   ],
   "keywords": [
    "PRM-guided beam search",
    "MCTS",
    "lookahead search",
    "prefix scoring",
    "candidate expansion"
   ],
   "source_ids": [
    "snell-ttc-2024"
   ],
   "url": "https://aiatlasgraph.com/t/verifiersearch",
   "markdown_url": "https://aiatlasgraph.com/t/verifiersearch.md",
   "updated": "2026-10-30"
  },
  "vibecoding": {
   "id": "vibecoding",
   "parent_id": "aicoding",
   "label": "Vibe coding: tworzenie bez przeglądania kodu",
   "canonical_name": "Vibe coding (creating software without reviewing generated code)",
   "aliases": [
    "vibe coding",
    "vibecoding",
    "prompt-to-app",
    "programowanie na czuja",
    "natural-language programming"
   ],
   "description": "Iteracyjne tworzenie programu przez prompty i ocenę działania bez czytania ani rozumienia wygenerowanego kodu; odróżnia się od odpowiedzialnego programowania wspomaganego AI, w którym zmiany są przeglądane.",
   "description_en": "Iterative software creation through prompts and behavioral testing without reading or understanding the generated code; unlike responsible AI-assisted programming, the generated changes are not reviewed.",
   "plain": "Opisujesz kolejne zmiany w programie i sprawdzasz efekt, ale nie czytasz ani nie oceniasz kodu wygenerowanego przez model.",
   "plain_en": "You describe successive changes and test the result, but you do not read or assess the code generated by the model.",
   "solves": "Pozwala bardzo szybko sprawdzić pomysł na mały, niskiego ryzyka prototyp, nawet gdy autor nie chce zajmować się szczegółami kodu.",
   "solves_en": "It enables very rapid exploration of a small, low-risk prototype when the creator does not want to work with implementation details.",
   "does": "Przypomina zamawianie u wykonawcy, któremu tylko opisujesz efekt i oglądasz kolejne wersje, nie zaglądając w to, jak je zrobił.",
   "does_en": "It resembles hiring a builder you only describe the result to, inspecting each version without looking at how it was made.",
   "example": "Prosisz agenta o aplikację do rezerwacji, oglądasz podgląd, zgłaszasz kolejne poprawki i oceniasz tylko działanie, nie zaglądając do kodu.",
   "example_en": "You ask an agent for a booking app, inspect the preview, request successive changes, and judge only its behavior without looking at the code.",
   "for_you": [
    "chcesz zbudować proste narzędzie bez nauki programowania",
    "szybko sprawdzasz, czy pomysł ma sens"
   ],
   "for_you_en": [
    "want to build a simple tool without learning to code",
    "quickly test whether an idea makes sense"
   ],
   "how": "Użytkownik przekazuje intencję w języku naturalnym, a agent generuje i modyfikuje kod. Pętla opiera się na obserwacji działania aplikacji oraz kolejnych promptach, bez przeglądu implementacji.",
   "how_en": "The user states intent in natural language and the agent generates and modifies code. The loop relies on observing application behavior and issuing further prompts without reviewing the implementation.",
   "limits": "Nieprzejrzany kod może wyciekać dane, ujawniać klucze lub generować koszty. Gdy projekt rośnie, model gubi się we własnym kodzie, a nikt nie potrafi go utrzymać; to technika do prototypów i zabawy, nie do systemów produkcyjnych.",
   "limits_en": "Unreviewed code can leak data, expose keys or run up costs. As a project grows the model loses track of its own code and nobody can maintain it; it suits prototypes and play, not production systems.",
   "terms": [
    {
     "gloss": "Generowanie całej aplikacji z jednego lub kilku opisów.",
     "term": "prompt-to-app"
    },
    {
     "gloss": "Ukryte koszty przyszłych zmian w źle zrozumianym kodzie.",
     "term": "dług techniczny"
    },
    {
     "gloss": "Odizolowane środowisko, w którym kod nie zaszkodzi reszcie systemu.",
     "term": "piaskownica"
    }
   ],
   "terms_en": [
    {
     "gloss": "Generating a whole application from one or a few descriptions.",
     "term": "prompt-to-app"
    },
    {
     "gloss": "Hidden cost of future changes to poorly understood code.",
     "term": "technical debt"
    },
    {
     "gloss": "An isolated environment where code cannot harm the rest of the system.",
     "term": "sandbox"
    }
   ],
   "prereq": [
    "prompting",
    "aiprototyping"
   ],
   "keywords": [
    "vibe coding",
    "prompt-to-app",
    "natural language programming",
    "generated code",
    "no code review",
    "rapid prototyping",
    "live preview",
    "Andrej Karpathy"
   ],
   "source_ids": [
    "willison-vibecoding-2025",
    "wikipedia-vibecoding"
   ],
   "url": "https://aiatlasgraph.com/t/vibecoding",
   "markdown_url": "https://aiatlasgraph.com/t/vibecoding.md",
   "updated": "2026-10-30"
  },
  "videocuration": {
   "id": "videocuration",
   "parent_id": "multimodaldata",
   "label": "Kuracja danych wideo",
   "canonical_name": "Video data curation for generative models",
   "aliases": [
    "video dataset curation",
    "clip filtering for video",
    "przygotowanie danych wideo"
   ],
   "description": "Wieloetapowy pipeline: detekcja cięć, opisywanie klipów i filtrowanie po ruchu, tekście w kadrze, estetyce oraz zgodności obraz–tekst.",
   "description_en": "A multi-stage pipeline: cut detection, clip captioning and filtering by motion, on-screen text, aesthetics and image–text alignment.",
   "plain": "Cięcie surowych filmów na krótkie ujęcia i wybieranie tylko tych, z których model może nauczyć się ruchu i obrazu.",
   "plain_en": "Cutting raw videos into short shots and keeping only those a model can learn motion and visuals from.",
   "solves": "Filmy z sieci mają ukryte cięcia, napisy, slajdy i statyczne kadry, więc generator wideo uczy się migających scen.",
   "solves_en": "Web videos hide cuts, subtitles, slides and static frames, so a video generator learns flickering scenes.",
   "does": "Jak montażysta przeglądający taśmy: wykrywa przejścia, wyrzuca nudne lub zatekstowane ujęcia i podpisuje resztę.",
   "does_en": "Like an editor reviewing tapes: spotting transitions, throwing out dull or text-heavy shots and labelling the rest.",
   "example": "Wygenerowany filmik z biegnącym psem nie przeskakuje nagle do innej sceny, bo w nauce nie było ujęć z ukrytymi cięciami.",
   "example_en": "A generated clip of a running dog does not suddenly jump to another scene, because training shots had no hidden cuts.",
   "for_you": [
    "porównujesz modele generujące wideo",
    "masz duże archiwum nagrań i myślisz o trenowaniu na nim"
   ],
   "for_you_en": [
    "compare video generation models",
    "have a large footage archive and consider training on it"
   ],
   "how": "Detektor scen kaskadowo, przy kilku częstotliwościach klatek, dzieli filmy na klipy. Dla klipów liczy się przepływ optyczny (odrzucenie statycznych), OCR (odrzucenie zatekstowanych), oceny estetyki i podobieństwo CLIP na kilku klatkach. Progi dla każdego sygnału dobiera się, trenując modele na podzbiorach i porównując wyniki w ocenach ludzi.",
   "how_en": "A scene detector, run in cascade at several frame rates, splits videos into clips. Per clip, optical flow (drop static), OCR (drop text-heavy), aesthetic scores and CLIP similarity on several frames are computed. Thresholds per signal are chosen by training models on subsets and comparing them in human preference ratings.",
   "limits": "Przetworzenie setek milionów klipów wymaga ogromnej mocy obliczeniowej. Filtr ruchu może usuwać wartościowe spokojne sceny, a licencje na materiały wideo pozostają głównym ryzykiem prawnym.",
   "limits_en": "Processing hundreds of millions of clips needs huge compute. Motion filters may drop valuable calm scenes, and licensing of video footage remains the main legal risk.",
   "terms": [
    {
     "gloss": "Automatyczne znajdowanie miejsc, gdzie film przeskakuje do innego ujęcia.",
     "term": "detekcja cięć"
    },
    {
     "gloss": "Oszacowanie, jak piksele przesuwają się między kolejnymi klatkami.",
     "term": "przepływ optyczny"
    },
    {
     "gloss": "Rozpoznawanie tekstu widocznego na obrazie.",
     "term": "OCR"
    }
   ],
   "terms_en": [
    {
     "gloss": "Automatically finding where a video jumps to a different shot.",
     "term": "cut detection"
    },
    {
     "gloss": "Estimate of how pixels move between consecutive frames.",
     "term": "optical flow"
    },
    {
     "gloss": "Recognising text visible in an image.",
     "term": "OCR"
    }
   ],
   "prereq": [
    "videounderstanding"
   ],
   "keywords": [
    "PySceneDetect",
    "optical flow (RAFT)",
    "OCR filtering",
    "aesthetic score",
    "Stable Video Diffusion LVD",
    "Panda-70M",
    "InternVid",
    "WebVid"
   ],
   "source_ids": [
    "blattmann-2023-svd"
   ],
   "url": "https://aiatlasgraph.com/t/videocuration",
   "markdown_url": "https://aiatlasgraph.com/t/videocuration.md",
   "updated": "2026-10-30"
  },
  "videogen": {
   "id": "videogen",
   "parent_id": "imagegen",
   "label": "Generowanie wideo z tekstu i obrazu",
   "canonical_name": "Text-to-video and image-to-video generation",
   "aliases": [
    "video generation",
    "text-to-video",
    "T2V",
    "image-to-video",
    "I2V",
    "AI video",
    "generowanie wideo",
    "tekst na wideo",
    "obraz na wideo",
    "animacja zdjęcia"
   ],
   "description": "Tworzenie klipów z opisu tekstowego lub ożywianie obrazu, przy próbie zachowania spójności ruchu i wyglądu między klatkami. Wiele współczesnych systemów korzysta z latentnych modeli dyfuzyjnych i transformerów przetwarzających czas oraz przestrzeń; niektóre generują również zsynchronizowany dźwięk.",
   "description_en": "Creating clips from text descriptions or animating an image while trying to preserve motion and appearance across frames. Many contemporary systems use latent diffusion models and transformers that process space and time; some also generate synchronised audio.",
   "examples": "tekst→wideo · obraz→wideo · łaty czasoprzestrzenne · Sora · Veo 3 · Wan · HunyuanVideo",
   "examples_en": "text-to-video · image-to-video · spacetime patches · Sora · Veo 3 · Wan · HunyuanVideo",
   "plain": "To tworzenie krótkich filmów przez program na podstawie opisu albo jednego zdjęcia.",
   "plain_en": "This is software making short videos from a description or a single photo.",
   "solves": "Nakręcenie nawet kilkusekundowego ujęcia wymaga kamery, ludzi, miejsca i montażu.",
   "solves_en": "Filming even a few seconds of footage needs a camera, people, a location and editing.",
   "does": "Tworzy kolejne klatki z uwzględnieniem ruchu i wyglądu sceny, próbując zachować ciągłość; szczegóły mogą zmieniać się niepożądanie.",
   "does_en": "It generates frames using scene appearance and motion, trying to preserve continuity; details can still change unexpectedly.",
   "example": "Stare zdjęcie babci ożywa na ekranie: uśmiecha się i lekko odwraca głowę, choć nikt tego nie nagrał.",
   "example_en": "An old photo of your grandmother comes alive on screen: she smiles and turns her head, though no one ever filmed it.",
   "for_you": [
    "robisz krótkie filmy do sieci lub reklam",
    "chcesz zobaczyć pomysł na scenę przed nagraniem",
    "musisz odróżniać prawdziwe nagrania od wygenerowanych"
   ],
   "for_you_en": [
    "make short videos for the web or adverts",
    "want to preview a scene idea before filming",
    "need to tell real footage from generated"
   ],
   "how": "Generator przetwarza reprezentacje przestrzenne i czasowe warunkowane tekstem lub klatką źródłową. Wspólne odszumianie albo predykcja fragmentów sekwencji wiąże wygląd obiektów z ruchem między klatkami.",
   "how_en": "The generator processes spatial and temporal representations conditioned on text or source frames. Joint denoising or sequence-segment prediction links object appearance with inter-frame motion.",
   "limits": "Długie sekwencje mogą tracić tożsamość, geometrię i spójność ruchu. Koszt rośnie z czasem oraz rozdzielczością, a realistyczny klip nie gwarantuje fizycznej poprawności.",
   "limits_en": "Long sequences can lose identity, geometry and motion consistency. Costs grow with duration and resolution, while realistic clips do not guarantee physical correctness.",
   "terms": [
    {
     "gloss": "Łączenie informacji między reprezentacjami różnych klatek.",
     "term": "uwaga czasowa"
    },
    {
     "gloss": "Zachowanie zgodnego wyglądu i stanu obiektów w kolejnych klatkach.",
     "term": "spójność międzyklatkowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Connecting information across representations of different frames.",
     "term": "temporal attention"
    },
    {
     "gloss": "Maintaining consistent object appearance and state across successive frames.",
     "term": "inter-frame consistency"
    }
   ],
   "prereq": [
    "diffusion",
    "transformers"
   ],
   "keywords": [
    "Wan",
    "HunyuanVideo",
    "Sora",
    "Veo 3",
    "spatiotemporal patches",
    "temporal attention",
    "frame consistency"
   ],
   "source_ids": [
    "wan-2025",
    "hunyuanvideo-2024",
    "hf-diffusers-video",
    "veo-3-model-card-2025",
    "sora-tech-report-2024"
   ],
   "url": "https://aiatlasgraph.com/t/videogen",
   "markdown_url": "https://aiatlasgraph.com/t/videogen.md",
   "updated": "2026-10-30"
  },
  "videollm": {
   "id": "videollm",
   "parent_id": "vlm",
   "label": "Modele językowe rozumiejące wideo (Video-LLM)",
   "canonical_name": "Video-language models (Video-LLMs)",
   "aliases": [
    "video language model",
    "video LLM",
    "Video-LLM",
    "wideo-LLM"
   ],
   "description": "Modele łączące enkoder klatek wideo z LLM do otwartego rozumienia nagrań: opisów, pytań, lokalizacji czasowej i rozumowania.",
   "description_en": "Models joining a video-frame encoder with an LLM for open-ended video understanding: description, questions, temporal localisation and reasoning.",
   "plain": "Model ogląda nagranie i rozmawia o nim: streszcza, odpowiada na pytania i wskazuje, w którym momencie coś się działo.",
   "plain_en": "A model watches a recording and talks about it: it summarises, answers questions and says when something happened.",
   "solves": "Godziny nagrań — wykładów, spotkań, monitoringu — nikt nie ma czasu obejrzeć, a trzeba z nich coś wyłowić.",
   "solves_en": "Nobody has time to watch hours of lectures, meetings or camera footage, yet something must be found in them.",
   "does": "Jak ktoś, kto obejrzał film za ciebie i z notatkami w ręku odpowiada, co było w 12. minucie i dlaczego.",
   "does_en": "Like someone who watched the film for you and, notes in hand, tells you what happened at minute twelve and why.",
   "example": "Wrzucasz nagranie wykładu i pytasz, gdzie prowadzący tłumaczył wzór — dostajesz minutę i krótkie wyjaśnienie.",
   "example_en": "You upload a lecture and ask where the formula was explained — you get the minute and a short explanation.",
   "for_you": [
    "przeglądasz długie nagrania w poszukiwaniu fragmentu",
    "tworzysz streszczenia lub rozdziały filmów",
    "analizujesz nagrania z kamer lub produkcji"
   ],
   "for_you_en": [
    "search long recordings for one moment",
    "create video summaries or chapters",
    "analyse camera or production footage"
   ],
   "how": "Próbkowane klatki (czasem z dźwiękiem) koduje enkoder wizyjny, a tokeny wizualne są kompresowane w czasie i przestrzeni, zanim trafią do LLM. Alternatywnie zewnętrzne narzędzia opisują nagranie tekstem, a LLM rozumuje nad tymi opisami; do długich filmów dochodzi pamięć lub wyszukiwanie klatek.",
   "how_en": "Sampled frames (sometimes with audio) are encoded by a vision encoder and visual tokens are compressed in time and space before entering the LLM. Alternatively external tools describe the video in text and the LLM reasons over that; long videos add memory or frame retrieval.",
   "limits": "Przegląd porządkuje wiele architektur i benchmarków, ale nie ustanawia jednej miary obejmującej wszystkie zdolności modeli. Długie nagrania wymagają selekcji lub kompresji informacji w czasie; pominiętych momentów model językowy nie może później odzyskać.",
   "limits_en": "The survey organizes many architectures and benchmarks but does not establish a single metric covering every model capability. Long videos require temporal information selection or compression; moments omitted at that stage cannot later be recovered by the language model.",
   "terms": [
    {
     "gloss": "Wybór, które klatki nagrania model w ogóle zobaczy.",
     "term": "frame sampling"
    },
    {
     "gloss": "Wskazanie momentu nagrania pasującego do opisu.",
     "term": "temporal grounding"
    },
    {
     "gloss": "Zmniejszanie liczby tokenów wizualnych na klatkę.",
     "term": "token compression"
    }
   ],
   "terms_en": [
    {
     "gloss": "Choosing which frames the model sees at all.",
     "term": "frame sampling"
    },
    {
     "gloss": "Pointing to the moment in a video matching a description.",
     "term": "temporal grounding"
    },
    {
     "gloss": "Reducing visual tokens per frame.",
     "term": "token compression"
    }
   ],
   "prereq": [
    "videounderstanding"
   ],
   "keywords": [
    "Video-LLaVA",
    "Video-MME",
    "video question answering",
    "temporal grounding",
    "long video understanding",
    "frame sampling",
    "visual token compression",
    "dense video captioning"
   ],
   "source_ids": [
    "tang-2023-vidllm-survey"
   ],
   "url": "https://aiatlasgraph.com/t/videollm",
   "markdown_url": "https://aiatlasgraph.com/t/videollm.md",
   "updated": "2026-10-30"
  },
  "videounderstanding": {
   "id": "videounderstanding",
   "parent_id": "visionnode",
   "label": "Rozumienie wideo",
   "canonical_name": "Video understanding",
   "description": "Analiza sekwencji klatek: dochodzi wymiar czasu, ruch i znacznie większa ilość danych niż w pojedynczym obrazie.",
   "description_en": "Analysing frame sequences: adds time, motion and far more data than a single image.",
   "examples": "klasyfikacja wideo · 3D CNN · transformery wideo",
   "examples_en": "video classification · 3D CNN · video transformers",
   "plain": "To analizowanie filmu, żeby rozpoznać wydarzenia, ruch i zmiany zachodzące w czasie.",
   "plain_en": "This analyses video to recognise events, movement and changes over time.",
   "solves": "Pojedyncze zdjęcie nie pokazuje, co zdarzyło się wcześniej ani czy ktoś właśnie upada.",
   "solves_en": "One photo cannot show what happened earlier or whether someone is falling.",
   "does": "Model zestawia kolejne klatki i śledzi, jak zmieniają się obiekty oraz ich wzajemne położenia.",
   "does_en": "A model compares successive frames and tracks changes in objects and their relative positions.",
   "example": "Program znajduje w nagraniu meczu momenty, w których zawodnik podaje piłkę.",
   "example_en": "Software finds moments in a match recording when a player passes the ball.",
   "for_you": [
    "przeszukujesz długie nagrania",
    "potrzebujesz rozpoznawać zdarzenia zamiast pojedynczych obrazów"
   ],
   "for_you_en": [
    "search long recordings",
    "need to recognise events rather than isolated images"
   ],
   "how": "Cechy klatek łączy się z czasem, ruchem i zależnościami między obiektami. Moduły czasowe lub uwaga agregują sekwencję do etykiet zdarzeń, śledzonych tożsamości albo reprezentacji dla dalszych pytań.",
   "how_en": "Frame features are combined with timing, motion and object relationships. Temporal modules or attention aggregate sequences into event labels, tracked identities or representations for further questions.",
   "limits": "Rzadkie próbkowanie pomija krótkie zdarzenia, a długie klipy zwiększają koszt. Sam wygląd klatek nie zawsze rozstrzyga kolejność lub przyczynę działania.",
   "limits_en": "Sparse sampling misses brief events, while long clips increase costs. Frame appearance alone may not determine action order or causes.",
   "terms": [
    {
     "gloss": "Wybór momentów wideo analizowanych przez model.",
     "term": "próbkowanie klatek"
    },
    {
     "gloss": "Kod zależności między kolejnymi obserwacjami sekwencji.",
     "term": "reprezentacja czasowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Selecting video moments for model analysis.",
     "term": "frame sampling"
    },
    {
     "gloss": "An encoding of dependencies across successive sequence observations.",
     "term": "temporal representation"
    }
   ],
   "prereq": [
    "imageclassification",
    "transformers"
   ],
   "keywords": [
    "frame sampling",
    "temporal pooling",
    "optical flow",
    "3D CNN",
    "video transformers",
    "temporal localization",
    "action recognition",
    "multi-object tracking"
   ],
   "source_ids": [
    "cs231n-2026-schedule",
    "hf-cv-course",
    "action-backbones-survey-2024"
   ],
   "url": "https://aiatlasgraph.com/t/videounderstanding",
   "markdown_url": "https://aiatlasgraph.com/t/videounderstanding.md",
   "updated": "2026-10-30"
  },
  "visionbackbones": {
   "id": "visionbackbones",
   "parent_id": "visionnode",
   "label": "Modele bazowe dla obrazu",
   "canonical_name": "Vision backbones and foundation models",
   "description": "Wstępnie wytrenowane modele wizyjne wydobywające cechy obrazu, które można wykorzystać w klasyfikacji, detekcji i segmentacji.",
   "description_en": "Pretrained vision models that extract image features reusable for classification, detection and segmentation.",
   "examples": "ResNet · ViT · DINOv2 · CLIP",
   "examples_en": "ResNet · ViT · DINOv2 · CLIP",
   "plain": "To wcześniej wyuczone modele obrazu, które służą jako punkt wyjścia do różnych zadań ze zdjęciami.",
   "plain_en": "These pretrained image models provide a starting point for different photo-based tasks.",
   "solves": "Uczenie każdego programu do zdjęć od początku wymaga wielu przykładów i dużych nakładów.",
   "solves_en": "Training every image application from scratch requires many examples and substantial resources.",
   "does": "Model wydobywa użyteczne cechy obrazu, a dodana lub dostrojona część wykorzystuje je do wybranego zadania.",
   "does_en": "A model extracts useful image features, and an added or adapted component uses them for a chosen task.",
   "example": "Firma wykorzystuje gotowy model obrazu jako podstawę narzędzia rozpoznającego rodzaje opakowań.",
   "example_en": "A company uses a pretrained image model as the basis for identifying packaging types.",
   "for_you": [
    "budujesz narzędzie do własnych zdjęć",
    "chcesz wykorzystać model wyuczony na innych obrazach"
   ],
   "for_you_en": [
    "build a tool for your own photos",
    "want to reuse a model trained on other images"
   ],
   "how": "Enkoder trenuje się na szerokich danych i celach, aby wyuczyć cechy obrazu. Wybrane warstwy dostarczają reprezentacje do nowych głowic, z zamrożeniem wag albo dalszym dopasowaniem całego modelu.",
   "how_en": "An encoder trains on broad data and objectives to learn image features. Selected layers supply representations to new heads, with frozen weights or further adaptation of the full model.",
   "limits": "Cechy mogą nie zachować szczegółów potrzebnych nowemu zadaniu. Transfer zależy od domeny, rozdzielczości i celu pretrainingu; duży backbone zwiększa koszt inferencji.",
   "limits_en": "Features may not retain details required by a new task. Transfer depends on domain, resolution and pretraining objectives; large backbones increase inference costs.",
   "terms": [
    {
     "gloss": "Wspólny enkoder cech używany przez różne głowice zadaniowe.",
     "term": "backbone"
    },
    {
     "gloss": "Adaptowanie reprezentacji wyuczonej wcześniej do nowego zadania.",
     "term": "transfer learning"
    }
   ],
   "terms_en": [
    {
     "gloss": "A shared feature encoder used by different task heads.",
     "term": "backbone"
    },
    {
     "gloss": "Adapting a previously learned representation to a new task.",
     "term": "transfer learning"
    }
   ],
   "prereq": [
    "cnn",
    "transformers"
   ],
   "keywords": [
    "ResNet",
    "ViT",
    "Swin Transformer",
    "DINOv2",
    "CLIP",
    "MAE",
    "feature extraction",
    "linear probing"
   ],
   "source_ids": [
    "cs231n-2026-schedule",
    "dosovitskiy-vit-2020",
    "radford-clip-2021",
    "oquab-dinov2-2023"
   ],
   "url": "https://aiatlasgraph.com/t/visionbackbones",
   "markdown_url": "https://aiatlasgraph.com/t/visionbackbones.md",
   "updated": "2026-10-30"
  },
  "visionnode": {
   "id": "visionnode",
   "parent_id": "modalities",
   "label": "Widzenie komputerowe",
   "canonical_name": "Computer vision",
   "description": "Rozpoznawanie zawartości i struktury obrazu oraz wideo: co jest na obrazie, gdzie to jest, jaki ma kształt i jak się porusza. Generowanie obrazu, 3D i modele obraz–tekst mają osobne węzły obok.",
   "description_en": "Recognising content and structure in images and video: what is in the picture, where it is, what shape it has and how it moves. Image generation, 3D and vision–language models have their own sibling nodes.",
   "examples": "Klasyfikacja · detekcja · segmentacja · poza · wideo · ViT",
   "examples_en": "Classification · detection · segmentation · pose · video · ViT",
   "plain": "To uczenie programów rozpoznawania, co widać na zdjęciach i filmach, gdzie to jest i jak się porusza.",
   "plain_en": "This teaches software to recognise what appears in photos and videos, where it is and how it moves.",
   "solves": "Nie możesz ręcznie obejrzeć wszystkich zdjęć ani stale śledzić obrazu z kamer.",
   "solves_en": "You cannot inspect every photo by hand or watch camera feeds constantly.",
   "does": "Model łączy wzory kolorów i kształtów z poznanymi obiektami, a kolejne klatki pozwalają mu analizować ruch.",
   "does_en": "A model connects colour and shape patterns to familiar objects, while successive frames let it analyse movement.",
   "example": "Kamera nad taśmą produkcyjną pomaga wykryć uszkodzone opakowanie i wskazuje jego położenie.",
   "example_en": "A camera above a conveyor helps detect a damaged package and shows its position.",
   "for_you": [
    "przeglądasz dużo zdjęć lub filmów",
    "potrzebujesz automatycznego sprawdzania obrazu z kamery"
   ],
   "for_you_en": [
    "review many photos or videos",
    "need automated checks of camera images"
   ],
   "how": "Enkoder wydobywa cechy przestrzenne z pikseli, a głowice zadaniowe mapują je na etykiety, ramki, maski lub ruch. Trening wiąże te predykcje z anotacjami albo sygnałem samonadzorowanym i kontroluje zachowanie przy zmianach obrazu.",
   "how_en": "An encoder extracts spatial features from pixels, and task heads map them to labels, boxes, masks or motion. Training links predictions to annotations or self-supervised signals and tests behaviour under image changes.",
   "limits": "Oświetlenie, perspektywa i zasłonięcie zmieniają reprezentację sceny. Drobne szczegóły mogą ginąć w skalowaniu, a dobre wyniki dla jednej domeny nie gwarantują transferu.",
   "limits_en": "Lighting, viewpoint and occlusion change scene representations. Scaling can lose fine details, and strong results in one domain do not guarantee transfer.",
   "terms": [
    {
     "gloss": "Przestrzenna reprezentacja obrazu wyliczona przez enkoder.",
     "term": "mapa cech"
    },
    {
     "gloss": "Moduł przekształcający cechy w wynik wybranego zadania.",
     "term": "głowica zadaniowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "A spatial image representation computed by an encoder.",
     "term": "feature map"
    },
    {
     "gloss": "A module converting features into a chosen task's outputs.",
     "term": "task head"
    }
   ],
   "prereq": [
    "cnn",
    "supervised"
   ],
   "keywords": [
    "ImageNet",
    "COCO",
    "ResNet",
    "Vision Transformer",
    "feature maps",
    "bounding boxes",
    "pixel masks",
    "keypoint heatmaps",
    "optical flow",
    "transfer learning"
   ],
   "source_ids": [
    "audio",
    "vision",
    "cs336",
    "dlai",
    "cs231n-2026-schedule",
    "hf-cv-course"
   ],
   "url": "https://aiatlasgraph.com/t/visionnode",
   "markdown_url": "https://aiatlasgraph.com/t/visionnode.md",
   "updated": "2026-10-30"
  },
  "visionssl": {
   "id": "visionssl",
   "parent_id": "visionbackbones",
   "label": "Samonadzorowane uczenie z obrazów",
   "canonical_name": "Self-supervised visual pretraining",
   "description": "Trenowanie modelu wizyjnego na obrazach bez etykiet — np. przez odtwarzanie zasłoniętych fragmentów albo porównywanie różnych widoków tego samego obrazu.",
   "description_en": "Training a vision model on unlabelled images — e.g. by reconstructing masked patches or comparing different views of the same image.",
   "examples": "MAE · DINO / DINOv2 · uczenie kontrastowe",
   "examples_en": "MAE · DINO / DINOv2 · contrastive learning",
   "plain": "To uczenie modelu obrazu na zdjęciach, których ludzie wcześniej nie podpisali.",
   "plain_en": "This trains an image model on photos that people have not labelled.",
   "solves": "Masz dużo zdjęć, ale przygotowanie opisów lub kategorii dla każdego kosztuje zbyt wiele pracy.",
   "solves_en": "You have many photos, but preparing descriptions or categories for every one takes too much work.",
   "does": "Zdjęcia same dostarczają ćwiczeń: model odtwarza zasłonięte fragmenty albo szuka zgodności między różnymi widokami tego samego obrazu.",
   "does_en": "Photos provide their own exercises: a model reconstructs hidden patches or matches different views of the same image.",
   "example": "Firma uczy model na niepodpisanych zdjęciach części, zanim oznaczy mniejszy zestaw przykładów usterek.",
   "example_en": "A company trains a model on unlabelled component photos before labelling a smaller set of defect examples.",
   "for_you": [
    "masz zdjęcia bez opisów",
    "chcesz ograniczyć ręczne oznaczanie danych"
   ],
   "for_you_en": [
    "have photos without labels",
    "want to reduce manual data labelling"
   ],
   "how": "Model otrzymuje sygnał treningowy z samego obrazu, jego maskowania lub różnych transformacji. Rekonstrukcja fragmentów, kontrastowanie widoków albo dopasowanie do nauczyciela uczą reprezentację bez ręcznych etykiet zadania.",
   "how_en": "The model receives supervision from images themselves, masking or different transformations. Patch reconstruction, contrasting views or teacher matching learn representations without manual task labels.",
   "limits": "Augmentacje mogą usuwać informacje istotne dla dalszego zadania. Metoda i dobór danych wpływają na cechy; brak etykiet nie oznacza braku założeń lub kosztu treningu.",
   "limits_en": "Augmentations can remove information needed downstream. Methods and data choices affect features; no labels does not mean no assumptions or training costs.",
   "terms": [
    {
     "gloss": "Wariant tego samego obrazu utworzony transformacją treningową.",
     "term": "widok augmentowany"
    },
    {
     "gloss": "Sygnał uczenia utworzony z danych bez osobnej ręcznej odpowiedzi.",
     "term": "cel samonadzorowany"
    }
   ],
   "terms_en": [
    {
     "gloss": "A version of the same image produced by a training transformation.",
     "term": "augmented view"
    },
    {
     "gloss": "A learning signal derived from data without separate manual answers.",
     "term": "self-supervised objective"
    }
   ],
   "prereq": [
    "neuralbasics",
    "pretraining"
   ],
   "keywords": [
    "MAE",
    "DINO",
    "DINOv2",
    "SimCLR",
    "masked image modeling",
    "teacher-student distillation",
    "multi-crop augmentation"
   ],
   "source_ids": [
    "cs231n-2026-schedule",
    "oquab-dinov2-2023",
    "he-mae-2021"
   ],
   "url": "https://aiatlasgraph.com/t/visionssl",
   "markdown_url": "https://aiatlasgraph.com/t/visionssl.md",
   "updated": "2026-10-30"
  },
  "visiontransfer": {
   "id": "visiontransfer",
   "parent_id": "visionbackbones",
   "label": "Dostrajanie modeli wizyjnych do własnych danych",
   "canonical_name": "Fine-tuning vision models on custom data",
   "description": "Dostosowanie pretrenowanego modelu do własnego zbioru danych przez douczenie całej sieci, wybranych warstw albo nowej głowicy zadaniowej.",
   "description_en": "Adapting a pretrained model to a custom dataset by fine-tuning the whole network, selected layers, or a new task head.",
   "examples": "transfer learning · linear probing · augmentacja obrazów",
   "examples_en": "transfer learning · linear probing · image augmentation",
   "plain": "To dostosowanie gotowego modelu obrazu do własnych zdjęć i zadania.",
   "plain_en": "This adapts a pretrained image model to your own photos and task.",
   "solves": "Gotowy model rozpoznaje typowe zdjęcia, ale może słabo radzić sobie z twoimi nietypowymi produktami.",
   "solves_en": "A pretrained model recognises common images but may struggle with your unusual products.",
   "does": "Własne przykłady służą do poprawienia wybranych części modelu lub nauczenia nowej części przypisującej kategorie.",
   "does_en": "Your examples update selected model components or train a new component that assigns categories.",
   "example": "Sklep dostosowuje model do zdjęć swoich tkanin, żeby rozpoznawał ich wzory.",
   "example_en": "A shop adapts a model to photos of its fabrics so it can recognise their patterns.",
   "for_you": [
    "gotowy model myli twoje zdjęcia",
    "masz własne oznaczone przykłady"
   ],
   "for_you_en": [
    "find a pretrained model misreads your photos",
    "have your own labelled examples"
   ],
   "how": "Nowa głowica dopasowuje wyuczone cechy obrazu do etykiet własnego zadania. Część lub wszystkie warstwy enkodera można aktualizować mniejszym krokiem, zachowując kontrolę jakości na oddzielnych danych.",
   "how_en": "A new head fits learned image features to custom task labels. Some or all encoder layers can update with smaller steps, with quality monitored on separate data.",
   "limits": "Mały zbiór łatwo przeuczyć lub utracić wcześniejsze cechy. Zmiana rozdzielczości, klas i preprocessingów wymaga zgodności wejść, a zamrożenie enkodera może ograniczyć adaptację.",
   "limits_en": "Small datasets can overfit or erase earlier features. Resolution, class and preprocessing changes require compatible inputs; frozen encoders can limit adaptation.",
   "terms": [
    {
     "gloss": "Część modelu, której parametry nie są aktualizowane w treningu.",
     "term": "zamrożona warstwa"
    },
    {
     "gloss": "Uczenie wyjścia zadaniowego bez obowiązkowej zmiany całego enkodera.",
     "term": "dostrajanie głowicy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model component whose parameters are not updated during training.",
     "term": "frozen layer"
    },
    {
     "gloss": "Training task outputs without necessarily changing the entire encoder.",
     "term": "head fine-tuning"
    }
   ],
   "prereq": [
    "backprop",
    "biasvariance"
   ],
   "keywords": [
    "linear probing",
    "frozen backbone",
    "head fine-tuning",
    "image augmentation",
    "discriminative learning rates",
    "layer-wise learning rate decay"
   ],
   "source_ids": [
    "cs231n-2026-schedule",
    "hf-cv-course"
   ],
   "url": "https://aiatlasgraph.com/t/visiontransfer",
   "markdown_url": "https://aiatlasgraph.com/t/visiontransfer.md",
   "updated": "2026-10-30"
  },
  "visualgrounding": {
   "id": "visualgrounding",
   "parent_id": "vlm",
   "label": "Wskazywanie na obrazie rzeczy opisanej słowami (visual grounding)",
   "canonical_name": "Visual grounding (referring expression comprehension)",
   "aliases": [
    "visual grounding",
    "phrase grounding",
    "referring expression comprehension",
    "REC",
    "ugruntowanie wizualne"
   ],
   "description": "Lokalizacja regionu obrazu (ramka lub maska) odpowiadającego wyrażeniu językowemu, w tym wyrażeniom pasującym do wielu obiektów lub żadnego.",
   "description_en": "Localising the image region (box or mask) matching a language expression, including expressions matching several objects or none.",
   "plain": "Opisujesz słowami jedną rzecz na zdjęciu, a program zaznacza ją ramką lub obrysem.",
   "plain_en": "You describe one thing in a photo in words and software marks it with a box or outline.",
   "solves": "Na zdjęciu jest wiele podobnych rzeczy, a ty potrzebujesz tej jednej — i nie da się jej wskazać palcem przez tekst.",
   "solves_en": "A photo holds many similar things and you need exactly one — and you can't point a finger through text.",
   "does": "Rozumie opisy typu „ten kubek po lewej, za laptopem” i zamienia je na konkretne miejsce na obrazie.",
   "does_en": "It understands phrases like 'the mug on the left, behind the laptop' and turns them into a place in the image.",
   "example": "Mówisz robotowi kuchennemu „podaj czerwony kubek z uchem”, a on wybiera właściwy spośród trzech.",
   "example_en": "You tell a kitchen robot 'hand me the red mug with a handle' and it picks the right one out of three.",
   "for_you": [
    "edytujesz zdjęcia poleceniami słownymi",
    "sterujesz robotem lub agentem klikającym w ekran",
    "chcesz, by AI pokazało, na co patrzy"
   ],
   "for_you_en": [
    "edit photos with spoken or typed commands",
    "control a robot or a screen-clicking agent",
    "want AI to show what it is looking at"
   ],
   "how": "Model łączy cechy obrazu i tekstu przez uwagę krzyżową i przewiduje ramkę lub maskę albo wybiera region spośród propozycji detektora. Multimodalne LLM zapisują współrzędne jako tokeny tekstu, dzięki czemu mogą w odpowiedzi wskazywać miejsca na obrazie.",
   "how_en": "The model fuses image and text features with cross-attention and predicts a box or mask, or picks a region from detector proposals. Multimodal LLMs write coordinates as text tokens, so their answers can point to places in the image.",
   "limits": "Opisy relacji przestrzennych i porównań („drugi od prawej”) są trudne. Klasyczne zbiory testowe są bliskie nasycenia, a obrazy bardzo wysokiej rozdzielczości i małe obiekty wciąż sprawiają problemy.",
   "limits_en": "Spatial and comparative phrases ('second from the right') are hard. Classic benchmarks are near saturation, while very high-resolution images and tiny objects still cause trouble.",
   "terms": [
    {
     "gloss": "Opis jednoznacznie wskazujący jeden obiekt na obrazie.",
     "term": "referring expression"
    },
    {
     "gloss": "Prostokąt wyznaczający położenie obiektu.",
     "term": "bounding box"
    },
    {
     "gloss": "Wariant, w którym opis może pasować do wielu obiektów albo żadnego.",
     "term": "generalized grounding"
    }
   ],
   "terms_en": [
    {
     "gloss": "A phrase pointing to one specific object in an image.",
     "term": "referring expression"
    },
    {
     "gloss": "A rectangle marking an object's location.",
     "term": "bounding box"
    },
    {
     "gloss": "A setting where a phrase may match several objects or none.",
     "term": "generalized grounding"
    }
   ],
   "prereq": [
    "objectdetection"
   ],
   "keywords": [
    "RefCOCO",
    "RefCOCO+",
    "RefCOCOg",
    "phrase grounding",
    "Grounding DINO",
    "Kosmos-2",
    "referring segmentation",
    "GUI grounding"
   ],
   "source_ids": [
    "liu-grounding-dino-2023",
    "xiao-2024-visual-grounding-survey"
   ],
   "url": "https://aiatlasgraph.com/t/visualgrounding",
   "markdown_url": "https://aiatlasgraph.com/t/visualgrounding.md",
   "updated": "2026-10-30"
  },
  "visualinspection": {
   "id": "visualinspection",
   "parent_id": "industrialai",
   "label": "Wizyjna kontrola jakości",
   "canonical_name": "Automated visual inspection",
   "aliases": [
    "visual inspection",
    "automated optical inspection",
    "AOI",
    "defect detection",
    "machine vision inspection",
    "kontrola wizyjna",
    "inspekcja wizyjna",
    "wykrywanie wad"
   ],
   "description": "Wykrywanie, lokalizacja i klasyfikacja wad wyrobów na obrazach z kamer przemysłowych metodami widzenia komputerowego, z etykietami wad lub bez nich.",
   "description_en": "Detecting, localising and classifying product defects in industrial camera images with computer vision, with or without defect labels.",
   "plain": "Kamery i programy, które oglądają każdy wyrób na linii produkcyjnej i odrzucają te z rysą, pęknięciem albo brakującym elementem.",
   "plain_en": "Cameras and software that look at every product on the line and reject those with a scratch, crack or missing part.",
   "solves": "Ludzie przy taśmie męczą się po godzinie patrzenia, przeoczają drobne wady, a reklamacje od klientów kosztują więcej niż sama produkcja.",
   "solves_en": "People at the belt tire after an hour of watching and miss small defects, and customer complaints cost more than production itself.",
   "does": "Jak kontroler, który nigdy nie mruga: porównuje każdy wyrób z tym, jak powinien wyglądać, i zaznacza miejsce, które się nie zgadza.",
   "does_en": "Like an inspector who never blinks: it compares each product with how it should look and marks the spot that does not match.",
   "example": "W fabryce elektroniki kamera nad taśmą zatrzymuje płytkę z krzywo przylutowanym elementem, zanim trafi do montażu w urządzeniu.",
   "example_en": "In an electronics factory a camera over the belt stops a circuit board with a crooked solder joint before it goes into a device.",
   "for_you": [
    "odpowiadasz za jakość wyrobów na linii",
    "dostajesz reklamacje za wady, których nikt nie zauważył"
   ],
   "for_you_en": [
    "are responsible for product quality on a line",
    "get complaints about defects nobody noticed"
   ],
   "how": "Gdy przykładów wad jest dużo, stosuje się klasyfikację, detekcję lub segmentację uczone na oznaczonych zdjęciach. Częściej wad jest mało, więc model uczy się tylko wyglądu dobrych sztuk i zgłasza odstępstwa jako anomalię. Ważne są oświetlenie, optyka i stałe ustawienie kamery, a wynik musi zmieścić się w takcie linii.",
   "how_en": "When defect examples are plentiful, classification, detection or segmentation is trained on labelled images. More often defects are scarce, so the model learns only what good parts look like and flags deviations as anomalies. Lighting, optics and fixed camera placement matter, and results must fit the line's cycle time.",
   "limits": "Nowe rodzaje wad, zmiana partii materiału albo oświetlenia psują model. Trzeba dobrać próg między przepuszczeniem wady a odrzucaniem dobrych sztuk. Oznaczanie wad co do piksela jest drogie, a decyzja musi zapaść w ułamku sekundy.",
   "limits_en": "New defect types, a new material batch or changed lighting break the model. A threshold must balance missed defects against rejected good parts. Pixel-level defect labelling is costly, and decisions must come in a fraction of a second.",
   "terms": [
    {
     "gloss": "Automatyczna inspekcja optyczna, np. płytek elektroniki.",
     "term": "AOI"
    },
    {
     "gloss": "Czas, w jakim kolejny wyrób przechodzi przez stanowisko.",
     "term": "takt linii"
    },
    {
     "gloss": "Dobra sztuka błędnie uznana za wadliwą.",
     "term": "fałszywe odrzucenie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Automated optical inspection, e.g. of circuit boards.",
     "term": "AOI"
    },
    {
     "gloss": "Time in which the next product passes a station.",
     "term": "cycle time"
    },
    {
     "gloss": "A good part wrongly judged defective.",
     "term": "false reject"
    }
   ],
   "prereq": [
    "objectdetection",
    "segmentation"
   ],
   "keywords": [
    "MVTec AD",
    "VisA",
    "PatchCore",
    "defect segmentation",
    "automated optical inspection",
    "surface defect detection",
    "anomaly localization",
    "machine vision",
    "AUROC"
   ],
   "source_ids": [
    "roth-patchcore-2021",
    "jeong-winclip-2023"
   ],
   "url": "https://aiatlasgraph.com/t/visualinspection",
   "markdown_url": "https://aiatlasgraph.com/t/visualinspection.md",
   "updated": "2026-10-30"
  },
  "vit": {
   "id": "vit",
   "parent_id": "visionbackbones",
   "label": "Vision Transformer (ViT)",
   "canonical_name": "Vision Transformer (ViT)",
   "description": "Transformer zastosowany do obrazu podzielonego na łatki (patches) traktowane jak tokeny; ważna rodzina architektur wizyjnych obok sieci konwolucyjnych.",
   "description_en": "A transformer applied to an image split into patches treated as tokens; a major family of vision architectures alongside convolutional networks.",
   "examples": "ViT · Swin · łatki 16×16",
   "examples_en": "ViT · Swin · 16×16 patches",
   "plain": "To model obrazu, który analizuje zdjęcie jako zestaw małych fragmentów i powiązań między nimi.",
   "plain_en": "This image model analyses a photo as a collection of small patches and relationships between them.",
   "solves": "Znaczenie małego fragmentu zdjęcia zależy często od tego, co widać w odległych częściach obrazu.",
   "solves_en": "A small image region's meaning often depends on what appears in distant parts of the photo.",
   "does": "Fragmenty obrazu wymieniają informacje przez mechanizm uwagi, dzięki czemu model może zestawiać części całej sceny.",
   "does_en": "Image patches exchange information through attention, letting a model connect different parts of the whole scene.",
   "example": "Model rozpoznaje rower na zdjęciu, zestawiając koła z kierownicą i ramą.",
   "example_en": "A model identifies a bicycle in a photo by relating the wheels to the handlebars and frame.",
   "for_you": [
    "porównujesz sposoby analizy zdjęć",
    "korzystasz z modeli przetwarzających obraz w kawałkach"
   ],
   "for_you_en": [
    "compare ways of analysing photos",
    "use models that process images as patches"
   ],
   "how": "Obraz dzieli się na fragmenty mapowane liniowo do embeddingów z informacją pozycyjną. Warstwy self-attention mieszają te tokeny, a agregacja lub dekoder przekształca je w predykcję zadaniową.",
   "how_en": "Images are split into patches linearly mapped to embeddings with positional information. Self-attention layers mix these tokens, and aggregation or decoders turn them into task predictions.",
   "limits": "Małe fragmenty zwiększają liczbę tokenów i koszt uwagi. Trening wymaga odpowiednich danych lub regularizacji, a rozmiar patcha wpływa na zachowanie drobnych detali.",
   "limits_en": "Small patches increase token counts and attention costs. Training needs suitable data or regularisation, while patch size affects fine-detail retention.",
   "terms": [
    {
     "gloss": "Wektor kodujący fragment obrazu jako token transformera.",
     "term": "patch embedding"
    },
    {
     "gloss": "Informacja pozwalająca odtworzyć układ fragmentów w obrazie.",
     "term": "pozycja tokenu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A vector encoding an image patch as a transformer token.",
     "term": "patch embedding"
    },
    {
     "gloss": "Information allowing the image arrangement of patches to be recovered.",
     "term": "token position"
    }
   ],
   "prereq": [
    "transformers",
    "linearalgebra"
   ],
   "keywords": [
    "patch embeddings",
    "Swin Transformer",
    "window attention",
    "position embeddings",
    "class token",
    "DeiT"
   ],
   "source_ids": [
    "hf-cv-course",
    "dosovitskiy-vit-2020"
   ],
   "url": "https://aiatlasgraph.com/t/vit",
   "markdown_url": "https://aiatlasgraph.com/t/vit.md",
   "updated": "2026-10-30"
  },
  "vla": {
   "id": "vla",
   "parent_id": "robotfoundation",
   "label": "Modele wizja–język–akcja (VLA)",
   "canonical_name": "Vision-language-action models (VLA)",
   "description": "Modele dla robotów łączące percepcję wzrokową, instrukcje językowe i generowanie akcji, rozwijane jako ogólne polityki przenoszone między zadaniami i robotami.",
   "description_en": "Robot models combining visual perception, language instructions and action generation, developed as generalist policies transferable across tasks and robots.",
   "examples": "π₀ / π₀.₅ · RT-2 · OpenVLA · SmolVLA · Gemini Robotics · GR00T",
   "examples_en": "π₀ / π₀.₅ · RT-2 · OpenVLA · SmolVLA · Gemini Robotics · GR00T",
   "plain": "To modele, które łączą obraz otoczenia z poleceniem słownym, żeby proponować ruchy robota.",
   "plain_en": "These models combine a view of the surroundings with a spoken or written instruction to propose robot actions.",
   "solves": "Robot musi powiązać to, co widzi, z tym, o co prosisz, i przełożyć oba sygnały na działanie.",
   "solves_en": "A robot must connect what it sees with what you request and translate both signals into action.",
   "does": "Uczy powiązania obserwacji, poleceń i ruchów na przykładach zadań; zakres przenoszenia na nowe sytuacje zależy od modelu i danych.",
   "does_en": "It learns links between observations, instructions and movements from task examples; transfer to new situations depends on the model and data.",
   "example": "Prosisz robota, żeby odłożył kubek na półkę; model łączy obraz stołu z poleceniem i proponuje kolejne ruchy ramienia.",
   "example_en": "You ask a robot to put a cup on a shelf; the model combines the table image with your instruction and proposes arm movements.",
   "for_you": [
    "chcesz sterować zadaniami robota za pomocą poleceń",
    "potrzebujesz łączyć obraz sytuacji z wyborem ruchów"
   ],
   "for_you_en": [
    "want to give a robot task instructions",
    "need scene perception linked to movement choices"
   ],
   "how": "Enkodery obrazu i języka dostarczają wspólny kontekst instrukcji oraz sceny. Głowica akcji przewiduje ruchy jako tokeny, wartości ciągłe lub generowane sekwencje, ucząc się z demonstracji robota.",
   "how_en": "Image and language encoders supply shared context for instructions and scenes. An action head predicts movements as tokens, continuous values or generated sequences, learning from robot demonstrations.",
   "limits": "Rozumienie instrukcji nie gwarantuje poprawnego sterowania. Nowe roboty, układy scen i opóźnienia wymagają adaptacji; ograniczenia obejmują pokrycie demonstracji oraz fizyczną wykonalność ruchów.",
   "limits_en": "Instruction understanding does not guarantee correct control. New robots, scene arrangements and latency require adaptation; limitations include demonstration coverage and physical movement feasibility.",
   "terms": [
    {
     "gloss": "Część modelu przekształcająca reprezentację sytuacji w polecenia ruchu.",
     "term": "głowica akcji"
    },
    {
     "gloss": "Kodowanie działań jako dyskretnych symboli przetwarzanych przez model sekwencyjny.",
     "term": "tokenizacja akcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "The model component converting situation representations into movement commands.",
     "term": "action head"
    },
    {
     "gloss": "Encoding actions as discrete symbols processed by a sequence model.",
     "term": "action tokenisation"
    }
   ],
   "prereq": [
    "vlm",
    "behaviorcloning"
   ],
   "keywords": [
    "pi0",
    "pi0.5",
    "RT-2",
    "OpenVLA",
    "SmolVLA",
    "Gemini Robotics",
    "GR00T",
    "action tokenization"
   ],
   "source_ids": [
    "pi0-2024",
    "vla-survey-2025",
    "open-x-embodiment-2023",
    "lerobot-docs"
   ],
   "url": "https://aiatlasgraph.com/t/vla",
   "markdown_url": "https://aiatlasgraph.com/t/vla.md",
   "updated": "2026-10-30"
  },
  "vlaactions": {
   "id": "vlaactions",
   "parent_id": "vla",
   "label": "Jak model zapisuje ruchy robota (tokeny i ciągi akcji)",
   "canonical_name": "Action tokenization and chunking in VLA models",
   "aliases": [
    "action tokenization",
    "action chunking",
    "FAST tokenizer",
    "tokenizacja akcji",
    "porcjowanie akcji robota"
   ],
   "description": "Reprezentowanie ciągłych ruchów robota w modelach VLA przez dyskretyzację, kompresję do tokenów i przewidywanie fragmentów trajektorii naraz.",
   "description_en": "Representing continuous robot motions in VLA models through discretisation, compression into tokens and prediction of trajectory chunks.",
   "plain": "Zanim model językowy zacznie sterować robotem, ruchy ramienia trzeba zapisać w postaci, którą model potrafi czytać i przewidywać jak słowa.",
   "plain_en": "Before a language-style model can drive a robot, arm movements must be written in a form it can read and predict like words.",
   "solves": "Zapisanie każdego ruchu osobno sprawia, że model gubi płynność, uczy się wolno i nie nadąża za szybkimi, zręcznymi ruchami.",
   "solves_en": "Writing every movement separately makes the model lose smoothness, learn slowly and fall behind fast, dexterous motions.",
   "does": "Kompresuje ruch tak jak muzykę w pliku: zamiast każdej próbki zapisuje kształt całego fragmentu, kilka chwil naprzód naraz.",
   "does_en": "It compresses motion like music in a file: instead of every sample it stores the shape of a whole stretch, several moments ahead at once.",
   "example": "Robot składający koszulkę planuje cały ruch chwytu i strzepnięcia w jednym kroku, zamiast decydować od nowa w każdej setnej sekundy.",
   "example_en": "A robot folding a T-shirt plans the whole grab-and-shake motion in one step instead of deciding afresh every hundredth of a second.",
   "for_you": [
    "trenujesz lub dostrajasz model sterowania robotem",
    "chcesz zrozumieć, jak model tekstowy może poruszać ramieniem",
    "porównujesz szybkość trenowania różnych polityk"
   ],
   "for_you_en": [
    "train or fine-tune a robot control model",
    "want to see how a text model can move an arm",
    "compare training speed of different policies"
   ],
   "how": "Najprostsze podejście dzieli każdy wymiar akcji w każdym kroku na przedziały i traktuje je jak tokeny, ale przy szybkich danych kolejne symbole są silnie skorelowane. FAST kompresuje fragment trajektorii dyskretną transformacją kosinusową, kwantuje współczynniki i stosuje BPE, dzięki czemu model autoregresyjny przewiduje krótszy ciąg tokenów akcji.",
   "how_en": "The simplest approach bins every action dimension at each timestep and treats the bins as tokens, but consecutive symbols become strongly correlated in high-frequency data. FAST compresses a trajectory chunk with a discrete cosine transform, quantises the coefficients and applies BPE, letting an autoregressive model predict a shorter sequence of action tokens.",
   "limits": "Proste przedziały zawodzą przy danych o wysokiej częstotliwości, bo kolejne tokeny są prawie identyczne. Kompresja traci drobne szczegóły ruchu, a długie fragmenty opóźniają reakcję na zmiany sceny. Dekodowanie autoregresyjne bywa wolniejsze niż głowice ciągłe.",
   "limits_en": "Simple binning fails on high-frequency data because consecutive tokens are nearly identical. Compression loses fine motion detail, and long chunks delay reaction to scene changes. Autoregressive decoding can be slower than continuous heads.",
   "terms": [
    {
     "gloss": "Kilka kolejnych kroków ruchu przewidywanych jednocześnie.",
     "term": "fragment akcji (chunk)"
    },
    {
     "gloss": "Rozkład sygnału na składowe częstotliwości, jak w kompresji JPEG.",
     "term": "DCT"
    },
    {
     "gloss": "Dyskretny symbol reprezentujący część ciągłego ruchu robota.",
     "term": "token akcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Several consecutive motion steps predicted at once.",
     "term": "action chunk"
    },
    {
     "gloss": "Splitting a signal into frequency components, as in JPEG compression.",
     "term": "DCT"
    },
    {
     "gloss": "A discrete symbol representing part of a robot's continuous motion.",
     "term": "action token"
    }
   ],
   "prereq": [
    "tokenization"
   ],
   "keywords": [
    "FAST tokenizer",
    "action chunking",
    "discrete cosine transform",
    "BPE",
    "per-dimension binning",
    "pi0-FAST"
   ],
   "source_ids": [
    "fast-tokenizer-2025"
   ],
   "url": "https://aiatlasgraph.com/t/vlaactions",
   "markdown_url": "https://aiatlasgraph.com/t/vlaactions.md",
   "updated": "2026-10-30"
  },
  "vlm": {
   "id": "vlm",
   "parent_id": "multimodal",
   "label": "Modele wizja–język (opisywanie obrazów i pytania o nie)",
   "canonical_name": "Vision-language models (VLMs)",
   "aliases": [
    "VLM",
    "vision-language model",
    "visual language model",
    "multimodal LLM",
    "MLLM",
    "large multimodal model",
    "LMM",
    "visual question answering",
    "VQA",
    "image captioning",
    "model wizja–język",
    "multimodalny LLM",
    "opisywanie obrazów"
   ],
   "description": "Modele, które łączą obraz lub wideo z tekstem, aby generować odpowiedzi tekstowe: opisują sceny, odpowiadają na pytania o ich treść, czytają dokumenty lub wskazują obiekty. Różnią się skalą i konstrukcją — od modeli działających na urządzeniach po duże systemy używane w analizie interfejsów i rozumowaniu wizualnym.",
   "description_en": "Models that combine images or video with text to generate textual answers: they describe scenes, answer questions about visual content, read documents or identify objects. They vary in scale and design, from on-device models to large systems used for interface analysis and visual reasoning.",
   "examples": "opisywanie obrazów · VQA · wskazywanie obiektów · rozumienie wideo · LLaVA · Flamingo · Qwen2.5-VL · małe VLM",
   "examples_en": "image captioning · VQA · grounding · video understanding · LLaVA · Flamingo · Qwen2.5-VL · small VLMs",
   "plain": "To modele, którym pokazujesz zdjęcie i zadajesz pytanie, a one odpowiadają słowami o tym, co widać.",
   "plain_en": "These are models you can show a picture and ask a question, and they answer in words about what they see.",
   "solves": "Wiele informacji jest tylko na zdjęciach i zrzutach ekranu, a opisanie ich słowami wymaga czasu i oka człowieka.",
   "solves_en": "Much information exists only in photos and screenshots, and putting it into words takes a person's time and eye.",
   "does": "Jak osoba opisująca obraz przez telefon: przygląda się szczegółom i odpowiada na twoje pytania o nie.",
   "does_en": "Like someone describing a picture over the phone: it studies the details and answers your questions about them.",
   "example": "Osoba niewidoma kieruje telefon na półkę w sklepie i słyszy, który karton to mleko, a który sok.",
   "example_en": "A blind shopper points a phone at a shelf and hears which carton is milk and which is juice.",
   "for_you": [
    "chcesz pytać model o zdjęcia lub zrzuty ekranu",
    "potrzebujesz opisów obrazów dla osób niewidomych",
    "przeglądasz dużo zdjęć i szukasz konkretnej rzeczy"
   ],
   "for_you_en": [
    "want to ask a model about photos or screenshots",
    "need image descriptions for blind readers",
    "go through many photos looking for one thing"
   ],
   "how": "Reprezentacje obrazu trafiają do kontekstu modelu językowego razem z pytaniem lub instrukcją. Trening na parach oraz przykładach dialogowych uczy generowania tekstu warunkowanego wizualnymi cechami, zamiast samą wiedzą zapisaną w wagach.",
   "how_en": "Image representations enter a language model's context alongside questions or instructions. Paired and dialogue training teaches text generation conditioned on visual features rather than weight-stored knowledge alone.",
   "limits": "Drobny tekst, liczebność i relacje przestrzenne mogą być odwzorowane słabo. Model może używać prioru językowego mimo brakujących dowodów wizualnych; płynna odpowiedź nie potwierdza odczytu.",
   "limits_en": "Small text, counts and spatial relationships may be weakly represented. Models can rely on language priors despite missing visual evidence; fluent answers do not prove correct perception.",
   "terms": [
    {
     "gloss": "Jednostka reprezentacji obrazu przekazywana do modelu językowego.",
     "term": "token wizualny"
    },
    {
     "gloss": "Wsparcie treści odpowiedzi w odpowiednich fragmentach obrazu.",
     "term": "visual grounding"
    }
   ],
   "terms_en": [
    {
     "gloss": "An image-representation unit supplied to a language model.",
     "term": "visual token"
    },
    {
     "gloss": "Grounding answer content in corresponding image regions.",
     "term": "visual grounding"
    }
   ],
   "prereq": [
    "visionbackbones",
    "transformers"
   ],
   "keywords": [
    "LLaVA",
    "Flamingo",
    "Qwen2.5-VL",
    "visual question answering",
    "image captioning",
    "visual grounding",
    "visual tokens",
    "visual instruction tuning"
   ],
   "source_ids": [
    "hf-vlms-explained-2024",
    "hf-vlms-2025",
    "mllm-survey-yin-2023",
    "llava-2023",
    "flamingo-2022"
   ],
   "url": "https://aiatlasgraph.com/t/vlm",
   "markdown_url": "https://aiatlasgraph.com/t/vlm.md",
   "updated": "2026-10-30"
  },
  "vlmconnector": {
   "id": "vlmconnector",
   "parent_id": "vlm",
   "label": "Łączenie enkodera obrazu z modelem językowym",
   "canonical_name": "Connecting an image encoder to a language model",
   "aliases": [
    "multimodal projector",
    "vision adapter",
    "modality connector",
    "visual instruction tuning",
    "LLaVA-style architecture",
    "projektor multimodalny",
    "adapter wizyjny",
    "strojenie instrukcyjne na obrazach"
   ],
   "description": "Jeden z częstych sposobów budowy VLM: wytrenowany enkoder obrazu tworzy cechy wizualne, a projektor, adapter lub warstwy uwagi krzyżowej udostępniają je modelowi językowemu. System dostraja się następnie na danych łączących obrazy z instrukcjami; zakres trenowanych modułów i liczba etapów zależą od architektury.",
   "description_en": "A common way to build a VLM: a pretrained image encoder produces visual features, while a projector, adapter or cross-attention layers expose them to a language model. The system is then tuned on image-instruction data; the modules trained and number of stages depend on the architecture.",
   "examples": "enkoder obrazu (CLIP, SigLIP) · projektor MLP · uwaga krzyżowa (Flamingo) · trening dwuetapowy · visual instruction tuning · LLaVA",
   "examples_en": "image encoder (CLIP, SigLIP) · MLP projector · cross-attention (Flamingo) · two-stage training · visual instruction tuning · LLaVA",
   "plain": "To sposób, by gotowy model tekstowy „zobaczył” obraz: dokleja się do niego część, która tłumaczy zdjęcie na jego język.",
   "plain_en": "This lets an existing text model “see”: you attach a part that translates pictures into its language.",
   "solves": "Trenowanie od zera modelu, który widzi i mówi, jest bardzo drogie, a osobno istnieją już dobre modele do obrazu i do tekstu.",
   "solves_en": "Training a model that both sees and talks from scratch is very costly, while good separate image and text models already exist.",
   "does": "Łącznik przekształca liczbowy zapis cech obrazu w postać dostępną dla modelu językowego, który może uwzględnić go w odpowiedzi.",
   "does_en": "A connector transforms numerical image features into a form the language model can access and use in its response.",
   "example": "Mała firma dokleja do darmowego modelu tekstowego moduł widzenia i uczy go odpowiadać na pytania o zdjęcia swoich produktów.",
   "example_en": "A small company adds a vision module to a free text model and teaches it to answer questions about photos of its products.",
   "for_you": [
    "chcesz dodać rozumienie obrazów do istniejącego modelu",
    "dostrajasz otwarte modele na własnych zdjęciach",
    "ciekawi cię, jak zbudowane są modele widzące"
   ],
   "for_you_en": [
    "want to add image understanding to an existing model",
    "fine-tune open models on your own pictures",
    "are curious how seeing models are built"
   ],
   "how": "Projektor dopasowuje wymiar i rozkład cech enkodera obrazu do wejścia modelu językowego. Adapter lub cross-attention może zamiast tego udostępniać cechy na wybranych warstwach, z treningiem części modułów na danych obraz–tekst.",
   "how_en": "A projector matches image-encoder feature dimensions and distributions to language-model inputs. Adapters or cross-attention can instead expose features at selected layers, training some modules on image–text data.",
   "limits": "Łącznik nie odtworzy detali utraconych przez enkoder. Liczba tokenów i jakość par ograniczają wynik; dopasowanie przestrzeni nie gwarantuje poprawnego rozumowania o obrazie.",
   "limits_en": "Connectors cannot recover details lost by encoders. Token counts and pair quality limit results; space alignment does not guarantee correct visual reasoning.",
   "terms": [
    {
     "gloss": "Moduł przekształcający reprezentację do przestrzeni wejściowej drugiego modelu.",
     "term": "projektor"
    },
    {
     "gloss": "Moduł zmniejszający lub porządkujący zestaw cech do wybranego budżetu tokenów.",
     "term": "resampler"
    }
   ],
   "terms_en": [
    {
     "gloss": "A module mapping representations into another model's input space.",
     "term": "projector"
    },
    {
     "gloss": "A module reducing or organising features into a selected token budget.",
     "term": "resampler"
    }
   ],
   "prereq": [
    "visionbackbones",
    "transformers"
   ],
   "keywords": [
    "MLP projector",
    "Perceiver resampler",
    "gated cross-attention",
    "CLIP encoder",
    "SigLIP encoder",
    "two-stage training"
   ],
   "source_ids": [
    "hf-vlms-explained-2024",
    "llava-2023",
    "flamingo-2022"
   ],
   "url": "https://aiatlasgraph.com/t/vlmconnector",
   "markdown_url": "https://aiatlasgraph.com/t/vlmconnector.md",
   "updated": "2026-10-30"
  },
  "vln": {
   "id": "vln",
   "parent_id": "robotnav",
   "label": "Nawigacja według poleceń słownych",
   "canonical_name": "Vision-and-language navigation (VLN)",
   "aliases": [
    "VLN",
    "vision-and-language navigation",
    "Room-to-Room",
    "R2R",
    "language-guided navigation",
    "nawigacja z instrukcji"
   ],
   "description": "Zadanie i rodzina metod, w których agent wcielony nawiguje w realistycznych wnętrzach według instrukcji w języku naturalnym, oceniane na benchmarkach typu R2R.",
   "description_en": "A task and family of methods in which an embodied agent navigates realistic interiors by natural-language instructions, evaluated on benchmarks such as R2R.",
   "plain": "Robot porusza się po budynku, wykonując wskazówki typu „wyjdź z kuchni, skręć w lewo i zatrzymaj się przy schodach”.",
   "plain_en": "A robot moves through a building following directions like “leave the kitchen, turn left and stop by the stairs”.",
   "solves": "Ludzie opisują drogę słowami i punktami orientacyjnymi, a nie współrzędnymi, których robot zwykle potrzebuje.",
   "solves_en": "People describe routes with words and landmarks, not the coordinates robots usually need.",
   "does": "Dopasowuje kolejne części wskazówki do tego, co robot akurat widzi, jak turysta czytający opis trasy i rozglądający się za znakami.",
   "does_en": "It matches each part of the directions to what the robot currently sees, like a tourist reading route notes and looking for landmarks.",
   "example": "Prosisz robota w biurze: „idź do sali obok automatu z kawą”, a on sam znajduje drogę bez mapy z opisanymi pokojami.",
   "example_en": "You tell an office robot “go to the room next to the coffee machine”, and it finds the way without a map of labelled rooms.",
   "for_you": [
    "chcesz wysyłać robota w miejsca opisane słowami",
    "budujesz przewodnika po budynku dla gości",
    "ciekawi cię, jak język łączy się z ruchem w przestrzeni"
   ],
   "for_you_en": [
    "want to send a robot to places described in words",
    "build a building guide for visitors",
    "wonder how language connects to movement in space"
   ],
   "how": "Agent dostaje instrukcję i panoramiczne obrazy z bieżącego miejsca, a model łączący wizję i język wybiera kolejny ruch lub punkt widokowy. Trenuje się go na opisanych trasach w symulatorze zbudowanym ze skanów 3D budynków, takim jak Matterport3D Simulator użyty w benchmarku R2R.",
   "how_en": "The agent receives an instruction and panoramic images from its current location, and a model combining vision and language selects the next move or viewpoint. It is trained on described routes in a simulator built from 3D building scans, such as the Matterport3D Simulator used by the R2R benchmark.",
   "limits": "Benchmarki często zakładają dyskretne punkty widokowe, a przy ciągłym ruchu i na prawdziwym robocie skuteczność spada. Niejednoznaczne lub błędne instrukcje prowadzą w złe miejsca. Zbiory obejmują głównie domy i biura.",
   "limits_en": "Benchmarks often assume discrete viewpoints, and success drops with continuous motion and on real robots. Ambiguous or wrong instructions lead to wrong places. Datasets mostly cover homes and offices.",
   "terms": [
    {
     "gloss": "Program sterujący ciałem, które widzi i porusza się w przestrzeni.",
     "term": "agent wcielony (embodied)"
    },
    {
     "gloss": "Miejsce w symulatorze, z którego agent ogląda panoramę.",
     "term": "punkt widokowy"
    },
    {
     "gloss": "Odsetek prób, w których agent zatrzymał się blisko celu.",
     "term": "wskaźnik sukcesu"
    }
   ],
   "terms_en": [
    {
     "gloss": "A program controlling a body that sees and moves in space.",
     "term": "embodied agent"
    },
    {
     "gloss": "A spot in the simulator from which the agent views a panorama.",
     "term": "viewpoint"
    },
    {
     "gloss": "The share of attempts in which the agent stopped near the goal.",
     "term": "success rate"
    }
   ],
   "prereq": [
    "vlm"
   ],
   "keywords": [
    "Room-to-Room (R2R)",
    "Matterport3D",
    "language-guided navigation",
    "sequence-to-sequence",
    "success rate"
   ],
   "source_ids": [
    "r2r-vln-2017"
   ],
   "url": "https://aiatlasgraph.com/t/vln",
   "markdown_url": "https://aiatlasgraph.com/t/vln.md",
   "updated": "2026-10-30"
  },
  "voiceagents": {
   "id": "voiceagents",
   "parent_id": "audio",
   "label": "Agenci głosowi",
   "canonical_name": "Real-time voice agents",
   "description": "System prowadzący rozmowę głosową, który rozumie wypowiedzi, podejmuje decyzje i wykonuje zadania z pomocą modeli oraz narzędzi.",
   "description_en": "A system that conducts spoken conversations, understands utterances, makes decisions and completes tasks using models and tools.",
   "examples": "telefon · nakładka głosowa · głos jako narzędzie",
   "examples_en": "phone · voice layer · voice as a tool",
   "plain": "To programy, z którymi rozmawiasz na głos, żeby uzyskać pomoc lub wykonać zadanie.",
   "plain_en": "These programs hold spoken conversations to help you or complete a task.",
   "solves": "Pisanie i klikanie przeszkadza, gdy masz zajęte ręce albo łatwiej wyjaśnisz sprawę w rozmowie.",
   "solves_en": "Typing and clicking get in the way when your hands are busy or conversation makes the issue easier to explain.",
   "does": "System łączy rozumienie mowy, pamięć rozmowy, wybór działań i odpowiedzi głosowe, pilnując przebiegu zadania.",
   "does_en": "A system combines speech understanding, conversation memory, action selection and spoken responses while tracking the task.",
   "example": "Dzwonisz do punktu napraw, opisujesz problem i z pomocą głosowego asystenta umawiasz odbiór sprzętu.",
   "example_en": "You call a repair shop, describe the problem and arrange equipment collection with a voice assistant.",
   "for_you": [
    "chcesz załatwiać sprawy przez rozmowę",
    "dodajesz głos do istniejącego narzędzia"
   ],
   "for_you_en": [
    "want to get things done through conversation",
    "add voice interaction to an existing tool"
   ],
   "how": "Strumień audio zasila interpretację wypowiedzi, a stan dialogu łączy ją z decyzjami i wynikami narzędzi. Harmonogram tur oraz generowanie mowy synchronizują odpowiedź z dalszym wejściem użytkownika i rzeczywistym stanem zadania.",
   "how_en": "An audio stream feeds utterance interpretation, while dialogue state connects it with decisions and tool results. Turn scheduling and speech generation synchronise responses with further user input and actual task state.",
   "limits": "Błędy słyszenia, czasu tur i narzędzi mogą się kumulować. Krótki czas reakcji nie zapewnia poprawnego zadania, a przerwania wymagają uzgodnienia historii z wykonanymi działaniami.",
   "limits_en": "Hearing, turn-timing and tool errors can compound. Fast responses do not ensure correct task completion, while interruptions require reconciling history with executed actions.",
   "terms": [
    {
     "gloss": "Zapis informacji, oczekujących działań i etapu bieżącej rozmowy.",
     "term": "stan dialogu"
    },
    {
     "gloss": "Komponent koordynujący audio, generowanie, narzędzia i zdarzenia dialogu.",
     "term": "koordynator rozmowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A record of information, pending actions and the current conversation stage.",
     "term": "dialogue state"
    },
    {
     "gloss": "A component coordinating audio, generation, tools and dialogue events.",
     "term": "conversation orchestrator"
    }
   ],
   "prereq": [
    "asr",
    "tools"
   ],
   "keywords": [
    "LiveKit Agents",
    "Pipecat",
    "WebRTC",
    "streaming ASR",
    "streaming TTS",
    "barge-in",
    "turn detection",
    "dialogue state tracking",
    "tool calling",
    "audible response latency"
   ],
   "courses": [
    {
     "title": "Voice for AI Agents and Applications",
     "url": "https://www.deeplearning.ai/courses/voice-for-ai-agents-and-applications"
    }
   ],
   "source_ids": [
    "dlai",
    "voiceprimer",
    "openai-voice-guide"
   ],
   "url": "https://aiatlasgraph.com/t/voiceagents",
   "markdown_url": "https://aiatlasgraph.com/t/voiceagents.md",
   "updated": "2026-10-30"
  },
  "voicearch": {
   "id": "voicearch",
   "parent_id": "voiceagents",
   "label": "Architektury agentów głosowych",
   "canonical_name": "Voice agent architectures",
   "description": "Sposoby połączenia rozumienia mowy, decyzji agenta i generowania głosu: modułowe, zintegrowane lub delegujące rozumowanie.",
   "description_en": "Ways to combine speech understanding, agent decisions and voice generation: modular, integrated or with delegated reasoning.",
   "examples": "potok STT → agent → TTS · model mowa–mowa · głosowy front i osobny agent",
   "examples_en": "STT → agent → TTS pipeline · speech-to-speech model · voice frontend with a separate agent",
   "plain": "To różne sposoby połączenia słuchania, podejmowania decyzji i mówienia w głosowym asystencie.",
   "plain_en": "These are different ways to connect listening, decision-making and speaking in a voice assistant.",
   "solves": "Asystent ma szybko rozmawiać, lecz potrzebujesz też kontroli nad kosztami, narzędziami i treścią odpowiedzi.",
   "solves_en": "An assistant must converse promptly, while you also need control over costs, tools and response content.",
   "does": "Możesz rozdzielić zadania między wymienne części, zintegrować je w modelu albo przekazywać trudniejsze decyzje osobnemu zapleczu.",
   "does_en": "You can split tasks among replaceable components, integrate them into a model or delegate harder decisions to a separate backend.",
   "example": "Przy budowie telefonicznej rezerwacji wybierasz między osobnymi modułami mowy a modelem prowadzącym rozmowę bezpośrednio.",
   "example_en": "When building telephone booking, you choose between separate speech components and a model that handles spoken dialogue directly.",
   "for_you": [
    "wybierasz sposób budowy głosowego asystenta",
    "porównujesz szybkość i kontrolę różnych rozwiązań"
   ],
   "for_you_en": [
    "choose how to build a voice assistant",
    "compare speed and control across different designs"
   ],
   "how": "Potok kaskadowy przekazuje tekst między rozpoznaniem, agentem i syntezą, zachowując osobne granice modułów. Model zintegrowany łączy audio z decyzjami wewnętrznie, a wariant delegowany wymienia z osobnym agentem kontekst zadania i wyniki.",
   "how_en": "Cascaded pipelines pass text between recognition, agents and synthesis with separate module boundaries. Integrated models connect audio and decisions internally, while delegated designs exchange task context and results with a separate agent.",
   "limits": "Granice modułów wpływają na opóźnienie, obserwowalność i zachowanie informacji o głosie. Architektury różnią się kontrolą historii oraz przerwań; wspólny diagram nie zapewnia identycznej obsługi narzędzi.",
   "limits_en": "Module boundaries affect latency, observability and retention of voice information. Architectures differ in history and interruption control; shared diagrams do not imply identical tool support.",
   "terms": [
    {
     "gloss": "Osobne moduły kolejno przekazujące rozpoznany tekst, decyzję i mowę.",
     "term": "potok kaskadowy"
    },
    {
     "gloss": "Przekazanie pracy osobnemu agentowi i włączenie jego wyniku do dialogu.",
     "term": "delegacja zadania"
    }
   ],
   "terms_en": [
    {
     "gloss": "Separate modules passing recognised text, decisions and speech in sequence.",
     "term": "cascaded pipeline"
    },
    {
     "gloss": "Assigning work to a separate agent and incorporating results into dialogue.",
     "term": "task delegation"
    }
   ],
   "prereq": [
    "asr",
    "tts",
    "workflows"
   ],
   "keywords": [
    "STT-LLM-TTS",
    "speech-to-speech",
    "Moshi",
    "Pipecat",
    "delegated reasoning",
    "stream synchronization",
    "neural audio codecs",
    "voice frontend"
   ],
   "source_ids": [
    "voiceprimer",
    "wavchat-survey",
    "openai-voice-guide",
    "duplex-survey-2025"
   ],
   "url": "https://aiatlasgraph.com/t/voicearch",
   "markdown_url": "https://aiatlasgraph.com/t/voicearch.md",
   "updated": "2026-10-30"
  },
  "voiceaudio": {
   "id": "voiceaudio",
   "parent_id": "voiceagents",
   "label": "Rozumienie wypowiedzi w dialogu",
   "canonical_name": "Understanding spoken input in voice agents",
   "description": "Interpretacja tego, kto mówi i co powiedział, wraz z obsługą niepewności oraz danych wymagających dokładnego zapisu. Samo ASR jest osobnym tematem mapy.",
   "description_en": "Interpreting who is speaking and what they said, including uncertainty and exact data capture. ASR itself is a separate topic in the map.",
   "examples": "wybór rozmówcy · potwierdzenie numeru · dopytanie",
   "examples_en": "target-speaker selection · confirming a number · asking for clarification",
   "plain": "To ustalanie, co rozmówca powiedział, kto mówi i które szczegóły wymagają potwierdzenia.",
   "plain_en": "This determines what a caller said, who is speaking and which details need confirmation.",
   "solves": "W rozmowie łatwo pomylić nazwę, numer albo głos z tła z poleceniem właściwej osoby.",
   "solves_en": "Conversation makes it easy to mistake a name, a number or background speech for the caller's instruction.",
   "does": "System łączy rozpoznany tekst z kontekstem i informacją o mówcy, a niepewne fragmenty wyjaśnia pytaniami.",
   "does_en": "A system combines recognised text with context and speaker information, then clarifies uncertain parts with questions.",
   "example": "Podczas zamawiania odbioru asystent upewnia się, że poprawnie usłyszał nazwę ulicy i numer domu.",
   "example_en": "While arranging collection, an assistant checks it heard the street name and house number correctly.",
   "for_you": [
    "dyktujesz dane, które muszą być dokładne",
    "rozmowy odbywają się w hałaśliwym otoczeniu"
   ],
   "for_you_en": [
    "dictate details that must be exact",
    "hold conversations in noisy surroundings"
   ],
   "how": "Sygnał akustyczny i transkrypcję łączy się z kontekstem dialogu, rolą mówcy oraz hipotezami znaczenia. Stan rozmowy przechowuje rozpoznane wartości i niepewności, sterując dopytywaniem zamiast natychmiastowego użycia niejasnych danych.",
   "how_en": "Acoustic signals and transcripts are combined with dialogue context, speaker roles and meaning hypotheses. Conversation state stores recognised values and uncertainties, guiding clarification before ambiguous data is used.",
   "limits": "Pewność modelu może nie odpowiadać poprawności słyszenia. Hałas, homofony i cudza mowa wymagają kontroli; intencja nie wynika wyłącznie z najbardziej prawdopodobnej transkrypcji.",
   "limits_en": "Model confidence may not match hearing accuracy. Noise, homophones and other speakers require checks; intent does not follow solely from the likeliest transcript.",
   "terms": [
    {
     "gloss": "Kandydacka interpretacja fragmentu mowy, zachowywana wraz z niepewnością.",
     "term": "hipoteza rozpoznania"
    },
    {
     "gloss": "Pole stanu rozmowy przechowujące wartość potrzebną do wykonania zadania.",
     "term": "slot dialogowy"
    }
   ],
   "terms_en": [
    {
     "gloss": "A candidate interpretation of speech retained with uncertainty.",
     "term": "recognition hypothesis"
    },
    {
     "gloss": "A conversation-state field storing a value needed for task execution.",
     "term": "dialogue slot"
    }
   ],
   "prereq": [
    "asr",
    "calibration"
   ],
   "keywords": [
    "speaker diarization",
    "target speaker extraction",
    "slot filling",
    "ASR hypotheses",
    "read-back confirmation",
    "entity normalization",
    "clarification questions",
    "dialogue state tracking"
   ],
   "source_ids": [
    "voiceprimer",
    "openai-realtime-prompting"
   ],
   "url": "https://aiatlasgraph.com/t/voiceaudio",
   "markdown_url": "https://aiatlasgraph.com/t/voiceaudio.md",
   "updated": "2026-10-30"
  },
  "voiceevals": {
   "id": "voiceevals",
   "parent_id": "voiceagents",
   "label": "Ewaluacja agentów głosowych",
   "canonical_name": "Voice agent evaluation",
   "description": "Ocena skuteczności zadania i jakości rozmowy na rzeczywistym audio: poprawności narzędzi, tur, przerwań, słyszalnej zwłoki i odporności na różne warunki mowy.",
   "description_en": "Evaluating task success and conversational quality on real audio: tools, turns, interruptions, audible latency and robustness across speaking conditions.",
   "examples": "symulacje wieloturowe · końcowy stan zadania · akcent i hałas",
   "examples_en": "multi-turn simulation · final task state · accent and noise",
   "plain": "To sprawdzanie, czy głosowy asystent dobrze prowadzi rozmowę i faktycznie wykonuje uzgodnione zadania.",
   "plain_en": "This checks whether a voice assistant converses well and actually completes agreed tasks.",
   "solves": "Poprawna odpowiedź tekstowa nie pokaże, że asystent przerywa, źle słyszy albo nie zapisuje rezerwacji.",
   "solves_en": "A correct text response cannot reveal that an assistant interrupts, mishears or fails to save a booking.",
   "does": "Testy rozmów porównują treść, tury, czas reakcji, warunki dźwiękowe i końcowy stan narzędzi.",
   "does_en": "Conversation tests compare content, turns, response timing, audio conditions and the tools' final state.",
   "example": "Przed udostępnieniem telefonicznej rezerwacji sprawdzasz rozmowy z pauzami, poprawkami i hałasem oraz zapisane terminy.",
   "example_en": "Before launching telephone booking, you test calls with pauses, corrections and noise, then inspect the saved appointments.",
   "for_you": [
    "udostępniasz asystenta rozmówcom",
    "chcesz ocenić rozmowę i wykonanie zadania"
   ],
   "for_you_en": [
    "make an assistant available to callers",
    "want to assess both dialogue and task completion"
   ],
   "how": "Scenariusze uruchamia się przez rzeczywisty strumień audio, zapisując wypowiedzi, zdarzenia tury, wywołania narzędzi i stan końcowy. Osobne rubryki mierzą wykonanie zadania, jakość interakcji i odporność; powtórzenia pokazują zmienność wyników.",
   "how_en": "Scenarios run through actual audio streams, recording utterances, turn events, tool calls and final state. Separate rubrics measure task completion, interaction quality and robustness; repeated trials expose result variability.",
   "limits": "Symulator może popełniać błędy lub zachowywać się inaczej niż ludzie. Ocena z samej transkrypcji pomija rytm i nakładanie mowy; średnia ukrywa rzadkie, kosztowne niepowodzenia.",
   "limits_en": "Simulators can make mistakes or behave unlike humans. Transcript-only scoring misses timing and overlapping speech; averages conceal rare, costly failures.",
   "terms": [
    {
     "gloss": "Pełne wykonanie scenariusza z przesyłaniem i odtwarzaniem mowy.",
     "term": "próba audio"
    },
    {
     "gloss": "Kryteria oceny zachowania rozmowy niezależne od poprawności samej odpowiedzi.",
     "term": "rubryka interakcji"
    }
   ],
   "terms_en": [
    {
     "gloss": "A complete scenario run with speech transmission and playback.",
     "term": "audio trial"
    },
    {
     "gloss": "Criteria judging conversational behaviour separately from answer correctness.",
     "term": "interaction rubric"
    }
   ],
   "prereq": [
    "agenteval",
    "evalsets"
   ],
   "keywords": [
    "EVA-Bench",
    "IHBench",
    "LiveKit Agent Simulations",
    "task success rate",
    "turn-taking metrics",
    "audible response latency",
    "accent robustness",
    "third-party interruptions"
   ],
   "source_ids": [
    "voiceprimer",
    "openai-voice-guide",
    "eva-bench-voice",
    "tpi-bench-voice",
    "livekit-agent-simulations",
    "ihbench-voice"
   ],
   "url": "https://aiatlasgraph.com/t/voiceevals",
   "markdown_url": "https://aiatlasgraph.com/t/voiceevals.md",
   "updated": "2026-10-30"
  },
  "voiceflows": {
   "id": "voiceflows",
   "parent_id": "voicetools",
   "label": "Scenariusze i stan rozmowy",
   "canonical_name": "Stateful spoken workflows",
   "description": "Model prowadzi rozmowę przez etapy zadania; zmiana etapu wpływa na instrukcje, dostępne narzędzia i przekazany kontekst.",
   "description_en": "The model conducts a multi-step conversation; changing the step affects instructions, available tools and transferred context.",
   "examples": "maszyna stanów · przekazanie do specjalisty lub człowieka",
   "examples_en": "state machine · specialist or human handoff",
   "plain": "To prowadzenie rozmowy głosowej przez zapamiętane etapy zadania.",
   "plain_en": "This guides a spoken conversation through remembered task stages.",
   "solves": "Asystent gubi ustalenia, powtarza pytania albo korzysta z narzędzia, zanim zbierze potrzebne informacje.",
   "solves_en": "An assistant loses earlier agreements, repeats questions or uses a tool before gathering the necessary details.",
   "does": "Każdy etap określa potrzebne dane, instrukcje i dostępne działania; przejście dalej zachowuje ustalony kontekst.",
   "does_en": "Each stage specifies required details, instructions and available actions; moving forward retains the established context.",
   "example": "Asystent najpierw zbiera adres odbioru, potem sprawdza termin, a na końcu prosi o potwierdzenie przesyłki.",
   "example_en": "An assistant first collects the pickup address, then checks a time and finally requests shipment confirmation.",
   "for_you": [
    "rozmowa ma kilka zależnych etapów",
    "chcesz wracać do właściwego kroku po korekcie"
   ],
   "for_you_en": [
    "handle conversations with several dependent stages",
    "want to return to the right step after corrections"
   ],
   "how": "Przepływ reprezentuje rozmowę jako stany z warunkami przejścia, wymaganymi wartościami i dostępnymi narzędziami. Zdarzenia mowy i wyniki operacji aktualizują stan, a instrukcje kolejnego etapu otrzymują potrzebny kontekst oraz potwierdzone dane.",
   "how_en": "A flow represents conversation as states with transition conditions, required values and available tools. Speech events and operation results update state, while instructions for the next stage receive necessary context and confirmed data.",
   "limits": "Sztywny graf utrudnia obsługę dygresji i poprawek. Zbyt szeroki kontekst miesza etapy; zbyt mały gubi ustalenia, szczególnie po przerwaniu lub zmianie celu.",
   "limits_en": "Rigid graphs struggle with digressions and corrections. Excessive context mixes stages; insufficient context loses agreements, particularly after interruption or goal changes.",
   "terms": [
    {
     "gloss": "Zapis aktualnego etapu, uzgodnionych wartości i otwartych działań.",
     "term": "stan dialogu"
    },
    {
     "gloss": "Sprawdzana przesłanka pozwalająca rozpocząć kolejny etap rozmowy.",
     "term": "warunek przejścia"
    }
   ],
   "terms_en": [
    {
     "gloss": "A record of the current stage, agreed values and pending actions.",
     "term": "dialogue state"
    },
    {
     "gloss": "A checked requirement permitting the next conversation stage.",
     "term": "transition condition"
    }
   ],
   "prereq": [
    "workflows",
    "eventdriven"
   ],
   "keywords": [
    "finite-state machines",
    "Pipecat Flows",
    "slot filling",
    "transition guards",
    "human handoff",
    "task checkpoints"
   ],
   "source_ids": [
    "voiceprimer",
    "pipecatrepo",
    "ihbench-voice"
   ],
   "url": "https://aiatlasgraph.com/t/voiceflows",
   "markdown_url": "https://aiatlasgraph.com/t/voiceflows.md",
   "updated": "2026-10-30"
  },
  "voicelatency": {
   "id": "voicelatency",
   "parent_id": "voiceagents",
   "label": "Generowanie odpowiedzi w czasie rzeczywistym",
   "canonical_name": "Real-time spoken response generation",
   "description": "Przygotowanie wypowiedzi agenta tak, by użyteczna odpowiedź zaczęła się szybko, a model mógł reagować na dalszą mowę użytkownika.",
   "description_en": "Preparing agent speech so a useful response begins promptly while the model remains responsive to further user speech.",
   "examples": "strumieniowanie · generowanie wyprzedzające · dostarczanie fragmentów do TTS",
   "examples_en": "streaming · preemptive generation · incremental TTS input",
   "plain": "To przygotowanie mówionej odpowiedzi tak, żeby zaczęła się szybko i nadal pozwalała reagować na rozmówcę.",
   "plain_en": "This prepares spoken responses to start promptly while remaining responsive to the caller.",
   "solves": "Długie oczekiwanie po pytaniu sprawia, że nie wiesz, czy asystent nadal cię słucha.",
   "solves_en": "A long wait after your question leaves you unsure whether the assistant is still listening.",
   "does": "System nakłada przygotowanie tekstu i głosu lub zaczyna pracę wcześniej, pilnując, żeby nie wypowiedzieć nieaktualnej odpowiedzi.",
   "does_en": "A system overlaps text and speech preparation or starts work earlier, while checking that the response has not become outdated.",
   "example": "Asystent zaczyna wyjaśniać pierwszy krok, podczas gdy przygotowuje dalszą część instrukcji.",
   "example_en": "An assistant starts explaining the first step while preparing the rest of the instructions.",
   "for_you": [
    "odpowiedzi głosowe zaczynają się zbyt późno",
    "chcesz skrócić ciszę podczas rozmowy"
   ],
   "for_you_en": [
    "find spoken responses start too late",
    "want to shorten silence during conversation"
   ],
   "how": "Ścieżkę od wejściowej mowy do słyszalnej odpowiedzi dzieli się na detekcję tury, przetwarzanie modelu, syntezę i odtwarzanie. Strumieniowanie oraz nakładanie etapów skracają oczekiwanie, a znaczniki czasu ujawniają kolejki i koszt każdej części.",
   "how_en": "The path from incoming speech to an audible response is split into turn detection, model processing, synthesis and playback. Streaming and overlapping stages reduce waiting, while timestamps expose queues and each stage's cost.",
   "limits": "Wczesny dźwięk nie musi przekazywać użytecznej odpowiedzi. Agresywne skracanie ciszy zwiększa liczbę przedwczesnych wejść; sieć, kolejki i długie narzędzia ograniczają zysk z szybszego modelu.",
   "limits_en": "Early sound need not convey a useful answer. Aggressively shortening silence increases premature responses; networks, queues and slow tools limit gains from faster models.",
   "terms": [
    {
     "gloss": "Opóźnienie do odtworzenia fragmentu odpowiedzi, który przekazuje użyteczną treść.",
     "term": "czas do odpowiedzi słyszalnej"
    },
    {
     "gloss": "Dopuszczalny czas rozdzielony pomiędzy kolejne etapy przetwarzania.",
     "term": "budżet opóźnienia"
    }
   ],
   "terms_en": [
    {
     "gloss": "Delay until playback of a response portion conveying useful content.",
     "term": "time to useful audible response"
    },
    {
     "gloss": "Allowed time allocated across processing stages.",
     "term": "latency budget"
    }
   ],
   "prereq": [
    "eventdriven",
    "tts"
   ],
   "keywords": [
    "time to first audio",
    "streaming synthesis",
    "latency budgets",
    "pipeline overlap",
    "sentence aggregation",
    "preemptive generation",
    "playback buffering",
    "endpointing delay"
   ],
   "source_ids": [
    "voiceprimer",
    "livekit-turns-guide"
   ],
   "url": "https://aiatlasgraph.com/t/voicelatency",
   "markdown_url": "https://aiatlasgraph.com/t/voicelatency.md",
   "updated": "2026-10-30"
  },
  "voicetools": {
   "id": "voicetools",
   "parent_id": "voiceagents",
   "label": "Zadania i narzędzia w rozmowie",
   "canonical_name": "Task and tool orchestration in spoken dialogue",
   "description": "Używanie narzędzi i prowadzenie wieloetapowego zadania bez gubienia toku rozmowy. Wywołania mogą blokować odpowiedź lub działać w tle, zależnie od API i projektu agenta.",
   "description_en": "Using tools and completing multi-step tasks while keeping the conversation coherent. Calls may block or run in the background, depending on the API and agent design.",
   "examples": "narzędzia w tle · potwierdzenie akcji · scenariusz rozmowy",
   "examples_en": "background tools · action confirmation · dialogue workflow",
   "plain": "To łączenie rozmowy głosowej z narzędziami i kolejnymi krokami potrzebnymi do załatwienia sprawy.",
   "plain_en": "This connects spoken conversation with tools and the steps needed to get something done.",
   "solves": "Sama rozmowa nie rezerwuje terminu ani nie zmienia zamówienia, a dłuższe działania mogą przerwać jej tok.",
   "solves_en": "Conversation alone cannot book appointments or change orders, and longer actions can disrupt its flow.",
   "does": "Agent wybiera narzędzia, przekazuje dane, czeka lub pracuje w tle i wyjaśnia wynik zgodnie z rzeczywistym stanem zadania.",
   "does_en": "An agent chooses tools, passes details, waits or works in the background, and explains results according to the task's actual state.",
   "example": "Prosisz głosowo o zmianę terminu, asystent sprawdza kalendarz i po twoim potwierdzeniu zapisuje nową rezerwację.",
   "example_en": "You request an appointment change aloud; an assistant checks the calendar and saves a new booking after your confirmation.",
   "for_you": [
    "chcesz wykonywać działania podczas rozmowy",
    "zadanie wymaga kilku narzędzi lub potwierdzeń"
   ],
   "for_you_en": [
    "want to perform actions during conversation",
    "handle tasks requiring several tools or confirmations"
   ],
   "how": "Intencję z dialogu zamienia się na wywołanie narzędzia z walidowanymi argumentami, a wynik zapisuje w stanie rozmowy. Orkiestracja uzgadnia moment mówienia, oczekiwania i przekazania rezultatów, zachowując identyfikatory trwających operacji.",
   "how_en": "Dialogue intent becomes a tool call with validated arguments, and its result is recorded in conversation state. Orchestration coordinates speaking, waiting and result delivery while retaining identifiers for ongoing operations.",
   "limits": "Błędnie usłyszany argument może uruchomić poprawne technicznie, lecz niewłaściwe działanie. Opóźnienia i przerwania wymagają kontroli stanu; deklaracja modelu nie potwierdza wykonania narzędzia.",
   "limits_en": "A misheard argument can trigger a technically valid but incorrect action. Delays and interruptions require state control; a model's statement does not confirm tool execution.",
   "terms": [
    {
     "gloss": "Wywołanie, wykonanie i włączenie potwierdzonego wyniku do rozmowy.",
     "term": "cykl narzędzia"
    },
    {
     "gloss": "Klucz łączący żądanie z jego wynikiem i statusem.",
     "term": "identyfikator operacji"
    }
   ],
   "terms_en": [
    {
     "gloss": "Calling, executing and incorporating a confirmed result into the conversation.",
     "term": "tool cycle"
    },
    {
     "gloss": "A key linking a request to its result and status.",
     "term": "operation identifier"
    }
   ],
   "prereq": [
    "tools",
    "workflows"
   ],
   "keywords": [
    "function calling",
    "asynchronous tool execution",
    "argument validation",
    "operation IDs",
    "result correlation",
    "confirmation gates",
    "dialogue state machines",
    "tool-result routing"
   ],
   "source_ids": [
    "voiceprimer",
    "google-live-tools",
    "openai-realtime-prompting",
    "nemotron-voicechat-2026"
   ],
   "url": "https://aiatlasgraph.com/t/voicetools",
   "markdown_url": "https://aiatlasgraph.com/t/voicetools.md",
   "updated": "2026-10-30"
  },
  "vptgames": {
   "id": "vptgames",
   "parent_id": "gameplaying",
   "label": "Uczenie grania z filmów z rozgrywki (VPT)",
   "canonical_name": "Video pretraining from gameplay videos",
   "aliases": [
    "Video PreTraining",
    "video pretraining from gameplay",
    "learning from unlabeled gameplay videos",
    "pretrening na filmach z rozgrywki",
    "uczenie z nieopisanych filmów z gry"
   ],
   "description": "Półnadzorowane uczenie przez imitację: model dynamiki odwrotnej z małego zbioru z etykietami opisuje akcjami duży zbiór filmów, na którym trenuje się politykę klonowaniem zachowań.",
   "description_en": "Semi-supervised imitation: an inverse dynamics model trained on a small labelled set annotates a large video corpus, then a policy is behaviour-cloned on it.",
   "plain": "Agent uczy się grać, oglądając tysiące godzin filmów, na których ludzie grają, choć nikt nie zapisał, jakie klawisze naciskali.",
   "plain_en": "An agent learns to play by watching thousands of hours of videos of people playing, though nobody logged which keys they pressed.",
   "solves": "Agent uczony od zera metodą prób i błędów w złożonej grze może nigdy nie trafić na długie sekwencje potrzebne do sukcesu.",
   "solves_en": "An agent learning from scratch by trial and error in a complex game may never stumble on the long sequences success requires.",
   "does": "Najpierw na małej próbce uczy się zgadywać, jaki ruch myszy wywołał zmianę na ekranie, a potem tak opisuje całe archiwum filmów.",
   "does_en": "First, on a small sample, it learns to guess which mouse move caused a change on screen, then labels a whole video archive that way.",
   "example": "Agent w grze o kopaniu i budowaniu, wyuczony na filmach graczy z sieci, sam zbiera drewno, robi narzędzia i schodzi po rzadkie surowce.",
   "example_en": "An agent in a mining-and-building game, trained on players' online videos, gathers wood, crafts tools and digs for rare resources.",
   "for_you": [
    "masz dużo nagrań rozgrywki bez zapisu sterowania",
    "chcesz agenta, który gra myszką i klawiaturą jak człowiek",
    "śledzisz uczenie agentów komputerowych z filmów"
   ],
   "for_you_en": [
    "have lots of gameplay footage with no control logs",
    "want an agent that plays with mouse and keyboard like a person",
    "follow training computer agents from video"
   ],
   "how": "Mały zbiór rozgrywki z zapisanymi akcjami myszy i klawiatury służy do wytrenowania modelu dynamiki odwrotnej. Model, widząc klatki przed i po, odgaduje akcje i pseudoetykietuje nimi duży zbiór filmów z internetu. Na nim trenuje się politykę bazową, którą można dostroić imitacją lub uczeniem ze wzmocnieniem do trudniejszych zadań.",
   "how_en": "A small gameplay set with recorded mouse and keyboard actions trains an inverse dynamics model. Seeing frames before and after, the model infers actions and uses them to pseudo-label a large internet video corpus. A base policy is trained on it and can be fine-tuned by imitation or reinforcement learning for harder tasks.",
   "limits": "Metoda nadal potrzebuje małego zbioru filmów z prawdziwymi etykietami akcji do wytrenowania modelu dynamiki odwrotnej. Polityka bazowa odtwarza zachowania obecne w nagraniach, a trudne zadania wykraczające poza ten rozkład wymagają dalszego dostrajania.",
   "limits_en": "The method still needs a small set of videos with true action labels to train the inverse dynamics model. The base policy reproduces behaviours present in the recordings, while hard tasks beyond that distribution require further fine-tuning.",
   "terms": [
    {
     "gloss": "Model zgadujący akcję na podstawie tego, co zmieniło się między klatkami.",
     "term": "model dynamiki odwrotnej"
    },
    {
     "gloss": "Etykiety nadane danym automatycznie przez inny model, nie przez ludzi.",
     "term": "pseudoetykiety"
    },
    {
     "gloss": "Uczenie polityki przez naśladowanie zapisanych akcji eksperta.",
     "term": "klonowanie zachowań"
    }
   ],
   "terms_en": [
    {
     "gloss": "A model guessing the action from what changed between frames.",
     "term": "inverse dynamics model"
    },
    {
     "gloss": "Labels assigned automatically by another model, not by people.",
     "term": "pseudo-labels"
    },
    {
     "gloss": "Training a policy by imitating an expert's recorded actions.",
     "term": "behavioural cloning"
    }
   ],
   "prereq": [
    "behaviorcloning"
   ],
   "keywords": [
    "Video PreTraining",
    "inverse dynamics model",
    "MineRL",
    "Minecraft agents",
    "behavioral cloning",
    "latent action models",
    "learning from observation"
   ],
   "source_ids": [
    "baker-vpt-2022"
   ],
   "url": "https://aiatlasgraph.com/t/vptgames",
   "markdown_url": "https://aiatlasgraph.com/t/vptgames.md",
   "updated": "2026-10-30"
  },
  "vqa": {
   "id": "vqa",
   "parent_id": "vlm",
   "label": "Pytania i odpowiedzi o treść obrazu (VQA)",
   "canonical_name": "Visual question answering (VQA)",
   "aliases": [
    "visual question answering",
    "VQA",
    "pytania wizualne",
    "odpowiadanie na pytania o obraz"
   ],
   "description": "Odpowiadanie na pytanie w języku naturalnym o zawartość obrazu, w formie otwartej lub wyboru z listy.",
   "description_en": "Answering a natural-language question about an image's content, open-ended or as multiple choice.",
   "plain": "Pokazujesz programowi zdjęcie, zadajesz o nie pytanie zwykłymi słowami i dostajesz odpowiedź.",
   "plain_en": "You show software a picture, ask a question about it in plain words and get an answer.",
   "solves": "Ogólny opis zdjęcia rzadko zawiera ten jeden szczegół, który jest ci akurat potrzebny.",
   "solves_en": "A general description of a photo rarely includes the one detail you happen to need.",
   "does": "Zamiast opowiadać o całym obrazie, patrzy tam, gdzie kieruje go pytanie: na kolor, liczbę, napis lub układ.",
   "does_en": "Instead of describing the whole picture it looks where the question points: a colour, a count, a sign or a layout.",
   "example": "Robisz zdjęcie lodówki i pytasz, co ugotować; albo osoba niewidoma pyta, jaka data jest na opakowaniu.",
   "example_en": "You photograph your fridge and ask what to cook, or a blind person asks what date is printed on a package.",
   "for_you": [
    "pytasz czat o zdjęcia lub zrzuty ekranu",
    "pomagasz osobom słabowidzącym",
    "sprawdzasz, czy model naprawdę rozumie obraz"
   ],
   "for_you_en": [
    "ask a chatbot about photos or screenshots",
    "help people with low vision",
    "test whether a model really understands images"
   ],
   "how": "Model łączy cechy obrazu z treścią pytania — dawniej przez fuzję i klasyfikację do zbioru częstych odpowiedzi, dziś przez model wizja–język generujący odpowiedź tekstem. Warianty dotyczą tekstu na obrazie, wiedzy spoza obrazu, wykresów i wieloetapowego rozumowania.",
   "how_en": "The model fuses image features with the question — formerly by fusion and classification over frequent answers, now through a vision–language model generating the answer as text. Variants cover text in images, outside knowledge, charts and multi-step reasoning.",
   "limits": "Modele często zgadują z samego pytania, ignorując obraz, więc zbiory testowe trzeba równoważyć. Słabo liczą, mylą drobne szczegóły i odpowiadają pewnie nawet wtedy, gdy obraz nie zawiera odpowiedzi.",
   "limits_en": "Models often guess from the question alone and ignore the image, so test sets need balancing. They count poorly, confuse fine details and answer confidently even when the image holds no answer.",
   "terms": [
    {
     "gloss": "Zgadywanie odpowiedzi z samego pytania, bez patrzenia na obraz.",
     "term": "language prior"
    },
    {
     "gloss": "Odpowiedź dowolnym tekstem zamiast wyboru z listy.",
     "term": "open-ended VQA"
    },
    {
     "gloss": "Pytania wymagające odczytania napisów na zdjęciu.",
     "term": "TextVQA"
    }
   ],
   "terms_en": [
    {
     "gloss": "Guessing an answer from the question alone, without looking.",
     "term": "language prior"
    },
    {
     "gloss": "Answering with free text rather than picking from a list.",
     "term": "open-ended VQA"
    },
    {
     "gloss": "Questions that require reading text in the photo.",
     "term": "TextVQA"
    }
   ],
   "prereq": [
    "questionanswering"
   ],
   "keywords": [
    "VQAv2",
    "GQA",
    "TextVQA",
    "OK-VQA",
    "VizWiz",
    "MMMU",
    "language priors",
    "visual reasoning"
   ],
   "source_ids": [
    "li-2022-blip",
    "agrawal-2015-vqa",
    "goyal-2016-vqav2"
   ],
   "url": "https://aiatlasgraph.com/t/vqa",
   "markdown_url": "https://aiatlasgraph.com/t/vqa.md",
   "updated": "2026-10-30"
  },
  "vqvae": {
   "id": "vqvae",
   "parent_id": "vae",
   "label": "Dyskretne kody obrazu i dźwięku (VQ-VAE, VQGAN)",
   "canonical_name": "Vector-quantised autoencoders (VQ-VAE, VQGAN)",
   "aliases": [
    "VQ-VAE",
    "VQGAN",
    "vector quantization",
    "kwantyzacja wektorowa",
    "codebook",
    "visual tokenizer",
    "tokenizer obrazu"
   ],
   "description": "Autoenkoder, którego koder zwraca indeksy najbliższych wektorów z wyuczonej książki kodów, tworząc dyskretne tokeny dla modeli generatywnych.",
   "description_en": "An autoencoder whose encoder outputs indices of the nearest vectors in a learned codebook, producing discrete tokens for generative models.",
   "plain": "Sposób zamiany obrazu lub dźwięku na krótki ciąg „słów” z ograniczonego słownika, z którego potem da się go odtworzyć.",
   "plain_en": "A way to turn an image or sound into a short string of ‘words’ from a limited vocabulary, from which it can be rebuilt.",
   "solves": "Modele piszące tekst słowo po słowie nie umieją wprost pracować na milionach pikseli czy próbek dźwięku.",
   "solves_en": "Models that write text word by word cannot work directly on millions of pixels or sound samples.",
   "does": "Jak mozaika z ograniczonego zestawu kafelków: każdy fragment obrazu zastępuje się numerem najbardziej podobnego kafelka.",
   "does_en": "Like a mosaic made from a fixed set of tiles: each image patch is replaced by the number of the most similar tile.",
   "example": "Asystent, który rysuje obrazek na twoją prośbę, w środku układa go z ciągu kodów, tak jak układa zdanie ze słów.",
   "example_en": "An assistant that draws a picture on request internally builds it from a string of codes, just as it builds a sentence from words.",
   "for_you": [
    "chcesz zrozumieć, jak modele językowe generują obrazy",
    "interesuje cię kompresja obrazu lub dźwięku siecią"
   ],
   "for_you_en": [
    "want to understand how language models generate images",
    "are curious about compressing images or sound with a network"
   ],
   "how": "Koder tworzy siatkę wektorów, a każdy zastępuje się najbliższym wpisem z książki kodów; dekoder odtwarza obraz z tych wpisów. Gradient przez nieróżniczkowalny wybór przenosi się sztuczką straight-through, a straty commitment trzymają koder blisko kodów. Na tokenach uczy się potem osobny model a priori, np. transformer; VQGAN dodaje straty przeciwstawną i percepcyjną.",
   "how_en": "The encoder produces a grid of vectors, each replaced by the nearest codebook entry; the decoder rebuilds the image from those entries. Gradients pass the non-differentiable lookup via a straight-through estimator, and commitment losses keep encoder outputs near codes. A separate prior, e.g. a transformer, is then trained on the tokens; VQGAN adds adversarial and perceptual losses.",
   "limits": "Dyskretyzacja wprowadza kompromis między stopniem kompresji a jakością rekonstrukcji. Niewykorzystywane wpisy książki kodów marnują pojemność, a cały późniejszy generator jest ograniczony informacją zachowaną przez tokenizer.",
   "limits_en": "Discretisation creates a trade-off between compression and reconstruction quality. Unused codebook entries waste capacity, and every downstream generator is limited by the information retained by the tokenizer.",
   "terms": [
    {
     "gloss": "Wyuczony zestaw wektorów, którymi zastępuje się fragmenty obrazu.",
     "term": "książka kodów"
    },
    {
     "gloss": "Sztuczka przepuszczająca gradient przez nieróżniczkowalny krok, jakby go nie było.",
     "term": "straight-through estimator"
    },
    {
     "gloss": "Sytuacja, gdy dekoder ignoruje zmienne ukryte; kody dyskretne temu zapobiegają.",
     "term": "posterior collapse"
    }
   ],
   "terms_en": [
    {
     "gloss": "A learned set of vectors that replace image patches.",
     "term": "codebook"
    },
    {
     "gloss": "A trick passing gradients through a non-differentiable step as if absent.",
     "term": "straight-through estimator"
    },
    {
     "gloss": "When the decoder ignores latent variables; discrete codes help prevent it.",
     "term": "posterior collapse"
    }
   ],
   "prereq": [
    "tokenization",
    "cnnarchs"
   ],
   "keywords": [
    "VQ-VAE",
    "VQGAN",
    "vector quantization",
    "codebook",
    "straight-through estimator",
    "commitment loss",
    "image tokenizer"
   ],
   "source_ids": [
    "vandenoord-vqvae-2017",
    "esser-vqgan-2020"
   ],
   "url": "https://aiatlasgraph.com/t/vqvae",
   "markdown_url": "https://aiatlasgraph.com/t/vqvae.md",
   "updated": "2026-10-30"
  },
  "vulndiscovery": {
   "id": "vulndiscovery",
   "parent_id": "cyberai",
   "label": "Szukanie i łatanie podatności z AI",
   "canonical_name": "AI-assisted vulnerability discovery and repair",
   "aliases": [
    "AI vulnerability research",
    "automated vulnerability discovery",
    "cyber reasoning systems",
    "AI bug hunting",
    "wyszukiwanie podatności"
   ],
   "description": "Modele językowe i agenci, którzy generują testy fuzzingowe, czytają kod w poszukiwaniu błędów bezpieczeństwa i proponują poprawki.",
   "description_en": "Language models and agents that generate fuzz tests, read code for security bugs and propose fixes.",
   "plain": "AI, które przegląda kod programów w poszukiwaniu ukrytych dziur bezpieczeństwa i podpowiada, jak je załatać.",
   "plain_en": "AI that combs through program code for hidden security holes and suggests how to patch them.",
   "solves": "W powszechnie używanych bibliotekach latami leżą błędy, bo ludzi zdolnych je znaleźć jest za mało, a kodu za dużo.",
   "solves_en": "Bugs sit for years in widely used libraries because there are too few people able to find them and too much code.",
   "does": "Jak niestrudzony korektor, który czyta każdą linijkę, próbuje ją złamać na tysiąc sposobów i od razu dopisuje poprawkę.",
   "does_en": "Like a tireless proofreader who reads every line, tries to break it a thousand ways and writes the fix straight away.",
   "example": "Opiekunka darmowej biblioteki dostaje zgłoszenie: zautomatyzowany system znalazł błąd pozwalający zawiesić program i dołączył gotową, przetestowaną łatkę.",
   "example_en": "A maintainer of a free library gets a report: an automated system found a crash-causing bug and attached a ready, tested patch.",
   "for_you": [
    "utrzymujesz kod, z którego korzystają inni",
    "odpowiadasz za bezpieczeństwo aplikacji w firmie",
    "zastanawiasz się, czy AI znajdzie błędy w twoim kodzie"
   ],
   "for_you_en": [
    "maintain code that others depend on",
    "are responsible for application security at a company",
    "wonder whether AI could find bugs in your code"
   ],
   "how": "Model dostaje kontekst projektu (definicje, odwołania, testy) i pisze harnessy fuzzingowe, poprawiając je na podstawie błędów kompilacji i pokrycia. Agenci analizują też zmiany w kodzie pod kątem wariantów znanych błędów, a systemy typu cyber reasoning łączą fuzzing, analizę statyczną i LLM w pętli znajdź–potwierdź–załataj.",
   "how_en": "The model receives project context (definitions, cross-references, tests) and writes fuzzing harnesses, revising them from compiler errors and coverage. Agents also review code changes for variants of known bugs, and cyber reasoning systems combine fuzzing, static analysis and LLMs in a find–confirm–patch loop.",
   "limits": "Samo czytanie kodu przez model daje dużo fałszywych zgłoszeń, a na realistycznych benchmarkach wyniki wyraźnie spadają. Każde znalezisko i każdą łatkę trzeba potwierdzić odtwarzalnym crashem lub testem.",
   "limits_en": "Code reading by a model alone yields many false reports, and results drop markedly on realistic benchmarks. Every finding and patch must be confirmed by a reproducible crash or test.",
   "terms": [
    {
     "gloss": "Bombardowanie programu losowymi lub zmienionymi danymi, by wywołać błąd.",
     "term": "fuzzing"
    },
    {
     "gloss": "Mały program łączący fuzzer z testowaną funkcją.",
     "term": "harness"
    },
    {
     "gloss": "Publiczny numer identyfikujący konkretną podatność.",
     "term": "CVE"
    }
   ],
   "terms_en": [
    {
     "gloss": "Bombarding a program with random or mutated input to trigger a bug.",
     "term": "fuzzing"
    },
    {
     "gloss": "A small program connecting the fuzzer to the function under test.",
     "term": "harness"
    },
    {
     "gloss": "A public identifier for a specific vulnerability.",
     "term": "CVE"
    }
   ],
   "prereq": [
    "aicodereview",
    "agentsnode"
   ],
   "keywords": [
    "OSS-Fuzz-gen",
    "AIxCC",
    "cyber reasoning system",
    "Big Sleep",
    "variant analysis",
    "PrimeVul",
    "automated program repair",
    "static analysis",
    "coverage-guided fuzzing",
    "CodeQL"
   ],
   "source_ids": [
    "xu-llm4security-survey-2024",
    "google-oss-fuzz-gen-2024",
    "project-zero-big-sleep-2024",
    "ding-primevul-2024",
    "darpa-aixcc-results-2025"
   ],
   "url": "https://aiatlasgraph.com/t/vulndiscovery",
   "markdown_url": "https://aiatlasgraph.com/t/vulndiscovery.md",
   "updated": "2026-10-30"
  },
  "vulnpatchgen": {
   "id": "vulnpatchgen",
   "parent_id": "cyberreasoning",
   "label": "Generowanie łatek na podatności przez modele językowe",
   "canonical_name": "LLM-based vulnerability patch generation",
   "aliases": [
    "automated vulnerability repair",
    "AVR",
    "LLM security patching",
    "AI-generated security fixes",
    "automatyczne łatanie podatności"
   ],
   "description": "Modele generatywne proponują zmiany w kodzie, które mają naprawić znaną podatność. Kandydat wymaga testów funkcjonalnych i oceny bezpieczeństwa przed użyciem.",
   "description_en": "Generative models propose code changes intended to repair a known vulnerability. A candidate requires functional testing and security evaluation before use.",
   "plain": "Model proponuje łatkę do podatnego fragmentu kodu, ale programista i testy muszą sprawdzić, czy naprawdę usuwa błąd i nie psuje programu.",
   "plain_en": "A model proposes a patch for vulnerable code, but a developer and tests must verify that it fixes the bug without breaking the program.",
   "solves": "Znalezionych błędów przybywa szybciej, niż programiści zdążają je naprawiać, więc znane dziury czekają miesiącami.",
   "solves_en": "Bugs are found faster than developers can fix them, so known holes wait for months.",
   "does": "Jak mechanik, który dostaje nagranie stukającego silnika: proponuje naprawkę, a jazda próbna pokazuje, czy stukanie znikło.",
   "does_en": "Like a mechanic handed a recording of a knocking engine: proposes a fix, and a test drive shows whether the knock is gone.",
   "example": "Po wykryciu podatności w funkcji C model proponuje zmianę kodu. Zespół uruchamia testy i analizę bezpieczeństwa, zanim rozważy włączenie łatki.",
   "example_en": "After a vulnerability is found in a C function, a model proposes a code change. The team runs tests and security analysis before considering the patch.",
   "for_you": [
    "utrzymujesz projekt z otwartym kodem",
    "masz zaległe zgłoszenia o błędach bezpieczeństwa",
    "budujesz agentów programistycznych"
   ],
   "for_you_en": [
    "maintain an open-source project",
    "have a backlog of security bug reports",
    "build coding agents"
   ],
   "how": "Podatny fragment kodu i opis zadania umieszcza się w zapytaniu do modelu. Badanie zero-shot porównuje różne konstrukcje promptów na przykładach syntetycznych, ręcznie przygotowanych i rzeczywistych, oceniając zarówno usunięcie podatności, jak i poprawność funkcjonalną kandydatów.",
   "how_en": "Vulnerable code and a task description are placed in a model prompt. The zero-shot study compares prompt formulations on synthetic, hand-crafted, and real-world examples, evaluating both vulnerability repair and functional correctness of candidates.",
   "limits": "W badaniu realne podatności były trudniejsze niż przykłady syntetyczne, a poprawność funkcjonalna pozostawała wyzwaniem. Wynik zależał od konstrukcji promptu i użytego modelu, dlatego każda łatka wymaga testów i przeglądu człowieka.",
   "limits_en": "In the study, real-world vulnerabilities were harder than synthetic examples, and functional correctness remained challenging. Results depended on prompt construction and the model used, so every patch requires testing and human review.",
   "terms": [
    {
     "gloss": "Zmiana w kodzie usuwająca błąd.",
     "term": "łatka"
    },
    {
     "gloss": "Sprawdzenie, że poprawka nie zepsuła tego, co działało.",
     "term": "test regresji"
    },
    {
     "gloss": "Konkretne wejście, które powoduje błąd i służy do sprawdzenia naprawy.",
     "term": "dane wywołujące awarię"
    }
   ],
   "terms_en": [
    {
     "gloss": "A code change that removes a bug.",
     "term": "patch"
    },
    {
     "gloss": "A check that a fix didn't break what used to work.",
     "term": "regression test"
    },
    {
     "gloss": "A specific input that triggers the bug and verifies the fix.",
     "term": "crashing input"
    }
   ],
   "prereq": [
    "llmvulndetect",
    "aicodereview"
   ],
   "keywords": [
    "automated program repair",
    "zero-shot repair",
    "vulnerability repair",
    "prompt design",
    "patch validation",
    "secure code repair"
   ],
   "source_ids": [
    "pearce-zero-shot-vuln-repair-2021"
   ],
   "url": "https://aiatlasgraph.com/t/vulnpatchgen",
   "markdown_url": "https://aiatlasgraph.com/t/vulnpatchgen.md",
   "updated": "2026-10-30"
  },
  "weaksupervision": {
   "id": "weaksupervision",
   "parent_id": "annotation",
   "label": "Słaba superwizja i funkcje etykietujące",
   "canonical_name": "Weak supervision and labeling functions",
   "aliases": [
    "weak supervision",
    "labeling functions",
    "Snorkel",
    "data programming"
   ],
   "description": "Zamiast etykietować ręcznie, pisze się wiele prostych, niedoskonałych reguł, a model łączy ich głosy w jedną, lepszą etykietę.",
   "description_en": "Instead of labelling by hand, you write many simple, imperfect rules and a model combines their votes into a single better label.",
   "examples": "Funkcje etykietujące · Snorkel · reguły, słowniki i wzorce jako źródła etykiet",
   "examples_en": "Labeling functions · Snorkel · rules, dictionaries and patterns as label sources",
   "plain": "To łączenie niedoskonałych wskazówek, żeby wstępnie oznaczyć przykłady bez ręcznego oceniania każdego.",
   "plain_en": "This combines imperfect clues to provisionally label examples without reviewing each one by hand.",
   "solves": "Brakuje gotowych oznaczeń, ale masz słowniki i proste reguły, które pomagają rozpoznawać część przypadków.",
   "solves_en": "You lack labelled examples but have dictionaries and simple rules that identify some cases.",
   "does": "Każda reguła oddaje swój głos, a model łączy wskazówki, uwzględniając ich wiarygodność i sprzeczności.",
   "does_en": "Each rule casts a vote, and a model combines the clues while accounting for reliability and disagreements.",
   "example": "Przy sortowaniu wiadomości reguły wykrywają słowa o zwrotach, pytajniki i numery zamówień, a ich głosy pomagają przypisać kategorię.",
   "example_en": "When sorting messages, rules detect words about returns, question marks and order numbers, and their votes help assign a category.",
   "for_you": [
    "masz reguły, ale mało ręcznie oznaczonych przykładów",
    "chcesz połączyć kilka niepewnych wskazówek"
   ],
   "for_you_en": [
    "have useful rules but few manually labelled examples",
    "want to combine several uncertain clues"
   ],
   "how": "Funkcje etykietujące oddają głosy lub wstrzymują się od oceny. Model etykiet szacuje wiarygodność i zależności tych sygnałów, tworząc probabilistyczne etykiety do treningu modelu predykcyjnego.",
   "how_en": "Labelling functions vote or abstain. A label model estimates the reliability and dependencies of these signals, producing probabilistic labels for training a predictive model.",
   "limits": "Reguły o wspólnym źródle błędu nie dają niezależnych dowodów. Słabe pokrycie i niespełnione założenia modelu etykiet ograniczają jakość; potrzebna jest niezależna ocena.",
   "limits_en": "Rules sharing an error source do not provide independent evidence. Poor coverage and violated label-model assumptions limit quality; independent evaluation is necessary.",
   "terms": [
    {
     "gloss": "Reguła nadająca przybliżoną etykietę lub rezygnująca z głosu.",
     "term": "funkcja etykietująca"
    },
    {
     "gloss": "Model łączący niepewne głosy w rozkład prawdopodobieństwa etykiety.",
     "term": "model etykiet"
    }
   ],
   "terms_en": [
    {
     "gloss": "A rule assigning an approximate label or abstaining.",
     "term": "labelling function"
    },
    {
     "gloss": "A model combining uncertain votes into a probability distribution over labels.",
     "term": "label model"
    }
   ],
   "prereq": [
    "supervised",
    "probability"
   ],
   "keywords": [
    "Snorkel",
    "labeling functions",
    "label models",
    "probabilistic labels",
    "abstention"
   ],
   "source_ids": [
    "snorkel-2017"
   ],
   "url": "https://aiatlasgraph.com/t/weaksupervision",
   "markdown_url": "https://aiatlasgraph.com/t/weaksupervision.md",
   "updated": "2026-10-30"
  },
  "wearablemonitoring": {
   "id": "wearablemonitoring",
   "parent_id": "biosignals",
   "label": "Monitorowanie zdrowia z zegarków i opasek",
   "canonical_name": "Wearable health monitoring",
   "aliases": [
    "smartwatch AF detection",
    "consumer wearables health",
    "PPG monitoring",
    "remote patient monitoring",
    "zdalne monitorowanie pacjenta"
   ],
   "description": "Algorytmy analizujące dane z konsumenckich urządzeń noszonych (PPG, akcelerometr, jednoodprowadzeniowe EKG) do badań przesiewowych, śledzenia trendów i wybranych zastosowań zdalnego monitorowania.",
   "description_en": "Algorithms analysing consumer wearable data (PPG, accelerometer and single-lead ECG) for screening, trend tracking and selected remote-monitoring uses.",
   "plain": "Zegarki, opaski i pierścienie mierzą tętno, sen i ruch, a algorytmy wyłapują w tych danych sygnały możliwej choroby.",
   "plain_en": "Watches, bands and rings measure pulse, sleep and movement, and algorithms spot signs of possible illness in that data.",
   "solves": "Niektóre choroby, jak nieregularny rytm serca, latami nie dają objawów i wychodzą na jaw dopiero po groźnym powikłaniu.",
   "solves_en": "Some conditions, such as an irregular heartbeat, show no symptoms for years and come to light only after a serious complication.",
   "does": "Jak kontrolka na desce rozdzielczej auta: nie stawia diagnozy, ale mówi, że warto pojechać do mechanika.",
   "does_en": "Like a warning light on a car's dashboard: it doesn't diagnose, but tells you it's worth seeing a mechanic.",
   "example": "Zegarek kilka razy w tygodniu sygnalizuje nieregularne tętno; właścicielka idzie do lekarza, a badanie serca potwierdza zaburzenie rytmu.",
   "example_en": "A watch flags an irregular pulse several times a week; its owner sees a doctor, and a heart test confirms a rhythm disorder.",
   "for_you": [
    "nosisz urządzenie mierzące tętno lub sen",
    "dostałeś powiadomienie o nieregularnym rytmie serca"
   ],
   "for_you_en": [
    "wear a device that tracks pulse or sleep",
    "got a notification about an irregular heart rhythm"
   ],
   "how": "Jednym z przykładów jest optyczny pomiar pulsu, w którym algorytm ocenia nieregularność odstępów między uderzeniami i po powtarzających się nieregularnych odczytach wysyła powiadomienie. W Apple Heart Study z udziałem 419 297 osób powiadomienie dostało 0,52% uczestników, a wartość predykcyjna dodatnia dla jednoczesnego migotania wyniosła 0,84.",
   "how_en": "One example is optical pulse monitoring, where an algorithm assesses irregular beat-to-beat intervals and sends a notification after repeated irregular readings. In the 419,297-person Apple Heart Study, 0.52% received a notification and the positive predictive value for concurrent atrial fibrillation was 0.84.",
   "limits": "W Apple Heart Study około jednej trzeciej osób z analizowalnym późniejszym zapisem miało potwierdzone migotanie, a wiele powiadomionych osób nie zwróciło danych do analizy. Użytkownicy zegarków nie reprezentują dobrze grup najbardziej zagrożonych. Fałszywe alarmy mogą obciążać opiekę zdrowotną.",
   "limits_en": "In the Apple Heart Study, about one third of notified participants with an analysable later recording had confirmed atrial fibrillation, and many notified participants did not return data for analysis. Watch users may not represent the highest-risk groups well. False alarms can burden healthcare services.",
   "terms": [
    {
     "gloss": "Pomiar tętna światłem przez skórę.",
     "term": "PPG"
    },
    {
     "gloss": "Jaka część alarmów okazuje się prawdziwa.",
     "term": "wartość predykcyjna dodatnia"
    },
    {
     "gloss": "Śledzenie stanu pacjenta w domu przez urządzenia wysyłające dane.",
     "term": "zdalne monitorowanie"
    }
   ],
   "terms_en": [
    {
     "gloss": "Measuring pulse with light through the skin.",
     "term": "PPG"
    },
    {
     "gloss": "The share of alarms that turn out to be real.",
     "term": "positive predictive value"
    },
    {
     "gloss": "Tracking a patient at home with devices that send data.",
     "term": "remote monitoring"
    }
   ],
   "prereq": [
    "anomalydetection",
    "tinyml"
   ],
   "keywords": [
    "PPG",
    "atrial fibrillation detection",
    "Apple Heart Study",
    "remote patient monitoring",
    "positive predictive value",
    "HRV",
    "sleep tracking"
   ],
   "source_ids": [
    "apple-heart-study-2019"
   ],
   "url": "https://aiatlasgraph.com/t/wearablemonitoring",
   "markdown_url": "https://aiatlasgraph.com/t/wearablemonitoring.md",
   "updated": "2026-10-30"
  },
  "webcrawl": {
   "id": "webcrawl",
   "parent_id": "sourcing",
   "label": "Pozyskiwanie danych z sieci (crawling)",
   "canonical_name": "Web crawling for training data",
   "aliases": [
    "web scraping",
    "Common Crawl",
    "crawl"
   ],
   "description": "Zbieranie stron internetowych na dużą skalę jako surowca do treningu: korzystanie z gotowych zrzutów sieci albo własny crawler respektujący reguły witryn.",
   "description_en": "Collecting web pages at scale as raw training material: using existing web snapshots or running your own crawler that respects site rules.",
   "examples": "Zrzuty Common Crawl · robots.txt · mapy witryn · RefinedWeb, FineWeb",
   "examples_en": "Common Crawl snapshots · robots.txt · sitemaps · RefinedWeb, FineWeb",
   "plain": "To automatyczne zbieranie stron internetowych lub ich zapisanych kopii jako materiału do nauki modelu.",
   "plain_en": "This automatically collects web pages or saved copies as material for model training.",
   "solves": "Ręczne pobieranie wielu stron zajmuje czas i utrudnia zachowanie kompletnego, uporządkowanego zbioru.",
   "solves_en": "Downloading many pages by hand takes time and makes a complete, organised collection hard to maintain.",
   "does": "Program odwiedza odsyłacze według ustalonych reguł dostępu lub korzysta z gotowego archiwum, zachowując treść i adresy źródeł.",
   "does_en": "Software follows links under chosen access rules or uses an existing archive, keeping page content and source addresses.",
   "example": "Zbierasz publiczne instrukcje obsługi: program pobiera wskazane strony, zapisuje ich adresy i przekazuje treść do dalszego sprawdzenia.",
   "example_en": "You collect public manuals; software downloads selected pages, records their addresses and passes their content on for further checks.",
   "for_you": [
    "potrzebujesz treści z wielu stron internetowych",
    "chcesz zachować adresy pobranych materiałów"
   ],
   "for_you_en": [
    "need content from many web pages",
    "want to keep the addresses of downloaded material"
   ],
   "how": "Kolejka adresów steruje pobieraniem stron i odkrywaniem kolejnych odnośników. Reguły robotów, limity zapytań i harmonogram ponownych wizyt kontrolują dostęp, a pobrane odpowiedzi zapisuje się do dalszej ekstrakcji.",
   "how_en": "A URL frontier controls fetching pages and discovering further links. Crawler rules, request limits and revisit schedules govern access, while fetched responses are stored for later extraction.",
   "limits": "Treści dynamiczne, blokady i zmiany adresów ograniczają pokrycie. Crawl nie tworzy reprezentatywnej próbki automatycznie i wymaga osobnej oceny warunków użycia zebranych materiałów.",
   "limits_en": "Dynamic content, blocking and changing URLs limit coverage. Crawling does not automatically create a representative sample and requires separate review of collected material's usage conditions.",
   "terms": [
    {
     "gloss": "Kolejka adresów oczekujących na pobranie przez robota.",
     "term": "frontier"
    },
    {
     "gloss": "Format archiwum przechowujący pobrane odpowiedzi sieciowe i ich metadane.",
     "term": "WARC"
    }
   ],
   "terms_en": [
    {
     "gloss": "A queue of URLs waiting to be fetched by a crawler.",
     "term": "frontier"
    },
    {
     "gloss": "An archive format storing fetched network responses and their metadata.",
     "term": "WARC"
    }
   ],
   "prereq": [
    "datalicensing",
    "dataversioning"
   ],
   "keywords": [
    "Common Crawl",
    "WARC",
    "robots.txt",
    "sitemaps",
    "crawl frontier",
    "RefinedWeb",
    "FineWeb"
   ],
   "source_ids": [
    "commoncrawl-site",
    "fineweb-2024",
    "refinedweb-2023",
    "consent-in-crisis-2024",
    "llm-x-data-survey-2025",
    "rfc9309-robots"
   ],
   "url": "https://aiatlasgraph.com/t/webcrawl",
   "markdown_url": "https://aiatlasgraph.com/t/webcrawl.md",
   "updated": "2026-10-30"
  },
  "weightaveraging": {
   "id": "weightaveraging",
   "parent_id": "merging",
   "label": "Uśrednianie i interpolacja wag (model soups, SLERP)",
   "canonical_name": "Weight averaging and interpolation",
   "aliases": [
    "model soups",
    "weight averaging",
    "SLERP",
    "linear merge"
   ],
   "description": "Łączenie kilku wersji dostrojonych z tego samego modelu bazowego przez uśrednienie lub płynną interpolację ich wag. Często poprawia jakość i odporność bez dodatkowego kosztu przy uruchamianiu.",
   "description_en": "Combining several fine-tunes of the same base model by averaging or smoothly interpolating their weights. Often improves quality and robustness at no extra inference cost.",
   "examples": "model soups · średnia z checkpointów · SLERP",
   "examples_en": "model soups · checkpoint averaging · SLERP",
   "plain": "To mieszanie ustawień kilku zgodnych wersji modelu przez uśrednianie lub wybór wartości pomiędzy nimi.",
   "plain_en": "This mixes parameters from compatible model versions through averaging or interpolation between them.",
   "solves": "Kilka wersji ma dobre wyniki, a wybór jednej może odrzucić przydatne cechy pozostałych.",
   "solves_en": "Several versions perform well, and selecting only one may discard useful qualities of the others.",
   "does": "Odpowiadające sobie ustawienia są łączone w jedną wersję; zgodność modeli i dobór proporcji wpływają na jakość, którą trzeba sprawdzić.",
   "does_en": "Corresponding parameters are combined into one version; compatibility and mixing proportions affect quality, which must be checked.",
   "example": "Po kilku dostrojeniach tego samego modelu próbujesz uśrednić wybrane wersje i porównujesz wynik na nowych zgłoszeniach.",
   "example_en": "After several adaptations of the same model, you try averaging selected versions and compare results on new requests.",
   "for_you": [
    "masz kilka wersji z tej samej bazy",
    "chcesz połączyć wyniki bez obsługi kilku modeli naraz"
   ],
   "for_you_en": [
    "have several versions from the same base",
    "want one combined model instead of serving several"
   ],
   "how": "Parametry zgodnych checkpointów uśrednia się lub interpoluje, tworząc pojedynczy model zamiast zespołu predykcji. Metody liniowe i sferyczne wybierają różne ścieżki między wagami, a walidacja sprawdza zachowanie połączonego punktu.",
   "how_en": "Compatible checkpoint parameters are averaged or interpolated into one model rather than a prediction ensemble. Linear and spherical methods choose different paths between weights, while validation assesses the resulting point's behaviour.",
   "limits": "Niezgodne reprezentacje lub odległe minima mogą dać słaby wynik mimo dobrych składowych. Wspólna inicjalizacja pomaga, ale nie gwarantuje sukcesu; współczynniki wymagają oceny na niezależnych danych.",
   "limits_en": "Incompatible representations or distant minima can produce poor results despite good components. Shared initialisation helps but cannot guarantee success; coefficients need evaluation on independent data.",
   "terms": [
    {
     "gloss": "Pojedynczy model uzyskany przez uśrednienie wag kilku dostrojonych checkpointów.",
     "term": "model soup"
    },
    {
     "gloss": "Łączenie kierunków wektorów wag po ścieżce na sferze.",
     "term": "interpolacja sferyczna"
    }
   ],
   "terms_en": [
    {
     "gloss": "A single model obtained by averaging several fine-tuned checkpoints' weights.",
     "term": "model soup"
    },
    {
     "gloss": "Combining weight-vector directions along a spherical path.",
     "term": "spherical interpolation"
    }
   ],
   "prereq": [
    "mathoptimization",
    "biasvariance"
   ],
   "keywords": [
    "model soups",
    "SLERP",
    "linear weight interpolation",
    "checkpoint averaging",
    "stochastic weight averaging",
    "mergekit"
   ],
   "source_ids": [
    "model-soups-2022",
    "mergekit-paper-2024"
   ],
   "url": "https://aiatlasgraph.com/t/weightaveraging",
   "markdown_url": "https://aiatlasgraph.com/t/weightaveraging.md",
   "updated": "2026-10-30"
  },
  "weightharnesscoevo": {
   "id": "weightharnesscoevo",
   "parent_id": "harnesslearning",
   "label": "Koewolucja modelu i uprzęży agenta",
   "canonical_name": "Weight-harness co-evolution",
   "aliases": [
    "Evo2",
    "proposer-reflector co-evolution",
    "weight harness joint training"
   ],
   "description": "Jedna polityka pełni role proposera i reflektora, a logi edycji uprzęży służą do treningu jej wag.",
   "description_en": "A single policy acts as proposer and reflector; harness edit logs train its weights.",
   "plain": "Model uczy się zarówno poprawiać program wokół siebie, jak i poprawiać siebie na podstawie tych poprawek.",
   "plain_en": "The model learns both to improve the program around itself and to improve itself from those improvements.",
   "solves": "Poprawa uprzęży i trening wag idą osobno, więc model nie uczy się lepiej proponować zmian.",
   "solves_en": "Harness improvements and weight training stay separate, so the model does not learn to propose better changes.",
   "does": "Proponuje edycje uprzęży, ocenia ich skutki i używa tych śladów do treningu obu ról.",
   "does_en": "It proposes harness edits, assesses their effects and uses those traces to train both roles.",
   "example": "Asystent do kodu poprawia sposób szukania plików. Logi tych prób służą do lepszego uczenia modelu, który te poprawki pisze.",
   "example_en": "A coding assistant improves how it searches files. Logs from those trials then train the model that writes the improvements.",
   "for_you": [
    "uprząż asystenta poprawia się, ale model w niej stoi w miejscu",
    "chcesz, by model uczył się z własnych zmian otoczenia",
    "ręczne strojenie uprzęży i wag zajmuje za dużo czasu"
   ],
   "for_you_en": [
    "the assistant's harness improves but the model inside stays the same",
    "want the model to learn from its own changes to the surroundings",
    "manual tuning of harness and weights takes too long"
   ],
   "how": "Polityka w roli proposera generuje edycje kodu uprzęży. W roli reflektora diagnozuje skutki i prowadzi rewizję. EvoTIDE odzyskuje trajektorie przez ekstrakcję edycji i kontynuację prefiksów, potem SFT i przeplatane GRPO trenuje obie role na wynikach wykonań.",
   "how_en": "The policy as proposer generates harness code edits. As reflector it diagnoses effects and guides revision. EvoTIDE recovers trajectories via edit extraction and prefix continuation, then SFT and interleaved GRPO train both roles on execution outcomes.",
   "limits": "Wymaga logów edycji z wynikami oraz wielu wykonań. Transfer uprzęży działa bez dalszej ewolucji na innych zadaniach, ale pełna koewolucja zależy od jakości feedbacku. Nie zastępuje oceny na zadaniach poza zbiorem treningowym.",
   "limits_en": "Requires edit logs with outcomes and many executions. Harness transfer works without further evolution on other tasks, but full co-evolution depends on feedback quality. It does not replace evaluation on tasks outside the training set.",
   "terms": [
    {
     "gloss": "Rola generująca edycje kodu uprzęży.",
     "term": "proposer"
    },
    {
     "gloss": "Rola diagnozująca skutki edycji i kierująca poprawkami.",
     "term": "reflektor"
    },
    {
     "gloss": "Pipeline odzyskujący trajektorie i łączący SFT z GRPO.",
     "term": "EvoTIDE"
    }
   ],
   "terms_en": [
    {
     "gloss": "Role that generates harness code edits.",
     "term": "proposer"
    },
    {
     "gloss": "Role that diagnoses edit effects and guides revisions.",
     "term": "reflector"
    },
    {
     "gloss": "Pipeline that recovers trajectories and combines SFT with GRPO.",
     "term": "EvoTIDE"
    }
   ],
   "keywords": [
    "weight-harness co-evolution",
    "Evo2",
    "proposer-reflector",
    "EvoTIDE",
    "interleaved GRPO",
    "harness edit training",
    "self-evolving agents"
   ],
   "source_ids": [
    "evo2-weightharness-2026"
   ],
   "url": "https://aiatlasgraph.com/t/weightharnesscoevo",
   "markdown_url": "https://aiatlasgraph.com/t/weightharnesscoevo.md",
   "updated": "2026-10-30"
  },
  "weightquant": {
   "id": "weightquant",
   "parent_id": "compression",
   "label": "Kwantyzacja samych wag",
   "canonical_name": "Weight-only quantization",
   "description": "Zapis wag w niskiej precyzji z kalibracją warstwa po warstwie, żeby utrzymać jakość przy 4 bitach i mniej.",
   "description_en": "Storing weights in low precision with layer-by-layer calibration to keep quality at 4 bits and below.",
   "examples": "absmax · zero-point · GPTQ · AWQ · EXL2",
   "examples_en": "absmax · zero-point · GPTQ · AWQ · EXL2",
   "plain": "To zapisywanie ustawień modelu mniej dokładnymi liczbami, żeby zajmowały mniej miejsca.",
   "plain_en": "This stores model parameters with lower-precision numbers so they occupy less space.",
   "solves": "Sam zapis ustawień modelu jest zbyt duży dla dostępnej pamięci.",
   "solves_en": "The model's parameter storage alone is too large for available memory.",
   "does": "Wartości zaokrągla się do mniejszej liczby poziomów, dobierając skalę na przykładach i sprawdzając wpływ na odpowiedzi.",
   "does_en": "Values are rounded to fewer levels, with scales calibrated on examples and effects on responses checked.",
   "example": "Pobierasz oszczędniej zapisany model, który mieści się na laptopie, i testujesz go na swoich pytaniach.",
   "example_en": "You download a compactly stored model that fits on a laptop and test it on your questions.",
   "for_you": [
    "ustawienia modelu zajmują zbyt dużo pamięci",
    "porównujesz różne poziomy dokładności zapisu"
   ],
   "for_you_en": [
    "find model parameters take too much memory",
    "compare different storage-precision levels"
   ],
   "how": "Zakres wag mapuje się na ograniczony zestaw wartości z przypisaną skalą, często osobno dla grup lub kanałów. Przy wykonaniu wagi rozkodowuje się albo używa zgodnych operatorów niskiej precyzji, a kalibracja ogranicza błąd wyjścia.",
   "how_en": "Weight ranges are mapped to restricted values with assigned scales, often by group or channel. Execution either decodes weights or uses compatible low-precision operators, while calibration limits output errors.",
   "limits": "Wartości odstające i niewłaściwe grupowanie zwiększają błąd. Oszczędność pamięci nie zapewnia przyspieszenia bez zgodnego kernela; różne warstwy oraz zadania mogą wymagać innych ustawień.",
   "limits_en": "Outliers and unsuitable grouping increase errors. Memory savings cannot guarantee acceleration without compatible kernels; layers and tasks can need different settings.",
   "terms": [
    {
     "gloss": "Współczynnik wiążący zakodowaną wartość z jej przybliżeniem liczbowym.",
     "term": "skala kwantyzacji"
    },
    {
     "gloss": "Fragment parametrów współdzielący ustawienia kodowania niskiej precyzji.",
     "term": "grupa wag"
    }
   ],
   "terms_en": [
    {
     "gloss": "A coefficient linking encoded values to numerical approximations.",
     "term": "quantisation scale"
    },
    {
     "gloss": "A parameter subset sharing low-precision encoding settings.",
     "term": "weight group"
    }
   ],
   "prereq": [
    "linearalgebra",
    "evalsets"
   ],
   "keywords": [
    "GPTQ",
    "AWQ",
    "EXL2",
    "absmax scaling",
    "zero points",
    "group size",
    "weight-only INT4"
   ],
   "source_ids": [
    "mlabonne-llm-course"
   ],
   "url": "https://aiatlasgraph.com/t/weightquant",
   "markdown_url": "https://aiatlasgraph.com/t/weightquant.md",
   "updated": "2026-10-30"
  },
  "wfc": {
   "id": "wfc",
   "parent_id": "pcg",
   "label": "Generowanie z lokalnych wzorów (Wave Function Collapse)",
   "canonical_name": "Wave Function Collapse and constraint-based generation",
   "aliases": [
    "Wave Function Collapse",
    "WFC",
    "model synthesis",
    "constraint-based PCG",
    "generowanie z ograniczeń",
    "kafelkowe generowanie map"
   ],
   "description": "Generowanie map i tekstur przez rozwiązywanie ograniczeń sąsiedztwa wyuczonych z przykładu lub zadanych listą kafelków, z wyborem komórek o najmniejszej entropii.",
   "description_en": "Generating maps and textures by solving neighbourhood constraints learned from an example or given as a tile list, collapsing the lowest-entropy cells first.",
   "plain": "Algorytm, który z małego przykładu mapy albo zestawu kafelków układa dużą, nową mapę zgodną z tym, co do czego pasuje.",
   "plain_en": "An algorithm that takes a small sample map or tile set and assembles a large new map where every piece fits its neighbours.",
   "solves": "Ręczne układanie tysięcy kafelków trwa wieki, a zwykłe losowanie daje drogi urwane w pół i ściany w środku rzek.",
   "solves_en": "Placing thousands of tiles by hand takes forever, and plain randomness gives roads that end abruptly and walls in rivers.",
   "does": "Jak składanie puzzli od najpewniejszego miejsca: kładziesz element, który pasuje najmniej sposobów, i od razu wykluczasz te, które przestały pasować obok.",
   "does_en": "Like doing a jigsaw from the surest spot: place the piece with the fewest options, then rule out neighbours that no longer fit.",
   "example": "Gra budowlana, w której dokładasz dom, a mury, mosty i schody wokół same dopasowują się do terenu.",
   "example_en": "A town-building game where you add a house and the walls, bridges and stairs around it fit themselves to the terrain.",
   "for_you": [
    "tworzysz mapy z kafelków albo pixel art",
    "chcesz generować świat zgodny z ręcznym stylem"
   ],
   "for_you_en": [
    "make tile maps or pixel art",
    "want to generate a world that keeps a hand-made style"
   ],
   "how": "Każda komórka startuje z listą wszystkich dozwolonych wzorów. Algorytm wybiera komórkę o najmniejszej entropii, losuje jej wzór z wagami częstości, a potem propaguje ograniczenia, usuwając niepasujące opcje u sąsiadów. Powtarza to, aż wszystko jest ustalone albo pojawi się sprzeczność wymagająca restartu lub cofania.",
   "how_en": "Each cell starts with a list of all allowed patterns. The algorithm picks the lowest-entropy cell, samples a pattern weighted by frequency, then propagates constraints by removing incompatible options from neighbours. It repeats until everything is set or a contradiction requires a restart or backtracking.",
   "limits": "Algorytm pilnuje tylko lokalnego sąsiedztwa, więc globalna struktura, np. jedna droga przez całą mapę, wymaga dodatkowych ograniczeń. Może utknąć w sprzeczności, a ogólny problem jest NP-trudny. Najlepiej działa na pixel arcie i mapach kafelkowych.",
   "limits_en": "It only enforces local neighbourhoods, so global structure, like one road across the map, needs extra constraints. It can hit contradictions, and the general problem is NP-hard. It works best on pixel art and tile maps.",
   "terms": [
    {
     "gloss": "Miara, ile różnych wzorów może jeszcze trafić w to miejsce.",
     "term": "entropia komórki"
    },
    {
     "gloss": "Usuwanie opcji u sąsiadów po każdym ustaleniu komórki.",
     "term": "propagacja ograniczeń"
    },
    {
     "gloss": "Komórka bez żadnej dozwolonej opcji; generowanie trzeba cofnąć.",
     "term": "sprzeczność"
    }
   ],
   "terms_en": [
    {
     "gloss": "How many patterns could still go in that spot.",
     "term": "cell entropy"
    },
    {
     "gloss": "Removing neighbours' options after each cell is fixed.",
     "term": "constraint propagation"
    },
    {
     "gloss": "A cell with no allowed option; generation must back up.",
     "term": "contradiction"
    }
   ],
   "prereq": [
    "csp"
   ],
   "keywords": [
    "Wave Function Collapse",
    "model synthesis",
    "constraint propagation",
    "tilemaps",
    "overlapping model",
    "simple tiled model",
    "answer set programming"
   ],
   "source_ids": [
    "mxgmn-wavefunctioncollapse"
   ],
   "url": "https://aiatlasgraph.com/t/wfc",
   "markdown_url": "https://aiatlasgraph.com/t/wfc.md",
   "updated": "2026-10-30"
  },
  "wgan": {
   "id": "wgan",
   "parent_id": "gan",
   "label": "Stabilne trenowanie GAN (odległość Wassersteina, kara gradientu)",
   "canonical_name": "Stable GAN training: Wasserstein loss and gradient penalty",
   "aliases": [
    "WGAN",
    "WGAN-GP",
    "Wasserstein GAN",
    "gradient penalty",
    "kara gradientu"
   ],
   "description": "Rodzina modyfikacji celu GAN, w której krytyk szacuje odległość Wassersteina między rozkładami, a ograniczenie Lipschitza wymusza kara gradientu.",
   "description_en": "A family of GAN objective changes where a critic estimates the Wasserstein distance between distributions, with the Lipschitz constraint enforced by a gradient penalty.",
   "plain": "Zestaw poprawek, dzięki którym rywalizujące sieci generujące uczą się spokojnie, zamiast się rozjeżdżać albo produkować w kółko to samo.",
   "plain_en": "A set of fixes that let competing generator networks learn steadily instead of falling apart or producing the same thing over and over.",
   "solves": "Trening sieci rywalizujących często się psuje: wyniki skaczą, nauka staje w miejscu, a generator powtarza kilka podobnych obrazów.",
   "solves_en": "Training competing networks often breaks down: results jump around, learning stalls and the generator keeps repeating a few similar images.",
   "does": "Sędzia zamiast mówić tylko „prawdziwe albo fałszywe”, podaje łagodną ocenę odległości, więc generator zawsze wie, w którą stronę się poprawić.",
   "does_en": "Instead of a bare real-or-fake verdict, the judge gives a smooth distance score, so the generator always knows which way to improve.",
   "example": "Zespół uczy model tworzenia zdjęć produktów do sklepu i po zmianie sposobu oceniania trening przestaje się sypać po kilku godzinach.",
   "example_en": "A team training a model to create shop product photos changes the scoring rule, and training stops collapsing after a few hours.",
   "for_you": [
    "twoje sieci rywalizujące uczą się niestabilnie",
    "chcesz zrozumieć, czemu generator powtarza te same obrazy"
   ],
   "for_you_en": [
    "your competing networks train unstably",
    "want to understand why a generator repeats the same images"
   ],
   "how": "Dyskryminator staje się krytykiem zwracającym liczbę zamiast prawdopodobieństwa; różnica jego średnich ocen dla danych i próbek przybliża odległość Wassersteina. Pierwotnie ograniczenie Lipschitza wymuszano przycinaniem wag; WGAN-GP zastępuje je karą, która pcha normę gradientu krytyka do 1 na punktach interpolowanych między danymi a próbkami.",
   "how_en": "The discriminator becomes a critic outputting a score instead of a probability; the gap between its mean scores on data and samples approximates the Wasserstein distance. The Lipschitz constraint was first enforced by weight clipping; WGAN-GP replaces it with a penalty pushing the critic's gradient norm towards 1 on points interpolated between data and samples.",
   "limits": "Kara gradientu wymaga obliczenia pochodnej krytyka względem interpolowanych wejść, co zwiększa koszt treningu. Stabilniejsza optymalizacja nie gwarantuje najlepszego wyniku dla każdej architektury ani każdego zbioru danych.",
   "limits_en": "The gradient penalty requires differentiating the critic with respect to interpolated inputs, increasing training cost. More stable optimisation does not guarantee the best result for every architecture or dataset.",
   "terms": [
    {
     "gloss": "Sieć oceniająca próbki liczbą, a nie werdyktem prawdziwe/fałszywe.",
     "term": "krytyk"
    },
    {
     "gloss": "Warunek, by wynik sieci nie zmieniał się zbyt gwałtownie przy małej zmianie wejścia.",
     "term": "ograniczenie Lipschitza"
    },
    {
     "gloss": "Pierwotny, prosty sposób wymuszania gładkości krytyka, powodujący kłopoty z treningiem.",
     "term": "przycinanie wag"
    }
   ],
   "terms_en": [
    {
     "gloss": "A network scoring samples with a number, not a real/fake verdict.",
     "term": "critic"
    },
    {
     "gloss": "A condition that the output changes only gently when the input changes slightly.",
     "term": "Lipschitz constraint"
    },
    {
     "gloss": "The original, simple way to keep the critic smooth, which hurt training.",
     "term": "weight clipping"
    }
   ],
   "prereq": [
    "backprop",
    "distributions"
   ],
   "keywords": [
    "WGAN-GP",
    "Wasserstein distance",
    "Earth Mover's distance",
    "Lipschitz constraint",
    "weight clipping",
    "gradient penalty",
    "critic network"
   ],
   "source_ids": [
    "gulrajani-wgangp-2017"
   ],
   "url": "https://aiatlasgraph.com/t/wgan",
   "markdown_url": "https://aiatlasgraph.com/t/wgan.md",
   "updated": "2026-10-30"
  },
  "wholebodycontrol": {
   "id": "wholebodycontrol",
   "parent_id": "humanoids",
   "label": "Sterowanie całym ciałem humanoida",
   "canonical_name": "Humanoid whole-body control",
   "aliases": [
    "whole-body control",
    "WBC",
    "humanoid control",
    "sterowanie całociałowe"
   ],
   "description": "Jednoczesne sterowanie wszystkimi stawami humanoida z priorytetami zadań i ograniczeniami kontaktu – przez optymalizację lub uczoną politykę.",
   "description_en": "Controlling all of a humanoid's joints at once with task priorities and contact constraints—via optimisation or a learned policy.",
   "plain": "Koordynowanie nóg, tułowia i rąk humanoida naraz, żeby mógł pracować rękami i nie stracić równowagi.",
   "plain_en": "Coordinating a humanoid's legs, torso and arms at once so it can work with its hands without losing balance.",
   "solves": "Gdy robot sięga po ciężki przedmiot, przesuwa się jego środek ciężkości; osobne sterowanie nogami i rękami kończy się upadkiem.",
   "solves_en": "When a robot reaches for something heavy its centre of mass shifts, and controlling legs and arms separately ends in a fall.",
   "does": "Działa jak dyrygent ciała: rozdziela pracę między dziesiątki stawów tak, by ręka sięgała, a stopy wciąż trzymały równowagę.",
   "does_en": "It acts as the body's conductor, sharing work among dozens of joints so a hand reaches while the feet still keep balance.",
   "example": "Humanoid pochyla się, podnosi z podłogi kosz z praniem i prostuje się, przesuwając ciężar ciała jak człowiek.",
   "example_en": "A humanoid bends, lifts a laundry basket off the floor and straightens up, shifting its weight like a person.",
   "for_you": [
    "programujesz humanoida, który ma pracować rękami",
    "oceniasz, czy humanoid poradzi sobie z cięższą pracą",
    "ciekawi cię, jak robot nie przewraca się przy sięganiu"
   ],
   "for_you_en": [
    "program a humanoid that must work with its hands",
    "judge whether a humanoid can handle heavier work",
    "wonder how a robot avoids tipping over while reaching"
   ],
   "how": "Podejścia modelowe rozwiązują w każdym cyklu zadanie optymalizacji, które łączy cele ruchu rąk i tułowia z ograniczeniami kontaktu stóp, tarcia i napędów. Podejścia uczone trenują politykę RL śledzącą zadane ruchy całego ciała, np. z nagrań ludzi, i przenoszą ją z symulacji.",
   "how_en": "Model-based approaches solve an optimisation at each cycle, combining hand and torso motion goals with foot-contact, friction and actuator constraints. Learning-based approaches train an RL policy to track whole-body motion targets, for example from human recordings, and transfer it from simulation.",
   "limits": "Optymalizacja wymaga dokładnego modelu dynamiki i szybkiego solvera. Polityki uczone bywają nieprzewidywalne poza zakresem treningu i trudno je certyfikować. Duże obciążenia i nieoczekiwane kontakty wciąż prowadzą do upadków.",
   "limits_en": "Optimisation needs an accurate dynamics model and a fast solver. Learned policies can be unpredictable outside their training range and are hard to certify. Heavy loads and unexpected contacts still cause falls.",
   "terms": [
    {
     "gloss": "Wspólne dobieranie ruchów wielu stawów z uwzględnieniem celów i ograniczeń kontaktu.",
     "term": "optymalizacja całego ciała"
    },
    {
     "gloss": "Kolejność ważności celów, np. równowaga przed ruchem ręki.",
     "term": "hierarchia zadań"
    },
    {
     "gloss": "Punkt, wokół którego rozłożony jest ciężar robota.",
     "term": "środek masy"
    }
   ],
   "terms_en": [
    {
     "gloss": "Jointly choosing many joints' motions while respecting goals and contact constraints.",
     "term": "whole-body optimisation"
    },
    {
     "gloss": "An order of goal importance, e.g. balance before arm motion.",
     "term": "task hierarchy"
    },
    {
     "gloss": "The point around which the robot's weight is distributed.",
     "term": "centre of mass"
    }
   ],
   "prereq": [
    "mathoptimization",
    "ppo"
   ],
   "keywords": [
    "whole-body control",
    "task-space control",
    "contact constraints",
    "motion tracking",
    "reinforcement learning",
    "sim-to-real"
   ],
   "source_ids": [
    "humanoid-hlm-survey-2026",
    "h2o-2024"
   ],
   "url": "https://aiatlasgraph.com/t/wholebodycontrol",
   "markdown_url": "https://aiatlasgraph.com/t/wholebodycontrol.md",
   "updated": "2026-10-30"
  },
  "wildfiremonitoring": {
   "id": "wildfiremonitoring",
   "parent_id": "eoapps",
   "label": "Prognozowanie rozprzestrzeniania pożaru na kolejny dzień",
   "canonical_name": "Next-day wildfire spread prediction",
   "aliases": [
    "wildfire spread prediction",
    "next-day wildfire spread",
    "prognozowanie rozprzestrzeniania pożaru"
   ],
   "description": "Prognozowanie maski pożaru na kolejny dzień z bieżącego zasięgu ognia oraz danych pogodowych, terenowych i o roślinności.",
   "description_en": "Forecasting the next-day fire mask from the current fire extent plus weather, terrain and vegetation data.",
   "plain": "Przewidywanie, dokąd pożar może rozprzestrzenić się następnego dnia, z bieżącej mapy ognia i warunków otoczenia.",
   "plain_en": "Predicting where a wildfire may spread the next day from its current map and surrounding conditions.",
   "solves": "Strażacy muszą decydować, kogo ewakuować i gdzie wysłać sprzęt, zanim wiadomo, w którą stronę ruszy ogień.",
   "solves_en": "Firefighters must decide whom to evacuate and where to send equipment before anyone knows which way the fire will move.",
   "does": "Łączy obecny zasięg ognia z wiatrem, suszą i rodzajem roślinności, jak doświadczony leśnik, który patrzy na teren i czuje kierunek wiatru.",
   "does_en": "Combines the current fire outline with wind, drought and vegetation, like a seasoned ranger reading the terrain and the wind.",
   "example": "Mieszkańcy wsi pod lasem dostają ostrzeżenie, że jutro pożar może dotrzeć do ich drogi dojazdowej.",
   "example_en": "Villagers near a forest get a warning that tomorrow the fire may reach their access road.",
   "for_you": [
    "mieszkasz w pobliżu lasów w suchym klimacie",
    "pracujesz w ochronie przeciwpożarowej lub leśnictwie"
   ],
   "for_you_en": [
    "live near forests in a dry climate",
    "work in fire protection or forestry"
   ],
   "how": "Bieżąca maska pożaru oraz rastry rzeźby terenu, wiatru, temperatury, wilgotności, opadu, suszy, roślinności i innych zmiennych są kanałami wejściowymi sieci konwolucyjnej, która przewiduje maskę ognia następnego dnia.",
   "how_en": "The current fire mask and rasters of terrain, wind, temperature, humidity, precipitation, drought, vegetation and other variables are input channels to a convolutional network that predicts the next day's fire mask.",
   "limits": "Dane o ogniu mają rozdzielczość rzędu kilometra i przychodzą raz dziennie, więc nie nadają się do taktyki na miejscu. Lokalny wiatr jest gorzej znany niż w modelach pogody. Wypalanie kontrolowane bywa mylone z pożarem.",
   "limits_en": "Fire data are kilometre-scale and daily, too coarse for on-site tactics. Local winds are poorly captured by weather models. Prescribed burns can be confused with wildfires.",
   "terms": [
    {
     "gloss": "mapa pikseli oznaczających bieżący lub przewidywany zasięg ognia",
     "term": "fire mask"
    },
    {
     "gloss": "przewidywany zasięg pożaru w następnym dniu",
     "term": "next-day spread"
    }
   ],
   "terms_en": [
    {
     "gloss": "map of pixels marking the current or predicted fire extent",
     "term": "fire mask"
    },
    {
     "gloss": "predicted wildfire extent on the following day",
     "term": "next-day spread"
    }
   ],
   "prereq": [
    "semanticseg",
    "timeseries"
   ],
   "keywords": [
    "Next Day Wildfire Spread",
    "MODIS",
    "fire weather index",
    "convolutional autoencoder",
    "ERC"
   ],
   "source_ids": [
    "next-day-wildfire-spread-2021"
   ],
   "url": "https://aiatlasgraph.com/t/wildfiremonitoring",
   "markdown_url": "https://aiatlasgraph.com/t/wildfiremonitoring.md",
   "updated": "2026-10-30"
  },
  "wordembeddings": {
   "id": "wordembeddings",
   "parent_id": "representations",
   "label": "Osadzenia słów (word2vec, GloVe)",
   "canonical_name": "Word embeddings (word2vec, GloVe)",
   "aliases": [
    "word embeddings",
    "osadzenia słów",
    "word vectors",
    "word2vec",
    "GloVe"
   ],
   "description": "Statyczne wektory przypisane słowom, uczone z regularności ich występowania w kontekście, tak aby podobne użycia miały zbliżone reprezentacje. word2vec i GloVe były ważnym etapem rozwoju reprezentacji tekstu; pojedynczy wektor dla słowa nie rozróżnia jego znaczeń zależnych od konkretnego kontekstu.",
   "description_en": "Static vectors assigned to words and learned from regularities in their contexts, so that similar uses receive nearby representations. word2vec and GloVe were important steps in the development of text representations; a single vector per word does not distinguish meanings that depend on the particular context.",
   "examples": "word2vec · GloVe · statyczne reprezentacje słów",
   "examples_en": "word2vec · GloVe · static word representations",
   "plain": "To przypisanie słowom stałych zestawów liczb, które odzwierciedlają podobieństwa ich użycia.",
   "plain_en": "This gives words fixed numerical representations that reflect similarities in how they are used.",
   "solves": "Prosta lista słów nie pokazuje, że różne wyrazy bywają używane w podobnych sytuacjach.",
   "solves_en": "A simple word list does not show that different words can appear in similar situations.",
   "does": "Model uczy się z sąsiedztwa słów, zbliżając podobnie używane wyrazy; jeden stały zapis nie rozróżnia znaczeń zależnych od zdania.",
   "does_en": "A model learns from neighbouring words, bringing similarly used words closer; one fixed representation cannot distinguish meanings that depend on the sentence.",
   "example": "Porównujesz zapis słów o jedzeniu, żeby znaleźć wyrazy podobne do słowa „obiad”.",
   "example_en": "You compare representations of food-related words to find terms similar to “dinner”.",
   "for_you": [
    "poznajesz wcześniejsze sposoby modelowania języka",
    "potrzebujesz liczbowych podobieństw między słowami"
   ],
   "for_you_en": [
    "study earlier approaches to language modelling",
    "need numerical similarities between words"
   ],
   "how": "Wektor słowa dopasowuje się do przewidywania sąsiedztwa lub statystyk współwystępowania w korpusie. Współdzielone użycia wpływają na położenie wektorów, ale odczyt reprezentacji pozostaje taki sam niezależnie od kontekstu konkretnej wypowiedzi.",
   "how_en": "A word vector is fitted to predict neighbouring words or corpus co-occurrence statistics. Shared usages shape vector positions, but the retrieved representation stays the same regardless of a particular utterance's context.",
   "limits": "Jeden wektor miesza różne znaczenia słowa i odzwierciedla uprzedzenia korpusu. Rzadkie lub nieznane słowa wymagają dodatkowej obsługi; proste analogie nie gwarantują semantycznej poprawności.",
   "limits_en": "One vector mixes word senses and reflects corpus biases. Rare or unknown words need additional handling; simple analogies do not guarantee semantic correctness.",
   "terms": [
    {
     "gloss": "Pojawianie się słów w tych samych lokalnych kontekstach korpusu.",
     "term": "współwystępowanie"
    },
    {
     "gloss": "Uczenie odróżniania obserwowanych par od losowanych par niedopasowanych.",
     "term": "negative sampling"
    }
   ],
   "terms_en": [
    {
     "gloss": "Words appearing in the same local corpus contexts.",
     "term": "co-occurrence"
    },
    {
     "gloss": "Learning to distinguish observed pairs from sampled mismatched pairs.",
     "term": "negative sampling"
    }
   ],
   "prereq": [
    "tokenization",
    "probability"
   ],
   "keywords": [
    "word2vec",
    "GloVe",
    "CBOW",
    "skip-gram",
    "negative sampling",
    "co-occurrence matrices",
    "fastText"
   ],
   "source_ids": [
    "word2vec-2013",
    "glove-2014"
   ],
   "url": "https://aiatlasgraph.com/t/wordembeddings",
   "markdown_url": "https://aiatlasgraph.com/t/wordembeddings.md",
   "updated": "2026-10-30"
  },
  "workflowredesign": {
   "id": "workflowredesign",
   "parent_id": "adoption",
   "label": "Przeprojektowanie procesów pracy pod AI",
   "canonical_name": "Workflow redesign for AI",
   "description": "Zmiana sposobu wykonywania pracy — kolejności kroków, ról i punktów kontroli — zamiast tylko doklejania AI do starego procesu; według badań rynku główna różnica między firmami z efektem a resztą.",
   "description_en": "Changing how work is done — step order, roles and checkpoints — instead of bolting AI onto the old process; industry surveys name it the main difference between firms seeing impact and the rest.",
   "examples": "mapowanie procesu · nowe punkty akceptacji · skalowanie od pilota do całej firmy",
   "examples_en": "process mapping · new approval checkpoints · scaling from pilot to the whole company",
   "plain": "To zmienianie kolejności zadań, podziału pracy i kontroli, żeby wykorzystać możliwości modelu.",
   "plain_en": "This changes task order, responsibilities and checks to make use of a model's capabilities.",
   "solves": "Nowe narzędzie doklejone do starego procesu może tworzyć dodatkowe kroki zamiast usuwać istniejący kłopot.",
   "solves_en": "A new tool attached to an old process can add steps instead of removing the existing problem.",
   "does": "Przegląda cały przebieg pracy, zmienia zadania i punkty przekazania oraz ustala, gdzie człowiek sprawdza lub zatwierdza wynik.",
   "does_en": "It reviews the whole workflow, changes tasks and handovers and defines where a person checks or approves results.",
   "example": "Zamiast ręcznie przepisywać zgłoszenia, zespół sprawdza wstępnie uzupełnione dane i od razu przechodzi do rozwiązania sprawy.",
   "example_en": "Instead of copying incoming cases manually, a team checks prefilled information and moves directly to resolving the case.",
   "for_you": [
    "narzędzie dodaje pracę bez wyraźnej poprawy procesu",
    "chcesz zmienić kroki i miejsca sprawdzania wyników"
   ],
   "for_you_en": [
    "find that a tool adds work without improving the process",
    "want to change steps and where results are checked"
   ],
   "how": "Mapuje się przepływ informacji, decyzji i przekazań pracy, a następnie zmienia kolejność oraz odpowiedzialność etapów. Model otrzymuje jasno określony fragment procesu, zaś kontrole i ścieżki wyjątków uzgadniają jego wynik z dalszą pracą.",
   "how_en": "Information flow, decisions and handoffs are mapped before changing stage order and ownership. A model receives a clearly defined workflow portion, while checks and exception paths reconcile its output with subsequent work.",
   "limits": "Przyspieszenie etapu może zwiększyć kolejkę lub kontrolę gdzie indziej. Zmiana ról wymaga uzgodnienia i uczenia; brak obsługi wyjątków przenosi nieprzewidziane zadania na ludzi.",
   "limits_en": "Speeding one stage can increase queues or review elsewhere. Role changes need agreement and learning; missing exception handling shifts unexpected tasks to people.",
   "terms": [
    {
     "gloss": "Przejście zadania i jego kontekstu między osobami lub modułami.",
     "term": "przekazanie pracy"
    },
    {
     "gloss": "Etap ograniczający przepustowość całego procesu.",
     "term": "wąskie gardło"
    }
   ],
   "terms_en": [
    {
     "gloss": "Transferring a task and its context between people or modules.",
     "term": "handoff"
    },
    {
     "gloss": "A stage limiting the throughput of the whole workflow.",
     "term": "bottleneck"
    }
   ],
   "prereq": [
    "workflows",
    "agenteval"
   ],
   "keywords": [
    "process mapping",
    "BPMN",
    "handoff analysis",
    "bottleneck analysis",
    "approval gates",
    "pilot-to-scale transition"
   ],
   "source_ids": [
    "mckinsey-state-of-ai-2026"
   ],
   "url": "https://aiatlasgraph.com/t/workflowredesign",
   "markdown_url": "https://aiatlasgraph.com/t/workflowredesign.md",
   "updated": "2026-10-30"
  },
  "workflows": {
   "id": "workflows",
   "parent_id": "applications",
   "label": "Workflow i udział człowieka",
   "canonical_name": "Workflows and human-in-the-loop",
   "description": "Łączenie przewidywalnych etapów z decyzjami modelu i człowieka.",
   "description_en": "Combining predictable stages with model and human decisions.",
   "examples": "Automatyzacja · akceptacje · wznowienia",
   "examples_en": "Automation · approvals · resumes",
   "plain": "To układanie pracy w kolejne etapy, w których asystent i człowiek mają określone zadania.",
   "plain_en": "This organises work into stages with defined tasks for an assistant and a person.",
   "solves": "Sprawa utknie albo pójdzie dalej zbyt wcześnie, jeśli nie wiadomo, jaki krok jest następny i kto ma go zaakceptować.",
   "solves_en": "Work stalls or moves ahead too soon when nobody knows the next step or who needs to approve it.",
   "does": "System przekazuje wyniki do następnego etapu, a w wybranych miejscach zatrzymuje pracę do decyzji człowieka.",
   "does_en": "The system passes results to the next stage and pauses at chosen points until a person makes a decision.",
   "example": "Asystent przygotowuje odpowiedź na reklamację, ty ją poprawiasz i zatwierdzasz, a system dopiero wtedy ją wysyła.",
   "example_en": "An assistant drafts a complaint reply, you edit and approve it, and only then does the system send it.",
   "for_you": [
    "chcesz decydować przed wysłaniem lub zapisaniem wyniku",
    "zadanie ma ustaloną kolejność i wymaga akceptacji"
   ],
   "for_you_en": [
    "want to decide before a result is sent or saved",
    "have tasks with a fixed sequence and approval steps"
   ],
   "how": "Proces opisuje się jako etapy i przejścia sterowane wynikami, regułami lub akceptacją człowieka. Silnik wykonania zapisuje stan, uruchamia modele i funkcje oraz wznawia proces po oczekiwaniu lub błędzie.",
   "how_en": "A process is described as stages and transitions controlled by outputs, rules or human approval. An execution engine records state, runs models and functions and resumes the process after waiting or an error.",
   "limits": "Stały przebieg słabo obsługuje nieprzewidziane przypadki, a ręczna akceptacja może blokować kolejkę. Ponowienia wymagają idempotencji, a wznowienie po zmianie kodu wymaga zgodności zapisanego stanu.",
   "limits_en": "Fixed paths handle unexpected cases poorly, and manual approval can block queues. Retries require idempotency, while resuming after code changes requires compatible stored state.",
   "terms": [
    {
     "gloss": "Zmiana etapu procesu po spełnieniu określonego warunku.",
     "term": "przejście stanu"
    },
    {
     "gloss": "Miejsce zatrzymania procesu do czasu decyzji człowieka lub walidatora.",
     "term": "bramka akceptacji"
    },
    {
     "gloss": "Kontynuacja procesu z zapisanego stanu po przerwie.",
     "term": "wznowienie"
    }
   ],
   "terms_en": [
    {
     "gloss": "A change of process stage when a specified condition is met.",
     "term": "state transition"
    },
    {
     "gloss": "A point pausing a process until human or validator approval.",
     "term": "approval gate"
    },
    {
     "gloss": "Continuing a process from stored state after an interruption.",
     "term": "resumption"
    }
   ],
   "prereq": [
    "evalsets"
   ],
   "keywords": [
    "human approval gates",
    "durable execution",
    "state machines",
    "checkpointing",
    "interrupt and resume",
    "DAG",
    "retry policies",
    "idempotency"
   ],
   "source_ids": [
    "agents",
    "bootcamp",
    "dlai",
    "machina-x-agents"
   ],
   "url": "https://aiatlasgraph.com/t/workflows",
   "markdown_url": "https://aiatlasgraph.com/t/workflows.md",
   "updated": "2026-10-30"
  },
  "worldfoundation": {
   "id": "worldfoundation",
   "parent_id": "modelbased",
   "label": "Generatywne modele świata dla agentów i robotów",
   "canonical_name": "Generative world models for agents and robotics",
   "description": "Modele generujące lub przewidujące przebieg środowiska, czasem warunkowane działaniami użytkownika albo agenta. Mogą tworzyć interaktywne środowiska lub służyć jako baza symulacji do trenowania i testowania systemów autonomicznych.",
   "description_en": "Models that generate or predict how an environment evolves, sometimes conditioned on user or agent actions. They can create interactive environments or provide simulation foundations for training and testing autonomous systems.",
   "examples": "Genie 3 · NVIDIA Cosmos · interaktywne środowiska · modele świata warunkowane akcją",
   "examples_en": "Genie 3 · NVIDIA Cosmos · interactive environments · action-conditioned world models",
   "plain": "To modele tworzące lub przewidujące otoczenia, w których programy mogą ćwiczyć i sprawdzać działania.",
   "plain_en": "These models generate or predict environments where programs can practise and test actions.",
   "solves": "Zbieranie wielu różnych sytuacji w prawdziwym świecie jest kosztowne, a przygotowanie ich ręcznej symulacji wymaga pracy.",
   "solves_en": "Collecting varied real situations is costly, while building simulations of them by hand takes work.",
   "does": "Uczy się wzorców zmian otoczenia i generuje dalszy przebieg, czasem reagując na wybrane działania; zgodność z rzeczywistą fizyką wymaga sprawdzenia.",
   "does_en": "It learns environmental change patterns and generates continuations, sometimes conditioned on actions; agreement with real physics needs checking.",
   "example": "Tworzysz wirtualne sceny magazynu do prób nawigacji, a potem sprawdzasz, czy wyuczone zachowanie działa także w rzeczywistych warunkach.",
   "example_en": "You create virtual warehouse scenes for navigation trials, then check whether the learned behaviour also works in real conditions.",
   "for_you": [
    "potrzebujesz wielu zróżnicowanych sytuacji do prób",
    "chcesz generować otoczenia reagujące na działania"
   ],
   "for_you_en": [
    "need varied situations for testing",
    "want to generate environments responding to actions"
   ],
   "how": "Model uczy zależności przestrzennych i czasowych z sekwencji obserwacji, często z dodatkowymi warunkami. Generowanie kolejnych fragmentów środowiska lub predykcja skutków akcji dostarcza materiału do symulacji, planowania i dalszej adaptacji.",
   "how_en": "The model learns spatial and temporal dependencies from observation sequences, often with additional conditions. Generating subsequent environment segments or predicting action effects supplies material for simulation, planning and further adaptation.",
   "limits": "Wiarygodny obraz nie dowodzi poprawnej fizyki ani przyczynowości. Długie sekwencje mogą tracić spójność; użycie do sterowania wymaga osobnej oceny reakcji na działania.",
   "limits_en": "Plausible imagery does not prove correct physics or causality. Long sequences can lose consistency; control use requires separate evaluation of responses to actions.",
   "terms": [
    {
     "gloss": "Uwzględnianie działania jako wejścia wpływającego na prognozę środowiska.",
     "term": "warunkowanie akcją"
    },
    {
     "gloss": "Zachowanie zgodnych własności obiektów i zdarzeń w kolejnych obserwacjach.",
     "term": "spójność czasowa"
    }
   ],
   "terms_en": [
    {
     "gloss": "Including an action as input influencing an environment prediction.",
     "term": "action conditioning"
    },
    {
     "gloss": "Maintaining consistent object and event properties across successive observations.",
     "term": "temporal consistency"
    }
   ],
   "prereq": [
    "generative",
    "mdp"
   ],
   "keywords": [
    "Genie 3",
    "NVIDIA Cosmos",
    "action-conditioned generation",
    "interactive simulation",
    "temporal consistency",
    "GAIA-1"
   ],
   "source_ids": [
    "cosmos-wfm-2025",
    "genie3-blog-2025",
    "gaia1-2023"
   ],
   "url": "https://aiatlasgraph.com/t/worldfoundation",
   "markdown_url": "https://aiatlasgraph.com/t/worldfoundation.md",
   "updated": "2026-10-30"
  },
  "xbrltagging": {
   "id": "xbrltagging",
   "parent_id": "finnlp",
   "label": "Automatyczne tagowanie liczb w sprawozdaniach (XBRL)",
   "canonical_name": "XBRL tagging of financial filings",
   "aliases": [
    "XBRL tagging",
    "financial numeric entity recognition",
    "iXBRL",
    "ESEF tagging",
    "tagowanie XBRL"
   ],
   "description": "Rozpoznawanie encji liczbowych w sprawozdaniach i przypisywanie im znaczników taksonomii XBRL, z setkami typów zależnych od kontekstu.",
   "description_en": "Numeric entity recognition in filings, assigning XBRL taxonomy tags with hundreds of context-dependent types.",
   "plain": "Automatyczne oznaczanie każdej liczby w raporcie spółki, co ona znaczy, np. przychód, zysk czy liczba akcji.",
   "plain_en": "Automatically marking what each number in a company report means, such as revenue, profit or share count.",
   "solves": "Spółki giełdowe muszą oznaczać tysiące liczb w raportach standardowymi etykietami, a robienie tego ręcznie jest wolne, drogie i podatne na błędy.",
   "solves_en": "Listed companies must tag thousands of numbers in reports with standard labels, and doing it by hand is slow, costly and error-prone.",
   "does": "Czyta zdanie wokół liczby jak księgowy, bo sama liczba „12,5” nic nie mówi, dopiero kontekst zdradza, czy to dług, czy dywidenda.",
   "does_en": "Reads the sentence around a number like an accountant, since '12.5' alone says nothing; only context reveals debt or dividend.",
   "example": "Dział finansowy wgrywa roczne sprawozdanie, a program podpowiada etykiety dla wszystkich kwot, które księgowi tylko zatwierdzają lub poprawiają.",
   "example_en": "The finance team uploads the annual report, and software suggests tags for every amount, which accountants just approve or fix.",
   "for_you": [
    "przygotowujesz sprawozdania spółki giełdowej",
    "budujesz bazy danych z raportów finansowych"
   ],
   "for_you_en": [
    "prepare reports for a listed company",
    "build databases from financial filings"
   ],
   "how": "Zadanie traktuje się jak rozpoznawanie encji: model oznacza tokeny liczbowe jednym z wielu znaczników (w zbiorze FiNER-139 jest ich 139 na ok. 1,1 mln zdań). Ponieważ znaczenie zależy od kontekstu, a tokenizacja podsłowowa rozbija liczby, pomaga zastępowanie liczb pseudotokenami opisującymi ich kształt lub wielkość oraz pretrening na sprawozdaniach.",
   "how_en": "The task is framed as entity recognition: the model labels numeric tokens with one of many tags (FiNER-139 has 139 over about 1.1 million sentences). Since meaning depends on context and subword tokenisation fragments numbers, replacing numbers with pseudo-tokens for their shape or magnitude and pretraining on filings help.",
   "limits": "Taksonomie obejmują tysiące znaczników, więc wiele z nich ma bardzo mało przykładów. Błędne otagowanie trafia do publicznych baz i rozkłada się na analizy inwestorów. Taksonomie zmieniają się co roku i między jurysdykcjami.",
   "limits_en": "Taxonomies span thousands of tags, so many have very few examples. Wrong tags flow into public databases and investors' analyses. Taxonomies change yearly and across jurisdictions.",
   "terms": [
    {
     "gloss": "Standard znakowania danych finansowych do odczytu maszynowego.",
     "term": "XBRL"
    },
    {
     "gloss": "Rozpoznawanie i klasyfikowanie fragmentów tekstu, np. nazw lub kwot.",
     "term": "NER"
    },
    {
     "gloss": "Zastępczy symbol liczby opisujący jej kształt zamiast cyfr.",
     "term": "pseudotoken"
    }
   ],
   "terms_en": [
    {
     "gloss": "A standard for tagging financial data for machine reading.",
     "term": "XBRL"
    },
    {
     "gloss": "Finding and classifying text spans, such as names or amounts.",
     "term": "NER"
    },
    {
     "gloss": "A stand-in symbol describing a number's shape instead of digits.",
     "term": "pseudo-token"
    }
   ],
   "prereq": [
    "infoextraction",
    "tokenization"
   ],
   "keywords": [
    "FiNER-139",
    "inline XBRL",
    "ESEF",
    "SEC EDGAR",
    "named entity recognition",
    "numeric tokenization",
    "SEC-BERT",
    "US GAAP taxonomy"
   ],
   "source_ids": [
    "finer-xbrl-2022"
   ],
   "url": "https://aiatlasgraph.com/t/xbrltagging",
   "markdown_url": "https://aiatlasgraph.com/t/xbrltagging.md",
   "updated": "2026-10-30"
  },
  "zeroshotclassification": {
   "id": "zeroshotclassification",
   "parent_id": "textclassification",
   "label": "Klasyfikacja tekstu bez przykładów (zero-shot)",
   "canonical_name": "Zero-shot text classification",
   "aliases": [
    "zero-shot text classification",
    "zero-shot classification",
    "klasyfikacja zero-shot"
   ],
   "description": "Przypisywanie tekstom etykiet niewidzianych w treningu, zwykle przez przeformułowanie klas na hipotezy NLI lub prompt dla LLM.",
   "description_en": "Assigning texts labels unseen in training, usually by recasting classes as NLI hypotheses or as an LLM prompt.",
   "plain": "Wpisujesz własne nazwy kategorii, a model od razu przydziela do nich teksty, bez przygotowanych wcześniej przykładów.",
   "plain_en": "You type your own category names and the model sorts texts into them right away, with no prepared examples.",
   "solves": "Zebranie i opisanie tysięcy przykładów do każdej nowej kategorii trwa tygodnie, a kategorie ciągle się zmieniają.",
   "solves_en": "Collecting and labelling thousands of examples for every new category takes weeks, and categories keep changing.",
   "does": "Zamienia każdą kategorię w zdanie typu „ten tekst jest o reklamacji” i sprawdza, które najlepiej pasuje.",
   "does_en": "It turns each category into a sentence like 'this text is about a complaint' and checks which fits best.",
   "example": "Mała firma od razu sortuje maile od klientów na „zwrot”, „faktura” i „pytanie o dostawę”, zmieniając kategorie z dnia na dzień.",
   "example_en": "A small shop sorts customer emails into 'return', 'invoice' and 'delivery question' at once, changing categories from day to day.",
   "for_you": [
    "masz teksty do posegregowania, ale brak przykładów",
    "często zmieniasz listę kategorii",
    "duży model jest dla ciebie za drogi"
   ],
   "for_you_en": [
    "have texts to sort but no labelled examples",
    "change your category list often",
    "find a large model too costly"
   ],
   "how": "W wariancie opartym na NLI model przekształca nazwę klasy w hipotezę, np. „Ten tekst dotyczy sportu”, i ocenia jej wynikanie z tekstu wejściowego. Każda etykieta jest oceniana osobno, dzięki czemu klasy można zmieniać bez ponownego trenowania klasyfikatora.",
   "how_en": "In the NLI-based variant, the model turns a class label into a hypothesis such as “This text is about sports” and scores whether it follows from the input text. Each label is evaluated separately, so the class set can change without retraining the classifier.",
   "limits": "Wynik zależy od sformułowania etykiety i szablonu hipotezy. Osobne ocenianie każdej klasy zwiększa koszt wraz z liczbą etykiet, a badanie uniwersalnych klasyfikatorów NLI nie ustanawia niezawodności dla dowolnej domeny i języka.",
   "limits_en": "Results depend on label wording and the hypothesis template. Scoring every class separately increases cost with the number of labels, and the universal NLI-classifier study does not establish reliability for every domain and language.",
   "terms": [
    {
     "gloss": "Zapisanie kategorii jako zdania, które model może ocenić.",
     "term": "label verbalisation"
    },
    {
     "gloss": "Jeden model obsługujący wiele zadań klasyfikacji bez dotrenowania.",
     "term": "universal classifier"
    },
    {
     "gloss": "Wariant z kilkoma przykładami na klasę.",
     "term": "few-shot"
    }
   ],
   "terms_en": [
    {
     "gloss": "Writing a category as a sentence the model can score.",
     "term": "label verbalisation"
    },
    {
     "gloss": "One model handling many classification tasks without retraining.",
     "term": "universal classifier"
    },
    {
     "gloss": "A variant with a handful of examples per class.",
     "term": "few-shot"
    }
   ],
   "prereq": [
    "nli"
   ],
   "keywords": [
    "zero-shot text classification",
    "NLI classification",
    "label verbalization",
    "hypothesis template",
    "DeBERTa-v3",
    "universal classifier",
    "cross-encoder",
    "dynamic label set"
   ],
   "source_ids": [
    "laurer-2023-nli-universal-classifiers"
   ],
   "url": "https://aiatlasgraph.com/t/zeroshotclassification",
   "markdown_url": "https://aiatlasgraph.com/t/zeroshotclassification.md",
   "updated": "2026-10-30"
  },
  "zeroshotcot": {
   "id": "zeroshotcot",
   "parent_id": "cot",
   "label": "„Pomyśl krok po kroku” bez przykładów",
   "canonical_name": "Zero-shot chain-of-thought",
   "description": "Zamiast przykładów wystarcza krótka instrukcja typu „Let's think step by step”, która skłania model do rozpisania rozumowania.",
   "description_en": "Instead of examples, a short instruction such as “Let's think step by step” makes the model write out its reasoning.",
   "examples": "„Let's think step by step” · „pomyśl krok po kroku”",
   "examples_en": "“Let's think step by step”",
   "plain": "To proszenie modelu o rozwiązanie krok po kroku bez wcześniejszego pokazywania przykładów.",
   "plain_en": "This asks a model to solve a task step by step without showing examples first.",
   "solves": "Chcesz bardziej uporządkowanej odpowiedzi, ale nie masz gotowych przykładów rozwiązania podobnego zadania.",
   "solves_en": "You want a more structured answer but have no prepared examples of similar worked tasks.",
   "does": "Krótka instrukcja zmienia sposób generowania odpowiedzi, zachęcając do etapów pośrednich; jej skuteczność zależy od modelu i zadania.",
   "does_en": "A brief instruction changes response generation by encouraging intermediate steps; its effectiveness depends on the model and task.",
   "example": "Pytając o liczbę pudełek potrzebnych do przeprowadzki, prosisz o kolejne kroki obliczenia zamiast samego wyniku.",
   "example_en": "When asking how many moving boxes you need, you request the calculation steps rather than just the result.",
   "for_you": [
    "nie masz rozwiązanych przykładów pod ręką",
    "sprawdzasz wpływ instrukcji na odpowiedź"
   ],
   "for_you_en": [
    "have no worked examples at hand",
    "test how instructions affect responses"
   ],
   "how": "Instrukcja rozpisania kroków zmienia format generowania bez demonstracji przykładowych rozwiązań. Powstały ślad służy jako dodatkowy kontekst do wyprowadzenia odpowiedzi, czasem w osobnym kolejnym przebiegu.",
   "how_en": "An instruction to work through steps changes generation format without solution demonstrations. The resulting trace provides additional context for deriving an answer, sometimes in a separate subsequent pass.",
   "limits": "Krótka instrukcja nie zapewnia umiejętności ani wiarygodnego sprawdzania. Wyniki zależą od modelu i zadania; wygenerowane kroki mogą dodawać pozorną pewność do błędnej odpowiedzi.",
   "limits_en": "A short instruction cannot provide skills or reliable checking. Results depend on model and task; generated steps can add apparent confidence to incorrect answers.",
   "terms": [
    {
     "gloss": "Wykonanie zadania bez przykładowych rozwiązań w bieżącym kontekście.",
     "term": "zero-shot"
    },
    {
     "gloss": "Wydzielenie wyniku końcowego z wygenerowanego śladu rozwiązania.",
     "term": "ekstrakcja odpowiedzi"
    }
   ],
   "terms_en": [
    {
     "gloss": "Performing a task without solution examples in the current context.",
     "term": "zero-shot"
    },
    {
     "gloss": "Separating the final result from a generated solution trace.",
     "term": "answer extraction"
    }
   ],
   "prereq": [
    "prompting",
    "decoding"
   ],
   "keywords": [
    "reasoning elicitation",
    "two-stage prompting",
    "answer extraction"
   ],
   "source_ids": [
    "kojima-zeroshot-cot-2022"
   ],
   "url": "https://aiatlasgraph.com/t/zeroshotcot",
   "markdown_url": "https://aiatlasgraph.com/t/zeroshotcot.md",
   "updated": "2026-10-30"
  },
  "zeroshotdefect": {
   "id": "zeroshotdefect",
   "parent_id": "visualinspection",
   "label": "Wykrywanie wad bez przykładów z modelem wizja–język",
   "canonical_name": "Zero- and few-shot anomaly detection with vision-language models",
   "aliases": [
    "zero-shot anomaly detection",
    "few-shot anomaly detection",
    "WinCLIP",
    "AnomalyCLIP",
    "CLIP-based anomaly detection",
    "wykrywanie anomalii zero-shot"
   ],
   "description": "Klasyfikacja i segmentacja anomalii bez danych treningowych z danej kategorii lub z kilkoma obrazami normalnymi, przez dopasowanie cech obrazu do opisów tekstowych.",
   "description_en": "Anomaly classification and segmentation with no training data for the category, or a few normal images, by matching image features to text descriptions.",
   "plain": "Wykrywanie wad na zdjęciach wyrobów bez osobnego uczenia, przez opisanie słowami, jak wygląda sztuka dobra, a jak uszkodzona.",
   "plain_en": "Spotting defects in product photos without dedicated training, by describing in words what a good and a damaged item look like.",
   "solves": "Fabryka produkuje setki odmian wyrobów krótkimi seriami i nie ma czasu ani zdjęć, żeby uczyć osobny model dla każdej z nich.",
   "solves_en": "A factory makes hundreds of product variants in short runs and has neither time nor photos to train a separate model for each.",
   "does": "Jak nowy kontroler, który nigdy nie widział tego produktu, ale wie, co znaczy „pęknięty” czy „zarysowany”, i od razu może oceniać.",
   "does_en": "Like a new inspector who has never seen this product but knows what 'cracked' or 'scratched' means and can start judging right away.",
   "example": "Zakład przestawia się na nową butelkę; zanim zbierze zdjęcia, system już zaznacza pęknięcia, porównując obraz z opisami w rodzaju „uszkodzona butelka”.",
   "example_en": "A plant switches to a new bottle; before collecting any photos, the system already marks cracks by comparing images with descriptions like 'damaged bottle'.",
   "for_you": [
    "produkujesz krótkie serie wielu różnych wyrobów",
    "chcesz uruchomić kontrolę jakości w kilka godzin, nie tygodni"
   ],
   "for_you_en": [
    "make short runs of many different products",
    "want quality inspection running in hours, not weeks"
   ],
   "how": "Model wizja–język porównuje cechy okien i łatek obrazu z zestawem promptów opisujących stan normalny i uszkodzony; podobieństwo do opisu uszkodzenia daje mapę anomalii. W wariancie kilku przykładów dodaje się porównanie z cechami jednego lub kilku zdjęć dobrych sztuk, co wyraźnie podnosi trafność lokalizacji.",
   "how_en": "A vision-language model compares window and patch features with an ensemble of prompts describing normal and damaged states; similarity to the damage description yields an anomaly map. The few-shot variant adds comparison with features of one or a few good-part images, which clearly improves localisation.",
   "limits": "Trafność bez przykładów jest wyraźnie niższa niż metod uczonych na danej kategorii, więc to raczej szybki start niż docelowe rozwiązanie. Wynik zależy od sformułowania promptów. Modele są cięższe obliczeniowo, a drobne, nietypowe wady trudno opisać słowami.",
   "limits_en": "Zero-shot accuracy is clearly below methods trained on the category, so it is a quick start rather than a final solution. Results depend on prompt wording. Models are computationally heavier, and small, unusual defects are hard to describe in words.",
   "terms": [
    {
     "gloss": "Działanie bez żadnych przykładów treningowych z danej kategorii.",
     "term": "zero-shot"
    },
    {
     "gloss": "Działanie z kilkoma przykładami, tu zdjęciami dobrych sztuk.",
     "term": "few-shot"
    },
    {
     "gloss": "Opis tekstowy, np. „zdjęcie uszkodzonego obiektu”.",
     "term": "prompt stanu"
    }
   ],
   "terms_en": [
    {
     "gloss": "Working with no training examples from the category.",
     "term": "zero-shot"
    },
    {
     "gloss": "Working with a handful of examples, here photos of good parts.",
     "term": "few-shot"
    },
    {
     "gloss": "A text description such as 'a photo of a damaged object'.",
     "term": "state prompt"
    }
   ],
   "prereq": [
    "vlm",
    "openvocabdetection"
   ],
   "keywords": [
    "WinCLIP",
    "AnomalyCLIP",
    "CLIP",
    "AnomalyGPT",
    "VisA",
    "MVTec AD",
    "prompt ensemble",
    "few-normal-shot"
   ],
   "source_ids": [
    "jeong-winclip-2023"
   ],
   "url": "https://aiatlasgraph.com/t/zeroshotdefect",
   "markdown_url": "https://aiatlasgraph.com/t/zeroshotdefect.md",
   "updated": "2026-10-30"
  }
 },
 "relations_note": "Cross-links are untyped and symmetric: a pair means \"see also\", not a prerequisite, application or alternative. Pairs are sorted by id; their order carries no meaning. The tree (parent_id) is the only directed structure.",
 "relations": [
  [
   "a2a",
   "mcp"
  ],
  [
   "abstractivesumm",
   "legalsummarization"
  ],
  [
   "abtesting",
   "causalinference"
  ],
  [
   "abtesting",
   "evalsets"
  ],
  [
   "abtesting",
   "hypothesistesting"
  ],
  [
   "abtesting",
   "onlineevals"
  ],
  [
   "abtesting",
   "ope"
  ],
  [
   "abtesting",
   "productivitymeasurement"
  ],
  [
   "aco",
   "localsearch"
  ],
  [
   "acthalt",
   "budgetcontrol"
  ],
  [
   "actionrecognition",
   "humanvideo"
  ],
  [
   "activationpatching",
   "circuittracing"
  ],
  [
   "activationpatching",
   "knowledgeediting"
  ],
  [
   "activationprobesafety",
   "multilayeragentmonitor"
  ],
  [
   "activationsteering",
   "alignment"
  ],
  [
   "activationsteering",
   "mechsuits"
  ],
  [
   "activationsteering",
   "sae"
  ],
  [
   "activelearning",
   "robustness"
  ],
  [
   "activelearning",
   "semisupervised"
  ],
  [
   "actorcritic",
   "ddpgtd3"
  ],
  [
   "actquant",
   "ondevicellm"
  ],
  [
   "actquant",
   "tinyml"
  ],
  [
   "adaptivethinking",
   "budgetcontrol"
  ],
  [
   "adperception",
   "objecttracking"
  ],
  [
   "adplanning",
   "feedbackcontrol"
  ],
  [
   "advdistill",
   "gan"
  ],
  [
   "adversarialsearch",
   "imperfectinfo"
  ],
  [
   "adversarialsearch",
   "mctsplanning"
  ],
  [
   "advmalware",
   "robustness"
  ],
  [
   "aerialdetection",
   "objectdetection"
  ],
  [
   "affordances",
   "grasping"
  ],
  [
   "agentbench",
   "agenteval"
  ],
  [
   "agentbench",
   "agenttimebudget"
  ],
  [
   "agenteval",
   "agentsnode"
  ],
  [
   "agenteval",
   "citationcheck"
  ],
  [
   "agenteval",
   "voiceevals"
  ],
  [
   "agentevolution",
   "aicoding"
  ],
  [
   "agentevolution",
   "openendedness"
  ],
  [
   "agentharness",
   "contextmanagement"
  ],
  [
   "agentharness",
   "makerchecker"
  ],
  [
   "agentharness",
   "pause"
  ],
  [
   "agentharness",
   "subagents"
  ],
  [
   "agenticmem",
   "hierarchicalmem"
  ],
  [
   "agentroles",
   "prompting"
  ],
  [
   "agentroles",
   "promptstructure"
  ],
  [
   "agentroles",
   "specdriven"
  ],
  [
   "agentsecurity",
   "agentsnode"
  ],
  [
   "agentsecurity",
   "computeruse"
  ],
  [
   "agentsecurity",
   "indirectinjection"
  ],
  [
   "agentsecurity",
   "intentexecution"
  ],
  [
   "agentsecurity",
   "lookaheaddefense"
  ],
  [
   "agentsecurity",
   "secopsai"
  ],
  [
   "agentskills",
   "mcp"
  ],
  [
   "agentskills",
   "procedural"
  ],
  [
   "agentsnode",
   "aicoding"
  ],
  [
   "agentsnode",
   "classicalplanning"
  ],
  [
   "agentsnode",
   "legalresearchagents"
  ],
  [
   "agentsnode",
   "llmtaskplanning"
  ],
  [
   "agentsnode",
   "taskfloweval"
  ],
  [
   "agentsnode",
   "voiceagents"
  ],
  [
   "agenttrajectories",
   "computeruse"
  ],
  [
   "agenttrajectories",
   "toolcallingft"
  ],
  [
   "agima",
   "grpo"
  ],
  [
   "aiattacks",
   "phishingdetect"
  ],
  [
   "aicodereview",
   "makerchecker"
  ],
  [
   "aicodereview",
   "vulndiscovery"
  ],
  [
   "aicodesecurity",
   "vibecoding"
  ],
  [
   "aicoding",
   "codingbench"
  ],
  [
   "aicoding",
   "plccodegen"
  ],
  [
   "aicoding",
   "productivitymeasurement"
  ],
  [
   "aicoding",
   "progautograding"
  ],
  [
   "aied",
   "healthai"
  ],
  [
   "ailiteracy",
   "airegulation"
  ],
  [
   "ailiteracy",
   "llmtutors"
  ],
  [
   "aiprototyping",
   "evalsets"
  ],
  [
   "aiprototyping",
   "vibecoding"
  ],
  [
   "airegulation",
   "contentprovenance"
  ],
  [
   "airegulation",
   "creditscoring"
  ],
  [
   "airegulation",
   "engagementdetect"
  ],
  [
   "airegulation",
   "legalai"
  ],
  [
   "airegulation",
   "medicaldevicereg"
  ],
  [
   "airegulation",
   "riskframeworks"
  ],
  [
   "airegulation",
   "scenariotesting"
  ],
  [
   "aiscience",
   "geoai"
  ],
  [
   "aiuipatterns",
   "chatbots"
  ],
  [
   "aiuipatterns",
   "genui"
  ],
  [
   "aiusepolicy",
   "privacy"
  ],
  [
   "aiusepolicy",
   "riskframeworks"
  ],
  [
   "alignment",
   "cotmonitoring"
  ],
  [
   "alignment",
   "mechinterp"
  ],
  [
   "alignment",
   "socialchoice"
  ],
  [
   "ambient",
   "eventdriven"
  ],
  [
   "ambientscribe",
   "hallucinationdetect"
  ],
  [
   "ambientscribe",
   "patientmessagedrafts"
  ],
  [
   "amlmonitoring",
   "appscamdetection"
  ],
  [
   "annotation",
   "erroranalysis"
  ],
  [
   "annotation",
   "userfeedback"
  ],
  [
   "annotationguidelines",
   "judgevalidation"
  ],
  [
   "anomalydetection",
   "classimbalance"
  ],
  [
   "anomalydetection",
   "densityclustering"
  ],
  [
   "anomalydetection",
   "eegai"
  ],
  [
   "anomalydetection",
   "frauddetection"
  ],
  [
   "anomalydetection",
   "ooddetection"
  ],
  [
   "anomalydetection",
   "predictivemaint"
  ],
  [
   "anomalydetection",
   "threatdetection"
  ],
  [
   "anomalydetection",
   "transientrealbogus"
  ],
  [
   "anomalydetection",
   "unsupdefect"
  ],
  [
   "approxinference",
   "generative"
  ],
  [
   "approxinference",
   "vae"
  ],
  [
   "appscamdetection",
   "behaviouralbiometrics"
  ],
  [
   "arenas",
   "judges"
  ],
  [
   "arenas",
   "preferencedatacollection"
  ],
  [
   "arenas",
   "skillrating"
  ],
  [
   "argen",
   "vqvae"
  ],
  [
   "armmotionplanning",
   "rulebasedplanning"
  ],
  [
   "aspectsentiment",
   "finsentiment"
  ],
  [
   "asr",
   "audiolanguage"
  ],
  [
   "asr",
   "cascadedpipeline"
  ],
  [
   "asr",
   "pronunciationassess"
  ],
  [
   "asr",
   "voiceaudio"
  ],
  [
   "associationrules",
   "recommenders"
  ],
  [
   "astar",
   "navmesh"
  ],
  [
   "astar",
   "rulebasedplanning"
  ],
  [
   "atriskprediction",
   "clinicalprediction"
  ],
  [
   "atriskprediction",
   "fairnessmetrics"
  ],
  [
   "attnvariants",
   "kvcache"
  ],
  [
   "audioclassification",
   "audiolanguage"
  ],
  [
   "audiofacial",
   "llmnpc"
  ],
  [
   "audiogen",
   "latentdiffusion"
  ],
  [
   "audiogen",
   "pixelwavenet"
  ],
  [
   "audiogen",
   "tts"
  ],
  [
   "autoencoders",
   "sae"
  ],
  [
   "automationvsaugmentation",
   "workflows"
  ],
  [
   "automl",
   "hptuning"
  ],
  [
   "backprop",
   "calculus"
  ],
  [
   "backprop",
   "mathoptimization"
  ],
  [
   "backtestoverfitting",
   "leakagetypes"
  ],
  [
   "backtestoverfitting",
   "llmtradingagents"
  ],
  [
   "bandits",
   "curiosity"
  ],
  [
   "bandits",
   "experiments"
  ],
  [
   "batchprocessing",
   "evalsets"
  ],
  [
   "batchsize",
   "lrschedules"
  ],
  [
   "bayesinference",
   "robustness"
  ],
  [
   "bayesnets",
   "causalinference"
  ],
  [
   "behaviorcloning",
   "learnedplanning"
  ],
  [
   "behaviorcloning",
   "teleopdata"
  ],
  [
   "behaviorcloning",
   "vla"
  ],
  [
   "behaviortrees",
   "gamefsm"
  ],
  [
   "behaviortrees",
   "utilityai"
  ],
  [
   "behaviouralbiometrics",
   "ekycliveness"
  ],
  [
   "benchcontamination",
   "dedup"
  ],
  [
   "benchcontamination",
   "medllmeval"
  ],
  [
   "bevperception",
   "occupancy"
  ],
  [
   "biasvariance",
   "nnregularization"
  ],
  [
   "biasvariance",
   "optimization"
  ],
  [
   "binaryai",
   "dynmalware"
  ],
  [
   "binaryai",
   "malwareml"
  ],
  [
   "binsimilarity",
   "llmvulndetect"
  ],
  [
   "bioseqmodels",
   "proteinstructure"
  ],
  [
   "bioseqmodels",
   "singlecellfm"
  ],
  [
   "bioseqmodels",
   "varianteffect"
  ],
  [
   "biosignals",
   "tsfoundation"
  ],
  [
   "blackboard",
   "memory"
  ],
  [
   "blockdiffusion",
   "nexttoken"
  ],
  [
   "boids",
   "navmesh"
  ],
  [
   "buildvsbuy",
   "peft"
  ],
  [
   "buildvsbuy",
   "selfhosting"
  ],
  [
   "calculus",
   "neuralbasics"
  ],
  [
   "calibration",
   "conformalprediction"
  ],
  [
   "calibration",
   "ensembleweather"
  ],
  [
   "calibration",
   "hallucinationdetect"
  ],
  [
   "calibration",
   "ruluncertainty"
  ],
  [
   "calibration",
   "trustcalibration"
  ],
  [
   "calreview",
   "llmdocreview"
  ],
  [
   "cardfraudscoring",
   "gradientboosting"
  ],
  [
   "cascadediff",
   "imagerestoration"
  ],
  [
   "cascadedpipeline",
   "tts"
  ],
  [
   "cashflowunderwriting",
   "creditexplain"
  ],
  [
   "cat",
   "dda"
  ],
  [
   "categoricalencoding",
   "leakagetypes"
  ],
  [
   "centralcritic",
   "ddpgtd3"
  ],
  [
   "cfg",
   "texttoimage"
  ],
  [
   "charanimation",
   "motionimitation"
  ],
  [
   "chatbots",
   "medicalllm"
  ],
  [
   "chattemplates",
   "selfhosting"
  ],
  [
   "cheatdetection",
   "frauddetection"
  ],
  [
   "chunking",
   "layoutanalysis"
  ],
  [
   "churnprediction",
   "playersegmentation"
  ],
  [
   "citationcheck",
   "legalresearchagents"
  ],
  [
   "claimsdamage",
   "instanceseg"
  ],
  [
   "classicalplanning",
   "goap"
  ],
  [
   "classicalplanning",
   "hierarchicalrl"
  ],
  [
   "classicalplanning",
   "llmtaskplanning"
  ],
  [
   "classicalplanning",
   "logicprogramming"
  ],
  [
   "classicalplanning",
   "neurosymbolic"
  ],
  [
   "classicalplanning",
   "prodscheduling"
  ],
  [
   "classicaugmentation",
   "imageclassification"
  ],
  [
   "classicforecasting",
   "quantileregression"
  ],
  [
   "classmetrics",
   "modelselection"
  ],
  [
   "clauseextraction",
   "kie"
  ],
  [
   "cleaning",
   "featureeng"
  ],
  [
   "cleaning",
   "missingimputation"
  ],
  [
   "cleaning",
   "piiredaction"
  ],
  [
   "cleaning",
   "rewardmodels"
  ],
  [
   "climatedownscaling",
   "imagerestoration"
  ],
  [
   "clinicalbias",
   "dermatologyai"
  ],
  [
   "clinicalbias",
   "fairnessmetrics"
  ],
  [
   "clinicaldeid",
   "piiredaction"
  ],
  [
   "clinicaldocs",
   "piiredaction"
  ],
  [
   "clinicalprediction",
   "gradientboosting"
  ],
  [
   "clipcontrastive",
   "multimodal"
  ],
  [
   "clipcontrastive",
   "openvocabdetection"
  ],
  [
   "clipcontrastive",
   "representations"
  ],
  [
   "clipcontrastive",
   "vlmconnector"
  ],
  [
   "closedloopsim",
   "rlenvs"
  ],
  [
   "closedloopsim",
   "robotevals"
  ],
  [
   "closedloopsim",
   "simtoreal"
  ],
  [
   "cloudmasking",
   "sits"
  ],
  [
   "clustering",
   "topicmodeling"
  ],
  [
   "cnn",
   "imageclassification"
  ],
  [
   "cnnarchs",
   "imageclassification"
  ],
  [
   "cnnarchs",
   "residual"
  ],
  [
   "cnnarchs",
   "segmentation"
  ],
  [
   "cobotsafety",
   "impedancecontrol"
  ],
  [
   "coconut",
   "cot"
  ],
  [
   "codecompletion",
   "codingbench"
  ],
  [
   "codeevals",
   "dataenhance"
  ],
  [
   "codeevals",
   "guardrails"
  ],
  [
   "codeevals",
   "outcomeverify"
  ],
  [
   "codeevals",
   "structured"
  ],
  [
   "coevolution",
   "selfplay"
  ],
  [
   "collabfiltering",
   "matrixdecomp"
  ],
  [
   "collabfiltering",
   "representations"
  ],
  [
   "collectives",
   "interconnects"
  ],
  [
   "commonsense",
   "knowledgebench"
  ],
  [
   "compliancechecking",
   "rulesascode"
  ],
  [
   "compression",
   "tensorcores"
  ],
  [
   "computationallaw",
   "logic"
  ],
  [
   "computeruse",
   "docvision"
  ],
  [
   "conformalprediction",
   "quantileregression"
  ],
  [
   "conservativeoffline",
   "deadlytriad"
  ],
  [
   "conservativeoffline",
   "ope"
  ],
  [
   "conservativeoffline",
   "qlearning"
  ],
  [
   "constitutionalai",
   "preferences"
  ],
  [
   "constitutionalai",
   "safetyclassifiers"
  ],
  [
   "contactrich",
   "tactilesensing"
  ],
  [
   "contbatch",
   "inferenceengines"
  ],
  [
   "contbatch",
   "selfhosting"
  ],
  [
   "contentprovenance",
   "ekycliveness"
  ],
  [
   "contentprovenance",
   "imagegen"
  ],
  [
   "contentprovenance",
   "texttoimage"
  ],
  [
   "contentprovenance",
   "trustcalibration"
  ],
  [
   "contentsafetyfiltering",
   "guardrails"
  ],
  [
   "contextextension",
   "midtraining"
  ],
  [
   "contextextension",
   "posencoding"
  ],
  [
   "contextextension",
   "transformers"
  ],
  [
   "contextmanagement",
   "medicalrag"
  ],
  [
   "contextmanagement",
   "memory"
  ],
  [
   "contextmanagement",
   "sessionhandoff"
  ],
  [
   "contextmanagement",
   "skilldisclosure"
  ],
  [
   "contextmanagement",
   "subagents"
  ],
  [
   "continual",
   "driftdetection"
  ],
  [
   "continual",
   "onlinelearning"
  ],
  [
   "continual",
   "testtimeadapt"
  ],
  [
   "continual",
   "visiontransfer"
  ],
  [
   "continuedpretraining",
   "legallm"
  ],
  [
   "continuedpretraining",
   "midtraining"
  ],
  [
   "continuoustraining",
   "driftdetection"
  ],
  [
   "continuoustraining",
   "monitoring"
  ],
  [
   "contractdrafting",
   "playbookreview"
  ],
  [
   "contractnli",
   "nli"
  ],
  [
   "contractnli",
   "playbookreview"
  ],
  [
   "contractnli",
   "statuteqa"
  ],
  [
   "controllablegen",
   "depthestimation"
  ],
  [
   "controllablegen",
   "poseestimation"
  ],
  [
   "convexopt",
   "svm"
  ],
  [
   "costestimation",
   "efficientreasoning"
  ],
  [
   "costestimation",
   "llmgateway"
  ],
  [
   "costestimation",
   "tokenization"
  ],
  [
   "cot",
   "prompting"
  ],
  [
   "cotmonitoring",
   "mechinterp"
  ],
  [
   "cotmonitoring",
   "rewardhacking"
  ],
  [
   "cotmonitoring",
   "scheming"
  ],
  [
   "counterfactualexpl",
   "creditexplain"
  ],
  [
   "courtanonymization",
   "legalner"
  ],
  [
   "courtanonymization",
   "piiredaction"
  ],
  [
   "creditexplain",
   "fairness"
  ],
  [
   "creditexplain",
   "featureattribution"
  ],
  [
   "creditscorecards",
   "interpretablemodels"
  ],
  [
   "creditscorecards",
   "lgdmodels"
  ],
  [
   "creditscorecards",
   "rejectinference"
  ],
  [
   "crossdomainfault",
   "crosssiteshift"
  ],
  [
   "crossembodiment",
   "teleopdata"
  ],
  [
   "crossembodiment",
   "vla"
  ],
  [
   "crosssiteshift",
   "fairnessmetrics"
  ],
  [
   "crosssiteshift",
   "postdeploymonitoring"
  ],
  [
   "crosssiteshift",
   "splitstrategies"
  ],
  [
   "crossval",
   "pacvc"
  ],
  [
   "crossval",
   "splits"
  ],
  [
   "crossval",
   "splitstrategies"
  ],
  [
   "crossviewgeo",
   "maplocalization"
  ],
  [
   "crystalgen",
   "mlip"
  ],
  [
   "csp",
   "wfc"
  ],
  [
   "curiosity",
   "gametesting"
  ],
  [
   "curiosity",
   "noveltysearch"
  ],
  [
   "curiosity",
   "rewarddesign"
  ],
  [
   "customaccelerators",
   "ondevicellm"
  ],
  [
   "customaccelerators",
   "tensorcores"
  ],
  [
   "cyberai",
   "safety"
  ],
  [
   "cyberreasoning",
   "llmfuzzing"
  ],
  [
   "d3pm",
   "ddpm"
  ],
  [
   "dagger",
   "realworldrl"
  ],
  [
   "dangerouscapevals",
   "frontierframeworks"
  ],
  [
   "dangerouscapevals",
   "offensiveai"
  ],
  [
   "dangerouscapevals",
   "scheming"
  ],
  [
   "datacurriculum",
   "datamixing"
  ],
  [
   "dataenhance",
   "instructiongen"
  ],
  [
   "datalicensing",
   "datalineage"
  ],
  [
   "datalicensing",
   "datasetdiscovery"
  ],
  [
   "datalicensing",
   "webcrawl"
  ],
  [
   "datalineage",
   "modeldocs"
  ],
  [
   "datamixing",
   "midtraining"
  ],
  [
   "datamixing",
   "pretraining"
  ],
  [
   "dataselection",
   "qualityfiltering"
  ],
  [
   "datashapley",
   "finetuneselection"
  ],
  [
   "datavalidation",
   "monitoring"
  ],
  [
   "datavaluation",
   "explainability"
  ],
  [
   "dataversioning",
   "mlops"
  ],
  [
   "dataversioning",
   "modelregistry"
  ],
  [
   "dda",
   "narrativegen"
  ],
  [
   "dda",
   "tutoring"
  ],
  [
   "ddpm",
   "ebm"
  ],
  [
   "ddpm",
   "embdiffusion"
  ],
  [
   "ddpm",
   "noiseshift"
  ],
  [
   "decisiontransformer",
   "transformers"
  ],
  [
   "decoding",
   "structured"
  ],
  [
   "dedup",
   "largescaleprocessing"
  ],
  [
   "dedup",
   "leakagetypes"
  ],
  [
   "dedup",
   "metrics"
  ],
  [
   "dedup",
   "qualityfiltering"
  ],
  [
   "dedup",
   "splits"
  ],
  [
   "defectsynthesis",
   "synthetic"
  ],
  [
   "deforestationdrivers",
   "forestmonitoring"
  ],
  [
   "detectionrulegen",
   "ttpmapping"
  ],
  [
   "detrdetectors",
   "onlinemapping"
  ],
  [
   "detrdetectors",
   "transformers"
  ],
  [
   "dexterousmanip",
   "simtoreal"
  ],
  [
   "dexterousmanip",
   "tactilesensing"
  ],
  [
   "diagnosticreasoning",
   "symptomtriage"
  ],
  [
   "diffprivacy",
   "optimization"
  ],
  [
   "diffusion",
   "diffusionpolicy"
  ],
  [
   "diffusion",
   "flowmatching"
  ],
  [
   "diffusion",
   "imagegen"
  ],
  [
   "diffusionpolicy",
   "manipulation"
  ],
  [
   "diffusionpolicy",
   "vlaactions"
  ],
  [
   "digitaltwins",
   "sciml"
  ],
  [
   "dimreduction",
   "linearalgebra"
  ],
  [
   "dimreduction",
   "representations"
  ],
  [
   "disaggregation",
   "inferencemetrics"
  ],
  [
   "disaggregation",
   "kvcache"
  ],
  [
   "disastermapping",
   "wildfiremonitoring"
  ],
  [
   "discovery",
   "ideascientist"
  ],
  [
   "discovery",
   "llmprogramsearch"
  ],
  [
   "discovery",
   "theoremproving"
  ],
  [
   "distillation",
   "ondevicellm"
  ],
  [
   "distillation",
   "reasoningdistill"
  ],
  [
   "distributionalrl",
   "saferl"
  ],
  [
   "dit",
   "hourglassdit"
  ],
  [
   "dit",
   "pixeldit"
  ],
  [
   "dit",
   "videogen"
  ],
  [
   "dit",
   "vit"
  ],
  [
   "dllm",
   "nexttoken"
  ],
  [
   "docai",
   "docvision"
  ],
  [
   "docai",
   "infoextraction"
  ],
  [
   "docai",
   "textextraction"
  ],
  [
   "docai",
   "visionnode"
  ],
  [
   "docking",
   "proteinstructure"
  ],
  [
   "docvision",
   "layoutanalysis"
  ],
  [
   "docvision",
   "ocr"
  ],
  [
   "doubledescent",
   "scalinglaws"
  ],
  [
   "dpo",
   "preferencedatacollection"
  ],
  [
   "driftdetection",
   "finmodelvalidation"
  ],
  [
   "driftdetection",
   "fraudmetrics"
  ],
  [
   "driftdetection",
   "malwaredrift"
  ],
  [
   "driftdetection",
   "onlinelearning"
  ],
  [
   "driftdetection",
   "ooddetection"
  ],
  [
   "driftdetection",
   "postdeploymonitoring"
  ],
  [
   "driftdetection",
   "softsensors"
  ],
  [
   "drivingvlm",
   "vla"
  ],
  [
   "drivingvlm",
   "vlm"
  ],
  [
   "drivingworldmodels",
   "worldfoundation"
  ],
  [
   "drldispatching",
   "gpdispatchrules"
  ],
  [
   "e2edriving",
   "learnedplanning"
  ],
  [
   "earlywarning",
   "survivalanalysis"
  ],
  [
   "earningscalls",
   "finsentiment"
  ],
  [
   "earthsystems",
   "eoapps"
  ],
  [
   "earthsystems",
   "gnn"
  ],
  [
   "ecgai",
   "wearablemonitoring"
  ],
  [
   "economics",
   "efficientreasoning"
  ],
  [
   "economics",
   "evalsets"
  ],
  [
   "economics",
   "routing"
  ],
  [
   "economics",
   "voicelatency"
  ],
  [
   "edge",
   "federated"
  ],
  [
   "edge",
   "onestagedetectors"
  ],
  [
   "efficientreasoning",
   "hybridagents"
  ],
  [
   "ehrfoundation",
   "tabularfm"
  ],
  [
   "eightbitoptim",
   "galore"
  ],
  [
   "eightbitoptim",
   "qlora"
  ],
  [
   "emmixtures",
   "kmeans"
  ],
  [
   "ensembles",
   "globalexplanations"
  ],
  [
   "ensembles",
   "weightaveraging"
  ],
  [
   "ensembleweather",
   "mlweatherglobal"
  ],
  [
   "entitylinking",
   "kgraphs"
  ],
  [
   "eopretraining",
   "visionssl"
  ],
  [
   "equivariantgnn",
   "mlip"
  ],
  [
   "erroranalysis",
   "synthetic"
  ],
  [
   "esscale",
   "grpo"
  ],
  [
   "esscale",
   "naturalES"
  ],
  [
   "evalharness",
   "llmbenchmarks"
  ],
  [
   "evalharness",
   "taskfloweval"
  ],
  [
   "evalsets",
   "prompting"
  ],
  [
   "evalsets",
   "promptopt"
  ],
  [
   "evalsets",
   "promptversioning"
  ],
  [
   "evalsets",
   "softwaregym"
  ],
  [
   "evalsets",
   "structured"
  ],
  [
   "evalstats",
   "hypothesistesting"
  ],
  [
   "evalstats",
   "reportingguidelines"
  ],
  [
   "evoclassic",
   "localsearch"
  ],
  [
   "evolutionarymerge",
   "neuroevolution"
  ],
  [
   "evolutionarymerge",
   "taskarithmetic"
  ],
  [
   "evorobotics",
   "swarmrobotics"
  ],
  [
   "evostrategies",
   "hptuning"
  ],
  [
   "exoplanetdetect",
   "timeseries"
  ],
  [
   "expectedutility",
   "mdp"
  ],
  [
   "experiencereplay",
   "goalconditioned"
  ],
  [
   "experimenttracking",
   "hptuning"
  ],
  [
   "explainability",
   "judgmentprediction"
  ],
  [
   "explainability",
   "trustcalibration"
  ],
  [
   "extractiveqa",
   "vqa"
  ],
  [
   "factorgraphs",
   "hmm"
  ],
  [
   "fairnessmetrics",
   "metrics"
  ],
  [
   "fastdetsim",
   "flowmatching"
  ],
  [
   "featureattribution",
   "shapleyvalue"
  ],
  [
   "featureattribution",
   "trustcalibration"
  ],
  [
   "featureeng",
   "featurestore"
  ],
  [
   "featureeng",
   "leakagetypes"
  ],
  [
   "featureeng",
   "splits"
  ],
  [
   "featurestore",
   "leakagetypes"
  ],
  [
   "feedbackcontrol",
   "learningmpc"
  ],
  [
   "feedbackcontrol",
   "processcontrol"
  ],
  [
   "fewshotcot",
   "fewshotprompting"
  ],
  [
   "fewstepdiffusion",
   "rectifiedflow"
  ],
  [
   "finance",
   "healthai"
  ],
  [
   "finetuneselection",
   "sft"
  ],
  [
   "finllm",
   "legallm"
  ],
  [
   "finreportqa",
   "tableextraction"
  ],
  [
   "finreportqa",
   "tableqa"
  ],
  [
   "finreportqa",
   "xbrltagging"
  ],
  [
   "finsentiment",
   "textclassification"
  ],
  [
   "flashattn",
   "gemm"
  ],
  [
   "flashattn",
   "kvcache"
  ],
  [
   "forcedalignment",
   "speechdatacuration"
  ],
  [
   "forestmonitoring",
   "spatialcv"
  ],
  [
   "forgetting",
   "lora"
  ],
  [
   "forgetting",
   "onpolicydistill"
  ],
  [
   "frauddetection",
   "phishingdetect"
  ],
  [
   "frauddetection",
   "transactiongraphs"
  ],
  [
   "fraudfeedbackdrift",
   "fraudmetrics"
  ],
  [
   "fraudfeedbackdrift",
   "malwaredrift"
  ],
  [
   "fullduplex",
   "speech2speech"
  ],
  [
   "galaxymorph",
   "visiontransfer"
  ],
  [
   "gameai",
   "robotics"
  ],
  [
   "gan",
   "imagerestoration"
  ],
  [
   "gaussianprocesses",
   "hptuning"
  ],
  [
   "gaussianprocesses",
   "processbo"
  ],
  [
   "gaussiansplatting",
   "gen3d"
  ],
  [
   "gaussiansplatting",
   "nerf"
  ],
  [
   "gaussiansplatting",
   "neuralsensorsim"
  ],
  [
   "gemm",
   "llmkernels"
  ],
  [
   "gen3d",
   "texttoimage"
  ],
  [
   "genaimrmfin",
   "guardrails"
  ],
  [
   "generalistgameagents",
   "vla"
  ],
  [
   "generalistmedai",
   "radreportgen"
  ],
  [
   "geneticprogramming",
   "gpdispatchrules"
  ],
  [
   "geneticprogramming",
   "sciml"
  ],
  [
   "geoagents",
   "rsvlm"
  ],
  [
   "gnn",
   "kgraphs"
  ],
  [
   "gnn",
   "recommenders"
  ],
  [
   "gnn",
   "transactiongraphs"
  ],
  [
   "gnn",
   "vectorizedscene"
  ],
  [
   "goalconditioned",
   "manipulation"
  ],
  [
   "goalconditioned",
   "rewarddesign"
  ],
  [
   "goap",
   "htngames"
  ],
  [
   "gpumemory",
   "kvcache"
  ],
  [
   "gpumemory",
   "weightquant"
  ],
  [
   "gracefulfailure",
   "guardrails"
  ],
  [
   "gradientboosting",
   "tabularfm"
  ],
  [
   "grammarpcg",
   "wfc"
  ],
  [
   "grasping",
   "objectpose6d"
  ],
  [
   "grasping",
   "pointclouds"
  ],
  [
   "grpo",
   "rlvr"
  ],
  [
   "guardrails",
   "probing"
  ],
  [
   "guardrails",
   "security"
  ],
  [
   "guardrails",
   "stepsafe"
  ],
  [
   "gwdetection",
   "timeseries"
  ],
  [
   "hallucinationdetect",
   "radreportgen"
  ],
  [
   "hallucinationdetect",
   "retrieval"
  ],
  [
   "hallucinationdetect",
   "summarization"
  ],
  [
   "harnessadaptrl",
   "weightharnesscoevo"
  ],
  [
   "harnesscomposition",
   "harnesslearning"
  ],
  [
   "harnesscomposition",
   "weightharnesscoevo"
  ],
  [
   "harnessdocs",
   "prompting"
  ],
  [
   "harnessdocs",
   "skilldisclosure"
  ],
  [
   "harnesslearning",
   "mass"
  ],
  [
   "hintgen",
   "llmtutors"
  ],
  [
   "hintgen",
   "progautograding"
  ],
  [
   "hmm",
   "knowledgetracing"
  ],
  [
   "hmm",
   "robotics"
  ],
  [
   "hptuning",
   "localsearch"
  ],
  [
   "hptuning",
   "lrschedules"
  ],
  [
   "hptuning",
   "multiobjectiveevo"
  ],
  [
   "hptuning",
   "optimization"
  ],
  [
   "hptuning",
   "processbo"
  ],
  [
   "hptuning",
   "selfdrivinglabs"
  ],
  [
   "humanvideo",
   "teleopdata"
  ],
  [
   "humanvideo",
   "vptgames"
  ],
  [
   "hybridagents",
   "latentloops"
  ],
  [
   "hybridattention",
   "kvcache"
  ],
  [
   "hybridattention",
   "ssm"
  ],
  [
   "hybridclimate",
   "hybridmodeling"
  ],
  [
   "hybridclimate",
   "neuraloperators"
  ],
  [
   "hybridmodeling",
   "sciml"
  ],
  [
   "hyperspectral",
   "methanedetection"
  ],
  [
   "hypothesisagents",
   "researchworldmodels"
  ],
  [
   "hypothesisagents",
   "subagents"
  ],
  [
   "hypothesistesting",
   "metrics"
  ],
  [
   "imagecaptioning",
   "recaptioning"
  ],
  [
   "imageediting",
   "imagetranslation"
  ],
  [
   "imageediting",
   "promptseg"
  ],
  [
   "imagegen",
   "latentdiffusion"
  ],
  [
   "imagegen",
   "lora"
  ],
  [
   "imagegen",
   "worldfoundation"
  ],
  [
   "imagetextfiltering",
   "qualityfiltering"
  ],
  [
   "imperfectinfo",
   "nashequilibria"
  ],
  [
   "indirectinjection",
   "retrieval"
  ],
  [
   "indirectinjection",
   "tools"
  ],
  [
   "industrialai",
   "robotics"
  ],
  [
   "industrialassistants",
   "retrieval"
  ],
  [
   "inferenceengines",
   "kvcache"
  ],
  [
   "inferencemetrics",
   "perceivedlatency"
  ],
  [
   "influencefunctions",
   "labelerrors"
  ],
  [
   "influencemaps",
   "navmesh"
  ],
  [
   "infoextraction",
   "kgraphs"
  ],
  [
   "infoextraction",
   "kie"
  ],
  [
   "infoextraction",
   "legalner"
  ],
  [
   "infoextraction",
   "maintenancetlp"
  ],
  [
   "infoextraction",
   "structured"
  ],
  [
   "infotheory",
   "logitdistill"
  ],
  [
   "infotheory",
   "lossfunctions"
  ],
  [
   "infotheory",
   "mle"
  ],
  [
   "infotheory",
   "nexttoken"
  ],
  [
   "infotheory",
   "pretraining"
  ],
  [
   "inspection3d",
   "pointclouds"
  ],
  [
   "instructiongen",
   "seqdistill"
  ],
  [
   "instructiongen",
   "sft"
  ],
  [
   "instructiongen",
   "syntheticfiltering"
  ],
  [
   "interconnects",
   "parallelism"
  ],
  [
   "interpretablemodels",
   "supervised"
  ],
  [
   "interruptionrecovery",
   "voiceflows"
  ],
  [
   "irl",
   "rewardmodels"
  ],
  [
   "irt",
   "knowledgetracing"
  ],
  [
   "jailbreaks",
   "redteaming"
  ],
  [
   "jailbreaks",
   "safetyclassifiers"
  ],
  [
   "jepa",
   "visionssl"
  ],
  [
   "jepa",
   "worldfoundation"
  ],
  [
   "jettagging",
   "pointclouds"
  ],
  [
   "judges",
   "llmannotation"
  ],
  [
   "judges",
   "makerchecker"
  ],
  [
   "judges",
   "rewardmodels"
  ],
  [
   "judges",
   "scalableoversight"
  ],
  [
   "judges",
   "shortanswergrading"
  ],
  [
   "judgevalidation",
   "llmjudge"
  ],
  [
   "judgevalidation",
   "medllmeval"
  ],
  [
   "judgevalidation",
   "splits"
  ],
  [
   "kgraphs",
   "logicprogramming"
  ],
  [
   "kgraphs",
   "neurosymbolic"
  ],
  [
   "kgraphs",
   "ontologies"
  ],
  [
   "kgraphs",
   "queryconstruction"
  ],
  [
   "kgraphs",
   "relationextraction"
  ],
  [
   "kgraphs",
   "retrieval"
  ],
  [
   "kie",
   "structured"
  ],
  [
   "kie",
   "xbrltagging"
  ],
  [
   "knn",
   "vectordb"
  ],
  [
   "knowledgebench",
   "legalbenchmarks"
  ],
  [
   "knowledgetracing",
   "spacedrepetition"
  ],
  [
   "kvcache",
   "memorywall"
  ],
  [
   "kvcache",
   "promptcaching"
  ],
  [
   "kvcache",
   "slidingwindow"
  ],
  [
   "labelerrors",
   "weaksupervision"
  ],
  [
   "landcover",
   "semanticseg"
  ],
  [
   "largescaleprocessing",
   "streamingdatasets"
  ],
  [
   "latentdiffusion",
   "pixeldiffusion"
  ],
  [
   "latentdiffusion",
   "texttoimage"
  ],
  [
   "latentdiffusion",
   "vae"
  ],
  [
   "latentloops",
   "testtime"
  ],
  [
   "latentloops",
   "tttlayers"
  ],
  [
   "layoutanalysis",
   "ocr"
  ],
  [
   "lcs",
   "qlearning"
  ],
  [
   "learnedplanning",
   "rulebasedplanning"
  ],
  [
   "learningmpc",
   "rlprocesscontrol"
  ],
  [
   "learningtorank",
   "recpipeline"
  ],
  [
   "learningtorank",
   "reranking"
  ],
  [
   "learningtorank",
   "retrievalmetrics"
  ],
  [
   "legalner",
   "ner"
  ],
  [
   "legalsummarization",
   "rhetoricalroles"
  ],
  [
   "legalsummarization",
   "summarization"
  ],
  [
   "lenia",
   "openendedness"
  ],
  [
   "linearalgebra",
   "representations"
  ],
  [
   "linearmodels",
   "neuralbasics"
  ],
  [
   "llmevolution",
   "promptopt"
  ],
  [
   "llmgateway",
   "routing"
  ],
  [
   "llmkernels",
   "llmprogramsearch"
  ],
  [
   "llmkernels",
   "preferences"
  ],
  [
   "llmnpc",
   "memory"
  ],
  [
   "llmoperators",
   "llmprogramsearch"
  ],
  [
   "llmprogramsearch",
   "mapelites"
  ],
  [
   "llmtracing",
   "tracereview"
  ],
  [
   "llmtutors",
   "promptstructure"
  ],
  [
   "localllm",
   "weightquant"
  ],
  [
   "localsearch",
   "promptopt"
  ],
  [
   "locationencoding",
   "posencoding"
  ],
  [
   "locomotion",
   "simtoreal"
  ],
  [
   "locomotion",
   "wholebodycontrol"
  ],
  [
   "longcotsft",
   "sft"
  ],
  [
   "loopedtf",
   "transformers"
  ],
  [
   "lora",
   "multilora"
  ],
  [
   "lora",
   "reft"
  ],
  [
   "lora",
   "subjectpersonalization"
  ],
  [
   "lrschedules",
   "midtraining"
  ],
  [
   "lrschedules",
   "mup"
  ],
  [
   "lrschedules",
   "scalinglaws"
  ],
  [
   "lrschedules",
   "trainingstability"
  ],
  [
   "machinereadablelaw",
   "rulesascode"
  ],
  [
   "machinetranslation",
   "multilingualnlp"
  ],
  [
   "machinetranslation",
   "selfattention"
  ],
  [
   "machinetranslation",
   "textgenmetrics"
  ],
  [
   "maintenancerag",
   "retrieval"
  ],
  [
   "makerchecker",
   "reflection"
  ],
  [
   "mapelites",
   "niching"
  ],
  [
   "mapelites",
   "searchpcg"
  ],
  [
   "mapf",
   "navmesh"
  ],
  [
   "maplocalization",
   "slam"
  ],
  [
   "marl",
   "nashequilibria"
  ],
  [
   "marl",
   "rlalgorithms"
  ],
  [
   "marl",
   "selfplay"
  ],
  [
   "marlctde",
   "multirobot"
  ],
  [
   "maskdiffusion",
   "maskgit"
  ],
  [
   "maskdiffusion",
   "transformerfamilies"
  ],
  [
   "mass",
   "mpt"
  ],
  [
   "mass",
   "terminalrsi"
  ],
  [
   "mass",
   "weightharnesscoevo"
  ],
  [
   "mathoptimization",
   "optimization"
  ],
  [
   "mathoptimization",
   "optimizers"
  ],
  [
   "mathoptimization",
   "pso"
  ],
  [
   "matrixdecomp",
   "pca"
  ],
  [
   "mcp",
   "skillscripts"
  ],
  [
   "mctsplanning",
   "retrosynthesis"
  ],
  [
   "mctsplanning",
   "search"
  ],
  [
   "mctsplanning",
   "selfplay"
  ],
  [
   "mctsplanning",
   "testtime"
  ],
  [
   "mdp",
   "probabilistic"
  ],
  [
   "mechanismdesign",
   "rewarddesign"
  ],
  [
   "mechinterp",
   "mechsuits"
  ],
  [
   "mechinterp",
   "probing"
  ],
  [
   "mechsuits",
   "stepsafe"
  ],
  [
   "medicaldevicereg",
   "retinalscreening"
  ],
  [
   "medsegmentation",
   "promptseg"
  ],
  [
   "memefficienttraining",
   "mixedprecision"
  ],
  [
   "memorywall",
   "roofline"
  ],
  [
   "messagepassing",
   "molproperty"
  ],
  [
   "metriclearning",
   "selfsupervised"
  ],
  [
   "metriclearning",
   "vectordb"
  ],
  [
   "metrics",
   "productmetrics"
  ],
  [
   "metrics",
   "safetyevals"
  ],
  [
   "mixedprecision",
   "tensorcores"
  ],
  [
   "mlm",
   "nexttoken"
  ],
  [
   "mlops",
   "monitoring"
  ],
  [
   "mlops",
   "progressiverollout"
  ],
  [
   "mlweatherglobal",
   "nowcasting"
  ],
  [
   "mobilemanip",
   "teleopdata"
  ],
  [
   "mobilityai",
   "motionforecasting"
  ],
  [
   "modelcascades",
   "routing"
  ],
  [
   "modelcollapse",
   "pretrainsynthetic"
  ],
  [
   "modeldocs",
   "sourcing"
  ],
  [
   "modelregistry",
   "progressiverollout"
  ],
  [
   "modelriskmgmt",
   "riskframeworks"
  ],
  [
   "moe",
   "parallelism"
  ],
  [
   "moleculegen",
   "rewardhacking"
  ],
  [
   "monitoring",
   "tracereview"
  ],
  [
   "monitoring",
   "userfeedback"
  ],
  [
   "mosaicmsarl",
   "treeopsd"
  ],
  [
   "motionforecasting",
   "objecttracking"
  ],
  [
   "motionimitation",
   "poseestimation"
  ],
  [
   "motionimitation",
   "teleopdata"
  ],
  [
   "motionmatching",
   "neuralcharcontrol"
  ],
  [
   "mrta",
   "prodscheduling"
  ],
  [
   "mtqe",
   "textgenmetrics"
  ],
  [
   "multiinstance",
   "pathologymil"
  ],
  [
   "multilayeragentmonitor",
   "scheming"
  ],
  [
   "multilingualnlp",
   "tokenization"
  ],
  [
   "multimodal",
   "speech2speech"
  ],
  [
   "multimodal",
   "vla"
  ],
  [
   "multirobot",
   "swarmintel"
  ],
  [
   "naivebayes",
   "probabilistic"
  ],
  [
   "navmesh",
   "robotnav"
  ],
  [
   "neuralgameengines",
   "worldfoundation"
  ],
  [
   "neuraloperators",
   "pinn"
  ],
  [
   "neuraloperators",
   "reducedorder"
  ],
  [
   "neurosymbolic",
   "reasoningmodels"
  ],
  [
   "nexttoken",
   "tokenization"
  ],
  [
   "nexttoken",
   "transformerfamilies"
  ],
  [
   "normalization",
   "trainingstability"
  ],
  [
   "objectdetection",
   "objecttracking"
  ],
  [
   "objectdetection",
   "pointclouds"
  ],
  [
   "objectnav",
   "vln"
  ],
  [
   "objecttracking",
   "promptseg"
  ],
  [
   "offline",
   "rlprocesscontrol"
  ],
  [
   "omnimodels",
   "speech2speech"
  ],
  [
   "onlinedpo",
   "rewardhacking"
  ],
  [
   "onlineevals",
   "userfeedback"
  ],
  [
   "onpolicydistill",
   "seqdistill"
  ],
  [
   "ooddetection",
   "scenariotesting"
  ],
  [
   "opendomainqa",
   "retrieval"
  ],
  [
   "openendedness",
   "pcg"
  ],
  [
   "openendedness",
   "rlenvs"
  ],
  [
   "openendedness",
   "ued"
  ],
  [
   "openvocabdetection",
   "visualgrounding"
  ],
  [
   "optimalexecution",
   "rltrading"
  ],
  [
   "outcomegrading",
   "outcomeverify"
  ],
  [
   "outcomegrading",
   "taskoutcome"
  ],
  [
   "outcomeverify",
   "rlvr"
  ],
  [
   "outcomeverify",
   "theoremproving"
  ],
  [
   "parallelism",
   "pretraining"
  ],
  [
   "pathologyfm",
   "visionssl"
  ],
  [
   "pathologymil",
   "weaksupervision"
  ],
  [
   "perceivedlatency",
   "serving"
  ],
  [
   "perceivedlatency",
   "voicelatency"
  ],
  [
   "physastro",
   "sciml"
  ],
  [
   "pixeldiffusion",
   "vae"
  ],
  [
   "plasmacontrol",
   "simtoreal"
  ],
  [
   "pointclouds",
   "sensorfusion"
  ],
  [
   "poisoning",
   "sourcing"
  ],
  [
   "poisoning",
   "supplychain"
  ],
  [
   "pomdp",
   "probabilistic"
  ],
  [
   "poseestimation",
   "robotics"
  ],
  [
   "ppo",
   "rlhfppo"
  ],
  [
   "ppo",
   "rlpolicy"
  ],
  [
   "preemptivegen",
   "turndetection"
  ],
  [
   "preferences",
   "rlalgorithms"
  ],
  [
   "pretraining",
   "pretrainsynthetic"
  ],
  [
   "pretraining",
   "tsfoundation"
  ],
  [
   "prm",
   "rewardmodels"
  ],
  [
   "prm",
   "verifiersearch"
  ],
  [
   "probing",
   "sae"
  ],
  [
   "profiling",
   "roofline"
  ],
  [
   "progressivemisalignment",
   "recursiveselfdistill"
  ],
  [
   "promptattacks",
   "redteaming"
  ],
  [
   "prompting",
   "promptversioning"
  ],
  [
   "prompting",
   "softprompts"
  ],
  [
   "proteindesign",
   "proteinstructure"
  ],
  [
   "pruning",
   "weightquant"
  ],
  [
   "qlearning",
   "tdlearning"
  ],
  [
   "qlora",
   "weightquant"
  ],
  [
   "queryconstruction",
   "tableqa"
  ],
  [
   "questionanswering",
   "questiongen"
  ],
  [
   "questionanswering",
   "retrieval"
  ],
  [
   "radiologyai",
   "trustcalibration"
  ],
  [
   "reasoningdistill",
   "seqdistill"
  ],
  [
   "recpipeline",
   "reranking"
  ],
  [
   "recurrentdepth",
   "testtime"
  ],
  [
   "reharness",
   "terminalrsi"
  ],
  [
   "representations",
   "retrieval"
  ],
  [
   "representations",
   "selfsupervised"
  ],
  [
   "representations",
   "vectordb"
  ],
  [
   "representations",
   "visionssl"
  ],
  [
   "reranking",
   "retrievalmetrics"
  ],
  [
   "reranking",
   "textembeddings"
  ],
  [
   "retrosynthesis",
   "selfdrivinglabs"
  ],
  [
   "rewarddesign",
   "rewardhacking"
  ],
  [
   "rewarddesign",
   "saferl"
  ],
  [
   "rewardhacking",
   "rlpolicy"
  ],
  [
   "rewardmodels",
   "rlhfppo"
  ],
  [
   "rewardmodels",
   "rubricgrading"
  ],
  [
   "rewardmodels",
   "socialchoice"
  ],
  [
   "rewardmodels",
   "testtime"
  ],
  [
   "rlenvs",
   "rltrading"
  ],
  [
   "rlenvs",
   "simtoreal"
  ],
  [
   "rlgeneralization",
   "simtoreal"
  ],
  [
   "rlpolicy",
   "rlvr"
  ],
  [
   "rlvr",
   "syntheticfiltering"
  ],
  [
   "rlvr",
   "theoremproving"
  ],
  [
   "robotfoundation",
   "worldfoundation"
  ],
  [
   "robotics",
   "slam"
  ],
  [
   "robotnav",
   "slam"
  ],
  [
   "rsvlm",
   "vlm"
  ],
  [
   "rulesascode",
   "statutoryreasoning"
  ],
  [
   "rulprediction",
   "tsfoundation"
  ],
  [
   "saferl",
   "simtoreal"
  ],
  [
   "saliencymaps",
   "visionnode"
  ],
  [
   "satsmt",
   "theoremproving"
  ],
  [
   "scalinglaws",
   "testtime"
  ],
  [
   "search",
   "testtime"
  ],
  [
   "search",
   "treeofthoughts"
  ],
  [
   "selfhosting",
   "supplychain"
  ],
  [
   "selfhosting",
   "weightquant"
  ],
  [
   "selfsupervised",
   "visionssl"
  ],
  [
   "semanticcache",
   "vectordb"
  ],
  [
   "semisupervised",
   "weaksupervision"
  ],
  [
   "sharedautonomy",
   "teleopdata"
  ],
  [
   "simtoreal",
   "synthetic"
  ],
  [
   "simtoreal",
   "worldfoundation"
  ],
  [
   "sits",
   "timeseries"
  ],
  [
   "sleepstaging",
   "wearablemonitoring"
  ],
  [
   "sourcing",
   "teleopdata"
  ],
  [
   "spatial",
   "visionnode"
  ],
  [
   "spatialcv",
   "spatialinterpolation"
  ],
  [
   "spatialcv",
   "splitstrategies"
  ],
  [
   "speech2speech",
   "speechtranslation"
  ],
  [
   "spokenconfirm",
   "tools"
  ],
  [
   "ssm",
   "tttlayers"
  ],
  [
   "streamingaggregation",
   "tts"
  ],
  [
   "summarization",
   "textgenmetrics"
  ],
  [
   "survivalanalysis",
   "treatmenteffects"
  ],
  [
   "tabularfm",
   "tabularsynthetic"
  ],
  [
   "tabularfm",
   "transformers"
  ],
  [
   "terminalrsi",
   "weightharnesscoevo"
  ],
  [
   "testtime",
   "testtimeadapt"
  ],
  [
   "textclassification",
   "transformerfamilies"
  ],
  [
   "textembeddings",
   "topicmodeling"
  ],
  [
   "textembeddings",
   "vectordb"
  ],
  [
   "textextraction",
   "webcrawl"
  ],
  [
   "textmotion",
   "videogen"
  ],
  [
   "tools",
   "voicetools"
  ],
  [
   "transformers",
   "vit"
  ],
  [
   "tutorcopilot",
   "usercontrol"
  ],
  [
   "usercontrol",
   "workflows"
  ],
  [
   "videogen",
   "worldfoundation"
  ],
  [
   "videollm",
   "videounderstanding"
  ],
  [
   "vla",
   "vlm"
  ],
  [
   "vlm",
   "vln"
  ],
  [
   "vlm",
   "zeroshotdefect"
  ],
  [
   "voiceflows",
   "workflows"
  ]
 ],
 "sources": {
  "abbas-2023-semdedup": {
   "id": "abbas-2023-semdedup",
   "title": "SemDeDup: Data-efficient learning at web-scale through semantic deduplication",
   "url": "https://arxiv.org/abs/2303.09540",
   "author": "Amro Abbas, Kushal Tirumala, Dániel Simig, Surya Ganguli, Ari S. Morcos",
   "sponsored": false,
   "why": "Pokazuje, że usunięcie prawie-duplikatów po znaczeniu skraca trening bez utraty jakości.",
   "why_en": "Shows that removing semantic near-duplicates shortens training without losing quality."
  },
  "abc-karaboga-2007": {
   "id": "abc-karaboga-2007",
   "title": "A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm",
   "url": "https://www.cs.uoi.gr/~lagaris/GRAD_GLOPT/projects/bee_colony.pdf",
   "author": "Dervis Karaboga, Bahriye Basturk",
   "sponsored": false,
   "why": "Artykuł twórców opisuje trzy role pszczół i pierwsze porównania z algorytmem genetycznym i rojem cząstek.",
   "why_en": "The creators' paper describes the three bee roles and early comparisons with genetic algorithms and particle swarms."
  },
  "ace-climate-2023": {
   "id": "ace-climate-2023",
   "title": "ACE: A fast, skillful learned global atmospheric model for climate prediction",
   "title_en": "ACE: A fast, skillful learned global atmospheric model for climate prediction",
   "url": "https://arxiv.org/abs/2310.02074",
   "author": "Oliver Watt-Meyer, Gideon Dresdner, Jeremy McGibbon i in. (Allen Institute for AI, NVIDIA)",
   "sponsored": false,
   "why": "Pokazuje, jak czysto uczony emulator odtwarza stulecie klimatu sto razy szybciej od oryginału.",
   "why_en": "Shows how a purely learned emulator reproduces a century of climate a hundred times faster."
  },
  "ace-step-2025": {
   "id": "ace-step-2025",
   "title": "ACE-Step: A Step Towards Music Generation Foundation Model",
   "title_en": "ACE-Step: A Step Towards Music Generation Foundation Model",
   "url": "https://arxiv.org/abs/2506.00045",
   "author": "Junmin Gong, Sean Zhao, Sen Wang, Shengyuan Xu, Joe Guo",
   "sponsored": true,
   "why": "Pokazuje, że w 2025 roku otwarte modele tworzą całe piosenki z tekstem.",
   "why_en": "Shows that by 2025 open models create whole songs with lyrics."
  },
  "aci-bench-2023": {
   "id": "aci-bench-2023",
   "title": "Aci-bench: a Novel Ambient Clinical Intelligence Dataset for Benchmarking Automatic Visit Note Generation",
   "title_en": "Aci-bench: a Novel Ambient Clinical Intelligence Dataset for Benchmarking Automatic Visit Note Generation",
   "url": "https://www.nature.com/articles/s41597-023-02487-3",
   "author": "Wen-wai Yim, Yujuan Fu, Asma Ben Abacha, Neal Snider, Thomas Lin, Meliha Yetisgen",
   "sponsored": true,
   "why": "Wyjaśnia, jak z nagrania rozmowy powstaje notatka lekarska i jak mierzy się jej jakość.",
   "why_en": "Explains how a doctor's note is generated from a recorded conversation and how its quality is measured."
  },
  "aco-cim-2006": {
   "id": "aco-cim-2006",
   "title": "Ant Colony Optimization: Artificial Ants as a Computational Intelligence Technique",
   "title_en": "Ant Colony Optimization: Artificial Ants as a Computational Intelligence Technique",
   "url": "https://www.cs.princeton.edu/courses/archive/fall24/cos597C/bib2/Ant_colony_optimization.pdf",
   "author": "Marco Dorigo, Mauro Birattari, Thomas Stützle",
   "sponsored": false,
   "why": "Artykuł twórców metody pokazuje, jak feromon i parowanie prowadzą kolonie do krótkich tras.",
   "why_en": "The method creators' article shows how pheromone and evaporation guide colonies towards short routes."
  },
  "action-backbones-survey-2024": {
   "id": "action-backbones-survey-2024",
   "title": "A Survey on Backbones for Deep Video Action Recognition",
   "title_en": "A Survey on Backbones for Deep Video Action Recognition",
   "url": "https://arxiv.org/abs/2405.05584",
   "author": "Zixuan Tang, Youjun Zhao, Yuhang Wen, Mengyuan Liu",
   "sponsored": false,
   "why": "Porównasz główne architektury rozpoznawania akcji w filmach: sieci dwustrumieniowe, konwolucje przestrzenno-czasowe i transformery.",
   "why_en": "Compare major video action-recognition architectures: two-stream networks, spatiotemporal convolutions and transformers."
  },
  "adamw-2017": {
   "id": "adamw-2017",
   "title": "Decoupled Weight Decay Regularization",
   "title_en": "Decoupled Weight Decay Regularization",
   "url": "https://arxiv.org/abs/1711.05101",
   "author": "Ilya Loshchilov, Frank Hutter",
   "sponsored": false,
   "why": "Dowiesz się, dlaczego weight decay i regularyzacja L2 różnią się w optymalizatorach adaptacyjnych.",
   "why_en": "Learn why weight decay and L2 regularisation differ in adaptive optimisers."
  },
  "adas-2024": {
   "id": "adas-2024",
   "title": "Automated Design of Agentic Systems",
   "title_en": "Automated Design of Agentic Systems",
   "url": "https://arxiv.org/abs/2408.08435",
   "author": "Shengran Hu, Cong Lu, Jeff Clune",
   "sponsored": false,
   "why": "Praca pokazuje, jak meta-agent projektuje nowe agenty, korzystając z archiwum wcześniejszych pomysłów.",
   "why_en": "The paper shows how a meta-agent designs new agents by drawing on an archive of earlier ideas."
  },
  "adhoc-teamwork-survey-2022": {
   "id": "adhoc-teamwork-survey-2022",
   "title": "A Survey of Ad Hoc Teamwork Research",
   "title_en": "A Survey of Ad Hoc Teamwork Research",
   "url": "https://arxiv.org/abs/2202.10450",
   "author": "Reuth Mirsky; Ignacio Carlucho; Arrasy Rahman; Elliot Fosong; William Macke; Mohan Sridharan; Peter Stone; Stefano V. Albrecht",
   "sponsored": false,
   "why": "Uporządkujesz, czym jest współpraca z nieznanymi partnerami i jakie problemy pozostają otwarte.",
   "why_en": "Get an overview of cooperating with unfamiliar partners and the problems that remain open."
  },
  "affordances-robotics-survey-2020": {
   "id": "affordances-robotics-survey-2020",
   "title": "Affordances in Robotic Tasks – A Survey",
   "title_en": "Affordances in Robotic Tasks – A Survey",
   "url": "https://arxiv.org/abs/2004.07400",
   "author": "P. Ardón, È. Pairet, K. S. Lohan, S. Ramamoorthy, R. P. A. Petrick",
   "sponsored": false,
   "why": "Zrozumiesz, czym są afordancje w robotyce i jakie są główne podejścia do ich uczenia.",
   "why_en": "Understand what affordances mean in robotics and the main approaches to learning them."
  },
  "agent-eval-survey-2025": {
   "id": "agent-eval-survey-2025",
   "title": "Evaluation and Benchmarking of LLM Agents: A Survey",
   "title_en": "Evaluation and Benchmarking of LLM Agents: A Survey",
   "url": "https://arxiv.org/abs/2507.21504",
   "author": "Mahmoud Mohammadi, Yipeng Li, Jane Lo, Wendy Yip",
   "sponsored": false,
   "why": "Poznasz podział celów i metod oceny agentów, obejmujący zachowanie, możliwości, niezawodność oraz bezpieczeństwo.",
   "why_en": "Explore agent-evaluation goals and methods covering behaviour, capabilities, reliability and safety."
  },
  "agents": {
   "id": "agents",
   "title": "Hugging Face · Agents Course",
   "url": "https://huggingface.co/learn/agents-course/en/unit0/introduction",
   "kind": "reference",
   "note": "Agenci, narzędzia, frameworki, agentic RAG i ewaluacja.",
   "sponsored": false,
   "why": "Przećwiczysz budowanie agentów korzystających z narzędzi, wyszukiwania wiedzy i ewaluacji.",
   "why_en": "Practise building agents using tools, knowledge retrieval and evaluation."
  },
  "agentskills-spec": {
   "id": "agentskills-spec",
   "title": "Specyfikacja Agent Skills",
   "title_en": "Agent Skills specification",
   "url": "https://agentskills.io/specification",
   "author": "Agent Skills (otwarty standard; format pochodzi od Anthropic)",
   "sponsored": false,
   "why": "Definiuje folder, nagłówek, trzy poziomy wczytywania oraz katalogi skryptów i zasobów.",
   "why_en": "Defines the folder, header, three loading levels, and script and resource directories."
  },
  "agenttime-2026": {
   "id": "agenttime-2026",
   "title": "AgentTime: Can Agents Estimate and Control Their Own Runtime?",
   "title_en": "AgentTime: Can Agents Estimate and Control Their Own Runtime?",
   "url": "https://arxiv.org/abs/2610.09944",
   "author": "Michael Ofengenden, Maksym Andriushchenko",
   "sponsored": false,
   "why": "Rozdziela trzy zdolności agentów związane z czasem: pracę przez żądany okres, prognozowanie czasu zadania i retrospektywne szacowanie czasu wykonania.",
   "why_en": "Separates three time-related agent capabilities: working for a requested duration, forecasting task runtime, and retrospectively estimating elapsed time."
  },
  "agima-arxiv-2610.26845": {
   "id": "agima-arxiv-2610.26845",
   "title": "Train An Imaginative Agent",
   "title_en": "Train An Imaginative Agent",
   "url": "https://arxiv.org/abs/2610.26845",
   "author": "Jiaxin Ge, Junyi Zhang, Tianning Chai, Hanjun Yoo, Chenyang Wang, Xiuyu Li, Weijia Shi, XuDong Wang, Sewon Min, Luke Zettlemoyer, Trevor Darrell, Haiwen Feng",
   "sponsored": false,
   "why": "Opisuje trening agenta, który planuje przez generowanie i porównywanie wyobrażonych stanów.",
   "why_en": "Describes training an agent that plans by generating and comparing imagined states."
  },
  "agrawal-2015-vqa": {
   "id": "agrawal-2015-vqa",
   "title": "VQA: Visual Question Answering",
   "title_en": "VQA: Visual Question Answering",
   "url": "https://arxiv.org/abs/1505.00468",
   "author": "Aishwarya Agrawal, Jiasen Lu, Stanislaw Antol, Margaret Mitchell, C. Lawrence Zitnick, Dhruv Batra, Devi Parikh",
   "sponsored": false,
   "why": "Opisuje, skąd wzięło się zadawanie programom pytań o zdjęcia i dlaczego to trudniejsze niż sam opis.",
   "why_en": "Describes where asking software questions about photos came from and why it is harder than captioning."
  },
  "agrawal-srikant-apriori-1994": {
   "id": "agrawal-srikant-apriori-1994",
   "title": "Fast Algorithms for Mining Association Rules",
   "url": "https://www.vldb.org/conf/1994/P487.PDF",
   "author": "Rakesh Agrawal, Ramakrishnan Srikant",
   "sponsored": false,
   "why": "Pierwotna publikacja Apriori wyjaśnia wyszukiwanie częstych zbiorów i odcinanie kandydatów.",
   "why_en": "The original Apriori paper explains frequent-itemset discovery and candidate pruning."
  },
  "ai-chains-2022": {
   "id": "ai-chains-2022",
   "title": "AI Chains: Transparent and Controllable Human-AI Interaction by Chaining Large Language Model Prompts",
   "title_en": "AI Chains: Transparent and Controllable Human-AI Interaction by Chaining Large Language Model Prompts",
   "url": "https://arxiv.org/abs/2110.01691",
   "author": "Tongshuang Wu, Michael Terry, Carrie J. Cai",
   "sponsored": false,
   "why": "Pokazuje w badaniu z użytkownikami, że podział zadania na ogniwa daje lepszą kontrolę i łatwiejsze poprawki.",
   "why_en": "Shows in a user study that splitting a task into links gives better control and easier fixes."
  },
  "ai-coscientist-2025": {
   "id": "ai-coscientist-2025",
   "title": "Towards an AI co-scientist",
   "title_en": "Towards an AI co-scientist",
   "url": "https://arxiv.org/abs/2502.18864",
   "author": "Juraj Gottweis, Wei-Hung Weng i in.; Vivek Natarajan (Google)",
   "sponsored": true,
   "why": "Opisuje, jak zespół agentów AI generuje i układa w turnieju hipotezy biomedyczne.",
   "why_en": "Describes how a team of AI agents generates and ranks biomedical hypotheses in a tournament."
  },
  "ai-memory-wall-2024": {
   "id": "ai-memory-wall-2024",
   "title": "AI and Memory Wall",
   "title_en": "AI and Memory Wall",
   "url": "https://arxiv.org/abs/2403.14123",
   "author": "Amir Gholami, Zhewei Yao, Sehoon Kim, Coleman Hooper, Michael W. Mahoney, Kurt Keutzer (UC Berkeley)",
   "sponsored": false,
   "why": "Zrozumiesz, jak przepustowość pamięci i komunikacji ogranicza modele mimo rosnącej mocy obliczeniowej.",
   "why_en": "Understand how memory and communication bandwidth constrain models despite increasing computational power."
  },
  "ai-safety-via-debate-2018": {
   "id": "ai-safety-via-debate-2018",
   "title": "AI safety via debate",
   "title_en": "AI safety via debate",
   "url": "https://arxiv.org/abs/1805.00899",
   "author": "G. Irving, P. Christiano, D. Amodei",
   "sponsored": false,
   "why": "Poznasz propozycję nadzoru, w której człowiek ocenia argumenty dwóch konkurujących agentów.",
   "why_en": "Explore a supervision proposal in which humans judge arguments from two competing agents."
  },
  "ai-scientist-2024": {
   "id": "ai-scientist-2024",
   "title": "The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery",
   "title_en": "The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery",
   "url": "https://arxiv.org/abs/2408.06292",
   "author": "Chris Lu, Cong Lu, Robert Tjarko Lange, Jakob Foerster, Jeff Clune, David Ha",
   "sponsored": true,
   "why": "Pokazuje pełny potok: od pomysłu przez eksperyment po artykuł napisany i oceniony przez AI.",
   "why_en": "Shows the full pipeline from idea through experiment to a paper written and reviewed by AI."
  },
  "ai4science-survey-2023": {
   "id": "ai4science-survey-2023",
   "title": "Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems",
   "title_en": "Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems",
   "url": "https://arxiv.org/abs/2307.08423",
   "author": "Xuan Zhang, Limei Wang i in. (zespół kilkudziesięciu autorów, m.in. Shuiwang Ji)",
   "sponsored": false,
   "why": "Pokaże, jak AI w nauce dzieli się na skalę kwantową, atomową i ciągłą oraz jakie problemy je łączą.",
   "why_en": "Shows how AI for science splits into quantum, atomistic and continuum scales and which problems they share."
  },
  "aima4": {
   "id": "aima4",
   "title": "Russell, Norvig · Artificial Intelligence: A Modern Approach, wyd. 4 — spis treści",
   "title_en": "Russell & Norvig · Artificial Intelligence: A Modern Approach, 4th ed. — table of contents",
   "url": "https://aima.cs.berkeley.edu/",
   "author": "Stuart Russell, Peter Norvig",
   "sponsored": false,
   "why": "Spis treści uporządkuje naukę przeszukiwania, logiki, planowania, probabilistyki i uczenia maszynowego.",
   "why_en": "The contents organise study of search, logic, planning, probability and machine learning."
  },
  "akhtar-2024-croissant": {
   "id": "akhtar-2024-croissant",
   "title": "Croissant: A Metadata Format for ML-Ready Datasets",
   "url": "https://arxiv.org/abs/2403.19546",
   "author": "Mubashara Akhtar, Omar Benjelloun, Costanza Conforti, Luca Foschini, Joan Giner-Miguelez, Pieter Gijsbers, Sujata Goswami, Nitisha Jain, Michalis Karamousadakis, Michael Kuchnik, Satyapriya Krishna, Sylvain Lesage, Quentin Lhoest, Pierre Marcenac, Manil Maskey, Peter Mattson, Luis Oala, Hamidah Oderinwale, Pierre Ruyssen, Tim Santos, Rajat Shinde, Elena Simperl, Arjun Suresh, Goeffry Thomas, Slava Tykhonov, Joaquin Vanschoren, Susheel Varma, Jos van der Velde, Steffen Vogler, Carole-Jean Wu, Luyao Zhang",
   "sponsored": false,
   "why": "Opisuje wspólny, maszynowo czytelny standard opisu zbiorów danych dla narzędzi ML.",
   "why_en": "Describes a shared machine-readable standard for describing datasets across ML tools."
  },
  "akiba-optuna-2019": {
   "id": "akiba-optuna-2019",
   "title": "Optuna: A Next-generation Hyperparameter Optimization Framework",
   "title_en": "Optuna: A Next-generation Hyperparameter Optimization Framework",
   "url": "https://arxiv.org/abs/1907.10902",
   "author": "Takuya Akiba, Shotaro Sano, Toshihiko Yanase, Takeru Ohta, Masanori Koyama",
   "sponsored": false,
   "why": "Dowiesz się, jak dynamiczna przestrzeń przeszukiwania i przycinanie nieobiecujących prób wspierają strojenie hiperparametrów.",
   "why_en": "Learn how dynamic search spaces and pruning unpromising trials support hyperparameter tuning."
  },
  "alam-ctibench-2024": {
   "id": "alam-ctibench-2024",
   "title": "CTIBench: A Benchmark for Evaluating LLMs in Cyber Threat Intelligence",
   "title_en": "CTIBench: A Benchmark for Evaluating LLMs in Cyber Threat Intelligence",
   "url": "https://arxiv.org/abs/2406.07599",
   "author": "Md Tanvirul Alam, Dipkamal Bhusal, Le Nguyen, Nidhi Rastogi",
   "sponsored": false,
   "why": "Pokazuje, jak sprawdza się, czy model językowy rozumie raporty o zagrożeniach.",
   "why_en": "Shows how to test whether a language model understands threat intelligence reports."
  },
  "aletras-echr-2016": {
   "id": "aletras-echr-2016",
   "title": "Predicting judicial decisions of the European Court of Human Rights: a Natural Language Processing perspective",
   "url": "https://peerj.com/articles/cs-93",
   "author": "Nikolaos Aletras, Dimitrios Tsarapatsanis, Daniel Preoţiuc-Pietro, Vasileios Lampos",
   "sponsored": false,
   "why": "Klasyczne badanie przewidywania wyroków z tekstu, wraz z uczciwie opisanymi ograniczeniami.",
   "why_en": "A classic study of predicting judgments from text, with its limitations honestly stated."
  },
  "alignment-faking-2024": {
   "id": "alignment-faking-2024",
   "title": "Alignment faking in large language models",
   "title_en": "Alignment faking in large language models",
   "url": "https://arxiv.org/abs/2412.14093",
   "author": "R. Greenblatt, C. Denison, B. Wright, F. Roger, M. MacDiarmid i in. (20 autorów; Anthropic, Redwood Research), E. Hubinger",
   "sponsored": false,
   "why": "Poznasz eksperymenty badające pozorną zgodność modelu zależną od informacji o dalszym treningu.",
   "why_en": "Explore experiments investigating apparent model alignment influenced by information about subsequent training."
  },
  "alm-survey-su-2025": {
   "id": "alm-survey-su-2025",
   "title": "Audio-Language Models for Audio-Centric Tasks: A Systematic Survey",
   "title_en": "Audio-Language Models for Audio-Centric Tasks: A Systematic Survey",
   "url": "https://arxiv.org/abs/2501.15177",
   "author": "Yi Su, Jisheng Bai, Qisheng Xu, Kele Xu, Yong Dou",
   "sponsored": false,
   "why": "Porządkuje rodzaje modeli łączących dźwięk z językiem i ich zastosowania.",
   "why_en": "Organises the kinds of models that link sound with language and their uses."
  },
  "aloha-act-2023": {
   "id": "aloha-act-2023",
   "title": "Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware (ALOHA / ACT)",
   "title_en": "Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware (ALOHA / ACT)",
   "url": "https://arxiv.org/abs/2304.13705",
   "author": "T. Z. Zhao, V. Kumar, S. Levine, C. Finn",
   "sponsored": false,
   "why": "Dowiesz się, jak demonstracje teleoperowane i przewidywanie grup akcji uczą roboty precyzyjnej manipulacji oburęcznej.",
   "why_en": "Learn how teleoperated demonstrations and action chunking teach robots precise bimanual manipulation."
  },
  "alphaevolve2025": {
   "id": "alphaevolve2025",
   "title": "AlphaEvolve: A coding agent for scientific and algorithmic discovery",
   "title_en": "AlphaEvolve: A coding agent for scientific and algorithmic discovery",
   "url": "https://arxiv.org/abs/2506.13131",
   "author": "Alexander Novikov, Ngân Vũ, Marvin Eisenberger i in., Matej Balog (Google DeepMind)",
   "sponsored": false,
   "why": "Poznasz pętlę odkrywania algorytmów, w której model modyfikuje kod, a ewaluator wybiera obiecujące warianty.",
   "why_en": "Explore an algorithm-discovery loop where a model modifies code and an evaluator selects promising variants."
  },
  "alphafold3-2024": {
   "id": "alphafold3-2024",
   "title": "Accurate structure prediction of biomolecular interactions with AlphaFold 3",
   "title_en": "Accurate structure prediction of biomolecular interactions with AlphaFold 3",
   "url": "https://www.nature.com/articles/s41586-024-07487-w",
   "author": "Josh Abramson, Jonas Adler, Jack Dunger, Richard Evans i in. (Google DeepMind, Isomorphic Labs)",
   "sponsored": false,
   "why": "Opisuje, jak dyfuzja pozwoliła przewidywać nie tylko białka, ale całe kompleksy z DNA i lekami.",
   "why_en": "Describes how diffusion enabled predicting whole complexes with DNA and drugs, not just proteins."
  },
  "alphaproof2025": {
   "id": "alphaproof2025",
   "title": "Olympiad-level formal mathematical reasoning with reinforcement learning (AlphaProof)",
   "title_en": "Olympiad-level formal mathematical reasoning with reinforcement learning (AlphaProof)",
   "url": "https://www.nature.com/articles/s41586-025-09833-y",
   "author": "Thomas Hubert, Rishi Mehta, Laurent Sartran, Miklós Z. Horváth i in. (Google DeepMind)",
   "sponsored": false,
   "why": "Dowiesz się, jak uczenie ze wzmocnieniem i formalna weryfikacja współpracują przy tworzeniu dowodów matematycznych.",
   "why_en": "Learn how reinforcement learning and formal verification cooperate in constructing mathematical proofs."
  },
  "altman-aml-synthetic-2023": {
   "id": "altman-aml-synthetic-2023",
   "title": "Realistic Synthetic Financial Transactions for Anti-Money Laundering Models",
   "title_en": "Realistic Synthetic Financial Transactions for Anti-Money Laundering Models",
   "url": "https://arxiv.org/abs/2306.16424",
   "author": "Erik Altman, Jovan Blanuša, Luc von Niederhäusern, Béni Egressy, Andreea Anghel, Kubilay Atasu (IBM Research)",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego do trenowania modeli AML używa się danych syntetycznych z pełnymi etykietami.",
   "why_en": "Explains why fully labelled synthetic data are used to train anti-money-laundering models."
  },
  "amem-2025": {
   "id": "amem-2025",
   "title": "A-MEM: Agentic Memory for LLM Agents",
   "title_en": "A-MEM: Agentic Memory for LLM Agents",
   "url": "https://arxiv.org/abs/2502.12110",
   "author": "Wujiang Xu, Zujie Liang, Kai Mei, Hang Gao, Juntao Tan, Yongfeng Zhang",
   "sponsored": false,
   "why": "Zobaczysz, jak agentyczna pamięć organizuje doświadczenia w połączoną sieć notatek zamiast prostego magazynu.",
   "why_en": "See how agentic memory organises experiences into a linked note network rather than a simple store."
  },
  "anderson-roth-ember-2018": {
   "id": "anderson-roth-ember-2018",
   "title": "EMBER: An Open Dataset for Training Static PE Malware Machine Learning Models",
   "title_en": "EMBER: An Open Dataset for Training Static PE Malware Machine Learning Models",
   "url": "https://arxiv.org/abs/1804.04637",
   "author": "Hyrum S. Anderson, Phil Roth",
   "sponsored": false,
   "why": "Wprowadza otwarty zbiór, na którym wiele osób uczy się budować pierwszy detektor malware.",
   "why_en": "Introduces the open dataset many people use to build their first malware detector."
  },
  "android-gemini-nano": {
   "id": "android-gemini-nano",
   "title": "Gemini Nano (Android Developers)",
   "title_en": "Gemini Nano (Android Developers)",
   "url": "https://developer.android.com/ai/gemini-nano",
   "author": "Google",
   "sponsored": true,
   "why": "Poznasz interfejsy i zastosowania systemowego modelu generatywnego działającego na telefonie.",
   "why_en": "Explore interfaces and applications for a system-provided generative model running on a phone."
  },
  "angelopoulos-conformal-2021": {
   "id": "angelopoulos-conformal-2021",
   "title": "A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification",
   "url": "https://arxiv.org/abs/2107.07511",
   "author": "Anastasios N. Angelopoulos, Stephen Bates",
   "sponsored": false,
   "why": "Najczęściej polecany, przystępny przewodnik po predykcji konformalnej z przykładami kodu.",
   "why_en": "The most widely recommended, approachable guide to conformal prediction, with code examples."
  },
  "ansari-chronos-2024": {
   "id": "ansari-chronos-2024",
   "title": "Chronos: Learning the Language of Time Series",
   "title_en": "Chronos: Learning the Language of Time Series",
   "url": "https://arxiv.org/abs/2403.07815",
   "author": "Abdul Fatir Ansari, Lorenzo Stella, Caner Turkmen, Xiyuan Zhang i in. (17 autorów)",
   "sponsored": false,
   "why": "Dowiesz się, jak skalowanie i tokenizacja wartości pozwalają prognozować szeregi czasowe metodami modelowania języka.",
   "why_en": "Learn how value scaling and tokenisation enable time-series forecasting through language-modelling methods."
  },
  "anthropic-agent-evals-2026": {
   "id": "anthropic-agent-evals-2026",
   "title": "Demystifying evals for AI agents",
   "url": "https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents",
   "author": "Mikaela Grace, Jeremy Hadfield, Rodrigo Olivares, Jiri De Jonghe (Anthropic)",
   "sponsored": false,
   "why": "Praktyczny przewodnik: rodzaje graderów, pass@k i pass^k oraz łączenie testów z monitoringiem agentów.",
   "why_en": "A practical guide to grader types, pass@k and pass^k, and combining tests with agent monitoring."
  },
  "anthropic-agent-skills-2025": {
   "id": "anthropic-agent-skills-2025",
   "title": "Equipping agents for the real world with Agent Skills",
   "title_en": "Equipping agents for the real world with Agent Skills",
   "url": "https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills",
   "author": "Anthropic",
   "sponsored": true,
   "why": "Pokazuje, po co paczka umiejętności zastępuje wkładanie wszystkich procedur do promptu.",
   "why_en": "Shows why a skill package replaces stuffing every procedure into the prompt."
  },
  "anthropic-ai-orchestrated-espionage-2025": {
   "id": "anthropic-ai-orchestrated-espionage-2025",
   "title": "Disrupting the first reported AI-orchestrated cyber espionage campaign",
   "title_en": "Disrupting the first reported AI-orchestrated cyber espionage campaign",
   "url": "https://assets.anthropic.com/m/ec212e6566a0d47/original/Disrupting-the-first-reported-AI-orchestrated-cyber-espionage-campaign.pdf",
   "author": "Anthropic (zespół Threat Intelligence)",
   "sponsored": true,
   "why": "Opisuje pierwszy udokumentowany przypadek, w którym agent AI wykonał większość kroków prawdziwego ataku.",
   "why_en": "Describes the first documented case of an AI agent carrying out most steps of a real attack."
  },
  "anthropic-building-effective-agents-2024": {
   "id": "anthropic-building-effective-agents-2024",
   "title": "Building effective agents",
   "title_en": "Building effective agents",
   "url": "https://www.anthropic.com/engineering/building-effective-agents",
   "author": "Erik Schluntz, Barry Zhang (Anthropic)",
   "sponsored": true,
   "why": "Opisuje łańcuch promptów obok innych wzorców przepływu pracy i mówi, kiedy go wybrać.",
   "why_en": "Describes prompt chaining alongside other workflow patterns and says when to choose it."
  },
  "anthropic-circuit-tracing-2025": {
   "id": "anthropic-circuit-tracing-2025",
   "title": "Circuit Tracing: Revealing Computational Graphs in Language Models",
   "title_en": "Circuit Tracing: Revealing Computational Graphs in Language Models",
   "url": "https://transformer-circuits.pub/2025/attribution-graphs/methods.html",
   "author": "Emmanuel Ameisen, Jack Lindsey, Adam Pearce, Wes Gurnee, Nicholas L. Turner i in. (Anthropic, ok. 19 autorów)",
   "sponsored": false,
   "why": "Poznasz grafy atrybucji pokazujące przepływ między interpretowalnymi cechami oraz ich sprawdzanie przez perturbacje.",
   "why_en": "Explore attribution graphs showing flows between interpretable features and validation through perturbations."
  },
  "anthropic-context-engineering-2025": {
   "id": "anthropic-context-engineering-2025",
   "title": "Effective context engineering for AI agents",
   "title_en": "Effective context engineering for AI agents",
   "url": "https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents",
   "author": "Anthropic (Applied AI team)",
   "sponsored": true,
   "why": "Wyjaśnia, dlaczego długi kontekst traci ostrość i jak agenci streszczają, notują i dzielą pracę, by temu zapobiec.",
   "why_en": "Explains why long context loses sharpness and how agents summarise, take notes and split work to prevent it."
  },
  "anthropic-long-harness-2025": {
   "id": "anthropic-long-harness-2025",
   "title": "Effective harnesses for long-running agents",
   "title_en": "Effective harnesses for long-running agents",
   "url": "https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents",
   "author": "Anthropic",
   "sponsored": true,
   "why": "Opisuje przekazanie pracy między sesjami: dziennik, lista cech i czysty stan.",
   "why_en": "Describes handing work between sessions: a log, a feature list and a clean state."
  },
  "anthropic-prompt-caching": {
   "id": "anthropic-prompt-caching",
   "title": "Prompt caching — dokumentacja Claude API",
   "title_en": "Prompt caching — Claude API documentation",
   "url": "https://platform.claude.com/docs/en/build-with-claude/prompt-caching",
   "author": "Anthropic",
   "sponsored": false,
   "why": "Dowiesz się, jak konfigurować pamięć podręczną powtarzanego prefiksu promptu i rozumieć warunki jej użycia.",
   "why_en": "Learn how to configure caching for repeated prompt prefixes and understand its usage conditions."
  },
  "anthropic-prompt-evals": {
   "id": "anthropic-prompt-evals",
   "title": "Anthropic Courses · Prompt evaluations",
   "title_en": "Anthropic Courses · Prompt evaluations",
   "url": "https://github.com/anthropics/courses/tree/master/prompt_evaluations",
   "author": "Anthropic",
   "sponsored": false,
   "why": "Przećwiczysz budowanie przypadków testowych i ocenianie promptów przez ludzi, kod oraz modele.",
   "why_en": "Practise building test cases and evaluating prompts through humans, code and models."
  },
  "anthropic-scaling-monosemanticity-2024": {
   "id": "anthropic-scaling-monosemanticity-2024",
   "title": "Scaling Monosemanticity: Extracting Interpretable Features from Claude 3 Sonnet",
   "title_en": "Scaling Monosemanticity: Extracting Interpretable Features from Claude 3 Sonnet",
   "url": "https://transformer-circuits.pub/2024/scaling-monosemanticity/",
   "author": "Adly Templeton i in. (Anthropic)",
   "sponsored": false,
   "why": "Dowiesz się, jak rzadkie autoenkodery wydzielają interpretowalne cechy z aktywacji modelu językowego.",
   "why_en": "Learn how sparse autoencoders extract interpretable features from language-model activations."
  },
  "anthropic-selfassessment-2026": {
   "id": "anthropic-selfassessment-2026",
   "title": "Scaling Misuse Detection with Self-Assessment",
   "title_en": "Scaling Misuse Detection with Self-Assessment",
   "url": "https://safeguards.anthropic.com/2026/self-assessment/",
   "author": "Yiming Zhang, Chen Xia, Andy Dau, John Wang, James Yu, Bobby Chen, Andreas Terzis, Nicholas Carlini, Erik Jones",
   "sponsored": false,
   "why": "Opisuje mechanizm samoceny, trening i wyniki wykrywania nadużyć na ruchu produkcyjnym.",
   "why_en": "Describes the self-assessment mechanism, training and misuse detection results on production traffic."
  },
  "apple-afm-2025": {
   "id": "apple-afm-2025",
   "title": "Apple Intelligence Foundation Language Models Tech Report 2025",
   "title_en": "Apple Intelligence Foundation Language Models Tech Report 2025",
   "url": "https://machinelearning.apple.com/research/apple-foundation-models-tech-report-2025",
   "author": "Apple",
   "sponsored": true,
   "why": "Poznasz rozwiązania architektoniczne i adaptacyjne opisane dla modeli urządzeniowych oraz serwerowych producenta.",
   "why_en": "Explore architectural and adaptation choices described for the vendor's device and server models."
  },
  "apple-afm3-2026": {
   "id": "apple-afm3-2026",
   "title": "Trzecia generacja modeli bazowych Apple",
   "title_en": "Introducing the Third Generation of Apple’s Foundation Models",
   "url": "https://machinelearning.apple.com/research/introducing-third-generation-of-apple-foundation-models",
   "author": "Apple",
   "sponsored": true,
   "why": "Porównasz opisane przez producenta gęste i rzadkie modele przeznaczone do pracy na urządzeniu.",
   "why_en": "Compare the vendor's described dense and sparse models designed to run on devices."
  },
  "apple-heart-study-2019": {
   "id": "apple-heart-study-2019",
   "title": "Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation (Apple Heart Study)",
   "title_en": "Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation (Apple Heart Study)",
   "url": "https://pubmed.ncbi.nlm.nih.gov/31722151/",
   "author": "Marco V. Perez, Kenneth W. Mahaffey, Haley Hedlin i in.",
   "sponsored": true,
   "why": "Pokazuje, jak często zegarek ostrzega o nieregularnym rytmie i ile takich alarmów się potwierdza.",
   "why_en": "Shows how often a watch warns of an irregular rhythm and how many of those alerts are confirmed."
  },
  "applied-llms-2024": {
   "id": "applied-llms-2024",
   "title": "What We've Learned From A Year of Building with LLMs",
   "title_en": "What We've Learned From A Year of Building with LLMs",
   "url": "https://applied-llms.org/",
   "author": "Eugene Yan, Bryan Bischof, Charles Frye, Hamel Husain, Jason Liu, Shreya Shankar",
   "sponsored": false,
   "why": "Praktycy opisują iterowanie produktów z modelami językowymi przez ewaluację, dane, monitoring i decyzje zespołowe.",
   "why_en": "Practitioners describe iterating language-model products through evaluation, data, monitoring and team decisions."
  },
  "arp-dos-donts-ml-security-2020": {
   "id": "arp-dos-donts-ml-security-2020",
   "title": "Dos and Don'ts of Machine Learning in Computer Security",
   "title_en": "Dos and Don'ts of Machine Learning in Computer Security",
   "url": "https://arxiv.org/abs/2010.09470",
   "author": "Daniel Arp, Erwin Quiring, Feargus Pendlebury, Alexander Warnecke, Fabio Pierazzi, Christian Wressnegger, Lorenzo Cavallaro, Konrad Rieck",
   "sponsored": false,
   "why": "Wylicza typowe błędy, przez które modele bezpieczeństwa świetnie wypadają w artykule, a słabo w praktyce.",
   "why_en": "Lists the common mistakes that make security models shine on paper but fail in practice."
  },
  "arriola-bd3lm-2025": {
   "id": "arriola-bd3lm-2025",
   "title": "Block Diffusion: Interpolating Between Autoregressive and Diffusion Language Models",
   "title_en": "Block Diffusion: Interpolating Between Autoregressive and Diffusion Language Models",
   "url": "https://arxiv.org/abs/2503.09573",
   "author": "Marianne Arriola, Aaron Gokaslan, Justin T. Chiu, Zhihan Yang, Zhixuan Qi, Jiaqi Han, Subham Sekhar Sahoo, Volodymyr Kuleshov",
   "sponsored": false,
   "why": "Dyfuzja wewnątrz bloku i dopisywanie bloków, ze zmienną długością i pamięcią kluczy.",
   "why_en": "Diffusion inside a block plus block-by-block writing, with flexible length and a key cache."
  },
  "artstein-poesio-2008": {
   "id": "artstein-poesio-2008",
   "title": "Survey Article: Inter-Coder Agreement for Computational Linguistics",
   "title_en": "Survey Article: Inter-Coder Agreement for Computational Linguistics",
   "url": "https://aclanthology.org/J08-4004/",
   "author": "Ron Artstein, Massimo Poesio",
   "sponsored": false,
   "why": "Porównasz miary zgodności anotatorów oraz założenia wpływające na interpretację ich wyników.",
   "why_en": "Compare annotator-agreement measures and assumptions affecting interpretation of their results."
  },
  "asa-statistical-significance-2021": {
   "id": "asa-statistical-significance-2021",
   "title": "Stanowisko grupy zadaniowej ASA o istotności statystycznej i replikowalności",
   "title_en": "ASA President’s Task Force Statement on Statistical Significance and Replicability",
   "url": "https://magazine.amstat.org/blog/2021/08/01/task-force-statement-p-value/",
   "author": "ASA President’s Task Force on Statistical Significance and Replicability",
   "sponsored": false,
   "why": "Zrozumiesz, dlaczego istotność statystyczna nie określa znaczenia praktycznego ani całej niepewności wyniku.",
   "why_en": "Understand why statistical significance determines neither practical importance nor all uncertainty surrounding a result."
  },
  "asag2024-2024": {
   "id": "asag2024-2024",
   "title": "ASAG2024: A Combined Benchmark for Short Answer Grading",
   "title_en": "ASAG2024: A Combined Benchmark for Short Answer Grading",
   "url": "https://arxiv.org/abs/2409.18596",
   "author": "Gérôme Meyer, Philip Breuer, Jonathan Fürst",
   "sponsored": false,
   "why": "Pokazuje, jak porównywać systemy sprawdzające krótkie odpowiedzi i że wciąż ustępują ludziom.",
   "why_en": "Shows how short-answer grading systems are compared and that they still fall short of humans."
  },
  "ast-2021": {
   "id": "ast-2021",
   "title": "AST: Audio Spectrogram Transformer",
   "title_en": "AST: Audio Spectrogram Transformer",
   "url": "https://arxiv.org/abs/2104.01778",
   "author": "Yuan Gong, Yu-An Chung, James Glass",
   "sponsored": false,
   "why": "Pokazuje, jak transformer rozpoznaje dźwięki, patrząc na ich obraz częstotliwości.",
   "why_en": "Shows how a transformer recognises sounds by looking at their frequency picture."
  },
  "astronet-2017": {
   "id": "astronet-2017",
   "title": "Identifying Exoplanets with Deep Learning: A Five Planet Resonant Chain around Kepler-80 and an Eighth Planet around Kepler-90",
   "title_en": "Identifying Exoplanets with Deep Learning: A Five Planet Resonant Chain around Kepler-80 and an Eighth Planet around Kepler-90",
   "url": "https://arxiv.org/abs/1712.05044",
   "author": "Christopher J. Shallue, Andrew Vanderburg",
   "sponsored": false,
   "why": "Pokazuje, jak sieć konwolucyjna znalazła nowe planety w archiwalnych danych teleskopu.",
   "why_en": "Shows how a convolutional network found new planets in archival telescope data."
  },
  "atlas-sdl-2025": {
   "id": "atlas-sdl-2025",
   "title": "Atlas: a brain for self-driving laboratories",
   "title_en": "Atlas: a brain for self-driving laboratories",
   "url": "https://pubs.rsc.org/en/content/articlehtml/2025/dd/d4dd00115j",
   "author": "Riley J. Hickman, Malcolm Sim, Sergio Pablo-García i in. (University of Toronto)",
   "sponsored": false,
   "why": "Wyjaśnia pętlę laboratorium autonomicznego i to, jak optymalizacja bayesowska wybiera kolejne eksperymenty.",
   "why_en": "Explains the self-driving lab loop and how Bayesian optimisation picks the next experiments."
  },
  "audio": {
   "id": "audio",
   "title": "Hugging Face · Audio Course",
   "url": "https://huggingface.co/learn/audio-course/en/chapter0/introduction",
   "kind": "reference",
   "note": "Dane audio, klasyfikacja, ASR, TTS i modele mowy.",
   "sponsored": false,
   "why": "Przećwiczysz przygotowanie danych audio, klasyfikację dźwięków, rozpoznawanie mowy i jej syntezę.",
   "why_en": "Practise preparing audio data, classifying sounds, recognising speech and synthesising speech."
  },
  "audioldm-2023": {
   "id": "audioldm-2023",
   "title": "AudioLDM: Text-to-Audio Generation with Latent Diffusion Models",
   "title_en": "AudioLDM: Text-to-Audio Generation with Latent Diffusion Models",
   "url": "https://arxiv.org/abs/2301.12503",
   "author": "Haohe Liu, Zehua Chen, Yi Yuan, Xinhao Mei, Xubo Liu, Danilo Mandic, Wenwu Wang, Mark D. Plumbley",
   "sponsored": false,
   "why": "Pokazuje, jak tworzyć dowolne odgłosy z opisu tą samą metodą co obrazy.",
   "why_en": "Shows how to create any sound from a description using the same method as images."
  },
  "audioset-2017": {
   "id": "audioset-2017",
   "title": "Audio Set: An ontology and human-labeled dataset for audio events",
   "title_en": "Audio Set: An ontology and human-labeled dataset for audio events",
   "url": "https://research.google.com/audioset/",
   "author": "Jort F. Gemmeke, Daniel P. W. Ellis, Dylan Freedman, Aren Jansen, Wade Lawrence, R. Channing Moore, Manoj Plakal, Marvin Ritter (Google)",
   "sponsored": false,
   "why": "Opisuje największy publiczny zbiór nagrań do uczenia rozpoznawania dźwięków.",
   "why_en": "Describes the largest public set of recordings for training sound recognition."
  },
  "aumiller-eurlexsum-2022": {
   "id": "aumiller-eurlexsum-2022",
   "title": "EUR-Lex-Sum: A Multi- and Cross-lingual Dataset for Long-form Summarization in the Legal Domain",
   "url": "https://arxiv.org/abs/2210.13448",
   "author": "Dennis Aumiller, Ashish Chouhan, Michael Gertz",
   "sponsored": false,
   "why": "Przedstawia wielojęzyczny zbiór streszczeń prawa UE, także po polsku.",
   "why_en": "Presents a multilingual dataset of EU law summaries, Polish included."
  },
  "austin-d3pm-2021": {
   "id": "austin-d3pm-2021",
   "title": "Structured Denoising Diffusion Models in Discrete State-Spaces",
   "title_en": "Structured Denoising Diffusion Models in Discrete State-Spaces",
   "url": "https://arxiv.org/abs/2107.03006",
   "author": "Jacob Austin, Daniel D. Johnson, Jonathan Ho, Daniel Tarlow, Rianne van den Berg",
   "sponsored": false,
   "why": "Macierze przejść dyskretnej dyfuzji, w tym maska jako stan pochłaniający, i predykcja oryginału.",
   "why_en": "Discrete diffusion transition matrices, including a mask absorbing state, and original-token prediction."
  },
  "automated-code-review-practice-2024": {
   "id": "automated-code-review-practice-2024",
   "title": "Automated Code Review In Practice",
   "title_en": "Automated Code Review In Practice",
   "url": "https://arxiv.org/abs/2412.18531",
   "author": "Umut Cihan, Vahid Haratian, Arda İçöz, Mert Kaan Gül, Ömercan Devran, Emircan Furkan Bayendur, Baykal Mehmet Uçar, Eray Tüzün",
   "sponsored": false,
   "why": "Pokazuje realne korzyści i koszty automatycznego przeglądu kodu w firmie, w tym wydłużenie zamykania zmian.",
   "why_en": "Shows the real benefits and costs of automated code review in a company, including slower merges."
  },
  "autonomous-gis-2023": {
   "id": "autonomous-gis-2023",
   "title": "Autonomous GIS: the next-generation AI-powered GIS",
   "title_en": "Autonomous GIS: the next-generation AI-powered GIS",
   "url": "https://arxiv.org/abs/2305.06453",
   "author": "Zhenlong Li; Huan Ning",
   "sponsored": false,
   "why": "Pierwsza szeroko cytowana wizja i prototyp agenta, który sam planuje i wykonuje analizy GIS.",
   "why_en": "The first widely cited vision and prototype of an agent that plans and runs GIS analyses itself."
  },
  "bahdanau-2014-attention-nmt": {
   "id": "bahdanau-2014-attention-nmt",
   "title": "Neural Machine Translation by Jointly Learning to Align and Translate",
   "title_en": "Neural Machine Translation by Jointly Learning to Align and Translate",
   "url": "https://arxiv.org/abs/1409.0473",
   "author": "Dzmitry Bahdanau, Kyunghyun Cho, Yoshua Bengio",
   "sponsored": false,
   "why": "Historyczna praca, w której mechanizm uwagi narodził się właśnie przy tłumaczeniu.",
   "why_en": "The historic paper where attention was born, precisely for translation."
  },
  "bai-2022-hh-rlhf": {
   "id": "bai-2022-hh-rlhf",
   "title": "Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback",
   "url": "https://arxiv.org/abs/2204.05862",
   "author": "Yuntao Bai, Andy Jones, Kamal Ndousse, Amanda Askell, Anna Chen, Nova DasSarma, Dawn Drain, Stanislav Fort, Deep Ganguli, Tom Henighan, Nicholas Joseph, Saurav Kadavath, Jackson Kernion, Tom Conerly, Sheer El-Showk, Nelson Elhage, Zac Hatfield-Dodds, Danny Hernandez, Tristan Hume, Scott Johnston, Shauna Kravec, Liane Lovitt, Neel Nanda, Catherine Olsson, Dario Amodei, Tom Brown, Jack Clark, Sam McCandlish, Chris Olah, Ben Mann, Jared Kaplan",
   "sponsored": false,
   "why": "Szczegółowo opisuje, jak w praktyce zbiera się porównania odpowiedzi od ludzi do trenowania asystenta.",
   "why_en": "Describes in detail how pairwise human comparisons are collected in practice to train an assistant."
  },
  "bailey-pbo-2015": {
   "id": "bailey-pbo-2015",
   "title": "The Probability of Backtest Overfitting",
   "title_en": "The Probability of Backtest Overfitting",
   "url": "https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2326253",
   "author": "David H. Bailey, Jonathan M. Borwein, Marcos López de Prado, Qiji Jim Zhu",
   "sponsored": false,
   "why": "Wprowadza miarę, która szacuje, na ile „najlepsza” strategia z backtestu jest tylko przypadkiem.",
   "why_en": "Introduces a measure estimating how likely the “best” backtested strategy is mere luck."
  },
  "bain-whisperx-2023": {
   "id": "bain-whisperx-2023",
   "title": "WhisperX: Time-Accurate Speech Transcription of Long-Form Audio",
   "title_en": "WhisperX: Time-Accurate Speech Transcription of Long-Form Audio",
   "url": "https://www.isca-archive.org/interspeech_2023/bain23_interspeech.html",
   "author": "Max Bain, Jaesung Huh, Tengda Han, Andrew Zisserman",
   "sponsored": false,
   "why": "Dowiesz się, jak wyrównanie tekstu i detekcja mowy wspierają wyznaczanie czasów słów.",
   "why_en": "Learn how text alignment and speech detection support word timestamps."
  },
  "baker-vpt-2022": {
   "id": "baker-vpt-2022",
   "title": "Video PreTraining (VPT): Learning to Act by Watching Unlabeled Online Videos",
   "title_en": "Video PreTraining (VPT): Learning to Act by Watching Unlabeled Online Videos",
   "url": "https://arxiv.org/abs/2206.11795",
   "author": "Bowen Baker, Ilge Akkaya, Peter Zhokhov, Joost Huizinga, Jie Tang, Adrien Ecoffet, Brandon Houghton, Raul Sampedro, Jeff Clune",
   "sponsored": false,
   "why": "Opisuje, jak agent nauczył się złożonej gry, oglądając filmy graczy bez zapisu naciśniętych klawiszy.",
   "why_en": "Describes how an agent learned a complex game by watching players' videos with no record of keys pressed."
  },
  "balestriero-ssl-cookbook-2023": {
   "id": "balestriero-ssl-cookbook-2023",
   "title": "A Cookbook of Self-Supervised Learning",
   "url": "https://arxiv.org/abs/2304.12210",
   "author": "Randall Balestriero, Mark Ibrahim, Vlad Sobal, Ari Morcos, Shashank Shekhar, Tom Goldstein, Florian Bordes, Adrien Bardes, Gregoire Mialon, Yuandong Tian, Avi Schwarzschild, Andrew Gordon Wilson, Jonas Geiping, Quentin Garrido, Pierre Fernandez, Amir Bar, Hamed Pirsiavash, Yann LeCun, Micah Goldblum",
   "sponsored": false,
   "why": "Przegląd praktyka: jakie wybory decydują o powodzeniu uczenia samonadzorowanego i jak je ustawiać.",
   "why_en": "A practitioner's overview of which choices make self-supervised learning succeed and how to set them."
  },
  "bastani-guardrails-2025": {
   "id": "bastani-guardrails-2025",
   "title": "Generative AI without guardrails can harm learning: Evidence from high school mathematics",
   "title_en": "Generative AI without guardrails can harm learning: Evidence from high school mathematics",
   "url": "https://www.pnas.org/doi/10.1073/pnas.2422633122",
   "author": "Hamsa Bastani, Osbert Bastani, Alp Sungu, Haosen Ge, Özge Kabakcı, Rei Mariman",
   "sponsored": false,
   "why": "Pokazuje w eksperymencie, że czatbot bez ograniczeń poprawia wyniki ćwiczeń, ale może pogorszyć samodzielną naukę.",
   "why_en": "Shows experimentally that an unconstrained chatbot lifts practice scores but can harm independent learning."
  },
  "batchnorm-2015": {
   "id": "batchnorm-2015",
   "title": "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift",
   "title_en": "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift",
   "url": "https://arxiv.org/abs/1502.03167",
   "author": "Sergey Ioffe, Christian Szegedy",
   "sponsored": false,
   "why": "Poznasz normalizację aktywacji według statystyk partii oraz jej wpływ na przebieg treningu sieci.",
   "why_en": "Explore activation normalisation using batch statistics and its effects on network training."
  },
  "bdc-survey-2024": {
   "id": "bdc-survey-2024",
   "title": "Benchmark Data Contamination of Large Language Models: A Survey",
   "title_en": "Benchmark Data Contamination of Large Language Models: A Survey",
   "url": "https://arxiv.org/abs/2406.04244",
   "author": "Cheng Xu, Shuhao Guan, Derek Greene, M-Tahar Kechadi",
   "sponsored": false,
   "why": "Poznasz sposoby wykrywania i ograniczania zanieczyszczenia benchmarków danymi, które model widział podczas treningu.",
   "why_en": "Explore methods for detecting and limiting benchmark contamination from data models encountered during training."
  },
  "beir-2021": {
   "id": "beir-2021",
   "title": "BEIR: A Heterogeneous Benchmark for Zero-shot Evaluation of Information Retrieval Models",
   "url": "https://arxiv.org/abs/2104.08663",
   "author": "Nandan Thakur, Nils Reimers, Andreas Rücklé, Abhishek Srivastava, Iryna Gurevych (UKP Lab, TU Darmstadt)",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego nDCG@10 stało się standardową miarą i jak porównywać wyszukiwarki na wielu zbiorach.",
   "why_en": "Explains why nDCG@10 became the standard metric and how to compare retrievers across many datasets."
  },
  "belinkov-probing-2021": {
   "id": "belinkov-probing-2021",
   "title": "Probing Classifiers: Promises, Shortcomings, and Advances",
   "title_en": "Probing Classifiers: Promises, Shortcomings, and Advances",
   "url": "https://arxiv.org/abs/2102.12452",
   "author": "Yonatan Belinkov",
   "sponsored": false,
   "why": "Zrozumiesz, co klasyfikatory sondujące ujawniają o reprezentacjach modelu i jakie ograniczenia mają takie wnioski.",
   "why_en": "Understand what probing classifiers reveal about model representations and the limitations of those conclusions."
  },
  "belkin-doubledescent-2019": {
   "id": "belkin-doubledescent-2019",
   "title": "Belkin i in. · Reconciling modern machine learning practice and the bias-variance trade-off",
   "title_en": "Belkin et al. · Reconciling modern machine learning practice and the bias-variance trade-off",
   "url": "https://arxiv.org/abs/1812.11118",
   "author": "Mikhail Belkin, Daniel Hsu, Siyuan Ma, Soumik Mandal",
   "sponsored": false,
   "why": "Praca, która nazwała i pokazała zjawisko podwójnego zejścia na kilku rodzajach modeli.",
   "why_en": "The paper that named double descent and demonstrated it across several model families."
  },
  "benchcapon-etal-legal-argument-2024": {
   "id": "benchcapon-etal-legal-argument-2024",
   "title": "Computational Models of Legal Argument",
   "url": "https://www.ai.rug.nl/~verheij/publications/hofa3ch3.htm",
   "author": "Trevor Bench-Capon, Katie Atkinson, Floris Bex, Henry Prakken, Bart Verheij",
   "sponsored": false,
   "why": "Aktualny rozdział podręcznikowy o tym, jak AI tworzy i ocenia argumenty prawne.",
   "why_en": "A current handbook chapter on how AI generates and evaluates legal arguments."
  },
  "benchcapon-hypo-legacy-2017": {
   "id": "benchcapon-hypo-legacy-2017",
   "title": "HYPO's Legacy: Introduction to the Virtual Special Issue",
   "url": "https://www.csc.liv.ac.uk/~tbc/publications/hypoLegacy.pdf",
   "author": "Trevor J. M. Bench-Capon",
   "sponsored": false,
   "why": "Wyjaśnia dwa klasyczne programy argumentacji prawniczej i ich pojęcia: wymiary, czynniki i argument trójfazowy.",
   "why_en": "Explains two classic legal argument programs and their concepts: dimensions, factors and the three-ply argument."
  },
  "bentoml-fast-scaling": {
   "id": "bentoml-fast-scaling",
   "title": "Fast scaling (LLM Inference Handbook)",
   "title_en": "Fast scaling (LLM Inference Handbook)",
   "url": "https://bentoml.com/llm/infrastructure-and-operations/fast-scaling",
   "author": "BentoML",
   "sponsored": true,
   "why": "Dowiesz się, jak zimny start i wybór metryk wpływają na skalowanie infrastruktury inferencji.",
   "why_en": "Learn how cold starts and metric choices affect inference-infrastructure scaling."
  },
  "bentoml-gpu-memory": {
   "id": "bentoml-gpu-memory",
   "title": "Calculating GPU memory for serving LLMs (LLM Inference Handbook)",
   "title_en": "Calculating GPU memory for serving LLMs (LLM Inference Handbook)",
   "url": "https://bentoml.com/llm/getting-started/calculating-gpu-memory-for-llms",
   "author": "BentoML",
   "sponsored": true,
   "why": "Nauczysz się wstępnie szacować pamięć potrzebną na wagi modelu podczas serwowania.",
   "why_en": "Learn to estimate initial memory requirements for model weights during serving."
  },
  "bentoml-inference-metrics": {
   "id": "bentoml-inference-metrics",
   "title": "Key metrics for LLM inference (LLM Inference Handbook)",
   "title_en": "Key metrics for LLM inference (LLM Inference Handbook)",
   "url": "https://bentoml.com/llm/inference-optimization/llm-inference-metrics",
   "author": "BentoML",
   "sponsored": true,
   "why": "Rozróżnisz czas do pierwszego tokenu, odstępy między tokenami, przepustowość i ruch spełniający wymagania jakości usługi.",
   "why_en": "Distinguish time to first token, inter-token latency, throughput and traffic meeting service-quality requirements."
  },
  "benzaken-2021-bitfit": {
   "id": "benzaken-2021-bitfit",
   "title": "BitFit: Simple Parameter-efficient Fine-tuning for Transformer-based Masked Language-models",
   "url": "https://arxiv.org/abs/2106.10199",
   "author": "Elad Ben-Zaken, Shauli Ravfogel, Yoav Goldberg",
   "sponsored": false,
   "why": "Pokazuje, że zmiana zaskakująco małej części modelu potrafi wystarczyć do dostrojenia.",
   "why_en": "Shows that changing a surprisingly small part of a model can be enough for fine-tuning."
  },
  "bergdahl-drl-game-testing-2021": {
   "id": "bergdahl-drl-game-testing-2021",
   "title": "Augmenting Automated Game Testing with Deep Reinforcement Learning",
   "url": "https://arxiv.org/abs/2103.15819",
   "author": "Joakim Bergdahl, Camilo Gordillo, Konrad Tollmar, Linus Gisslén",
   "sponsored": false,
   "why": "Pokazuje, jak agenci uczeni przez wzmocnienie znajdują błędy i dziury w prawdziwych grach.",
   "why_en": "Shows how reinforcement-learning agents find bugs and loopholes in real games."
  },
  "bergmann-mvtec3d-2021": {
   "id": "bergmann-mvtec3d-2021",
   "title": "The MVTec 3D-AD Dataset for Unsupervised 3D Anomaly Detection and Localization",
   "url": "https://arxiv.org/abs/2112.09045",
   "author": "Paul Bergmann, Xin Jin, David Sattlegger, Carsten Steger",
   "sponsored": false,
   "why": "Opisuje podstawowy zbiór skanów 3D do nauki wykrywania wad zmieniających kształt.",
   "why_en": "Describes the core 3D scan dataset for learning to detect shape-changing defects."
  },
  "bert-2018": {
   "id": "bert-2018",
   "title": "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding",
   "title_en": "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding",
   "url": "https://arxiv.org/abs/1810.04805",
   "author": "Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova",
   "sponsored": false,
   "why": "Poznasz pretraining dwukierunkowego enkodera wykorzystującego kontekst po obu stronach tokenu.",
   "why_en": "Explore pretraining a bidirectional encoder using context on both sides of a token."
  },
  "bertscore-2019": {
   "id": "bertscore-2019",
   "title": "BERTScore: Evaluating Text Generation with BERT",
   "title_en": "BERTScore: Evaluating Text Generation with BERT",
   "url": "https://arxiv.org/abs/1904.09675",
   "author": "Tianyi Zhang, Varsha Kishore, Felix Wu, Kilian Q. Weinberger, Yoav Artzi",
   "sponsored": false,
   "why": "Dowiesz się, jak podobieństwo kontekstowych embeddingów służy do porównywania wygenerowanego tekstu z odpowiedzią wzorcową.",
   "why_en": "Learn how contextual-embedding similarity compares generated text with reference responses."
  },
  "bevformer-2022": {
   "id": "bevformer-2022",
   "title": "BEVFormer: Learning Bird's-Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers",
   "title_en": "BEVFormer: Learning Bird's-Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers",
   "url": "https://arxiv.org/abs/2203.17270",
   "author": "Zhiqi Li, Wenhai Wang, Hongyang Li, Enze Xie, Chonghao Sima, Tong Lu, Yu Qiao, Jifeng Dai",
   "sponsored": false,
   "why": "Pokazuje, jak transformer zbiera obrazy z wielu kamer i chwil w jedną mapę z góry.",
   "why_en": "Shows how a transformer gathers many cameras and moments into one top-down map."
  },
  "bevfusion-2022": {
   "id": "bevfusion-2022",
   "title": "BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation",
   "title_en": "BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation",
   "url": "https://arxiv.org/abs/2205.13542",
   "author": "Zhijian Liu, Haotian Tang, Alexander Amini, Xinyu Yang, Huizi Mao, Daniela Rus, Song Han",
   "sponsored": false,
   "why": "Pokazuje, jak łączyć kamery i LiDAR we wspólnym widoku z góry i dlaczego tak lepiej.",
   "why_en": "Shows how to merge cameras and LiDAR in a shared top-down view and why it works better."
  },
  "biggio-uncertainty-rul-dgp-2021": {
   "id": "biggio-uncertainty-rul-dgp-2021",
   "title": "Uncertainty-aware Remaining Useful Life predictor",
   "url": "https://arxiv.org/abs/2104.03613",
   "author": "Luca Biggio, Alexander Wieland, Manuel Arias Chao, Iason Kastanis, Olga Fink",
   "sponsored": false,
   "why": "Pokazuje, jak prognozować czas do awarii razem z wiarygodnym zakresem niepewności.",
   "why_en": "Shows how to forecast time to failure together with a trustworthy uncertainty range."
  },
  "bittner-basicpitch-2022": {
   "id": "bittner-basicpitch-2022",
   "title": "A Lightweight Instrument-Agnostic Model for Polyphonic Note Transcription and Multipitch Estimation",
   "title_en": "A Lightweight Instrument-Agnostic Model for Polyphonic Note Transcription and Multipitch Estimation",
   "url": "https://arxiv.org/abs/2203.09893",
   "author": "Rachel M. Bittner i in.",
   "sponsored": false,
   "why": "Poznasz wspólne przewidywanie początków, wysokości i aktywności nut.",
   "why_en": "Learn joint prediction of note onsets, pitches and activity."
  },
  "blairstanek-gpt3-statutory-2023": {
   "id": "blairstanek-gpt3-statutory-2023",
   "title": "Can GPT-3 Perform Statutory Reasoning?",
   "url": "https://arxiv.org/abs/2302.06100",
   "author": "Andrew Blair-Stanek, Nils Holzenberger, Benjamin Van Durme",
   "sponsored": false,
   "why": "Pokazuje, że duży model często opiera się na zapamiętanym prawie, a nie na podanym przepisie.",
   "why_en": "Shows that a large model often relies on memorised law rather than the provision it is given."
  },
  "blattmann-2023-svd": {
   "id": "blattmann-2023-svd",
   "title": "Stable Video Diffusion: Scaling Latent Video Diffusion Models to Large Datasets",
   "url": "https://arxiv.org/html/2311.15127v1",
   "author": "Andreas Blattmann, Tim Dockhorn, Sumith Kulal, Daniel Mendelevitch, Maciej Kilian, Dominik Lorenz, Yam Levi, Zion English, Vikram Voleti, Adam Letts, Varun Jampani, Robin Rombach",
   "sponsored": false,
   "why": "Szczegółowy, opisany krok po kroku przykład przygotowania danych wideo do modelu generatywnego.",
   "why_en": "A detailed, step-by-step example of preparing video data for a generative model."
  },
  "blei-lda-2003": {
   "id": "blei-lda-2003",
   "title": "Latent Dirichlet Allocation",
   "url": "https://www.jmlr.org/papers/v3/blei03a.html",
   "author": "David M. Blei, Andrew Y. Ng, Michael I. Jordan",
   "sponsored": false,
   "why": "Pierwotna publikacja LDA wyjaśnia probabilistyczny model dokumentów jako mieszaniny tematów.",
   "why_en": "The original LDA paper explains the probabilistic model of documents as mixtures of topics."
  },
  "blei2017vi": {
   "id": "blei2017vi",
   "title": "Variational Inference: A Review for Statisticians",
   "title_en": "Variational Inference: A Review for Statisticians",
   "url": "https://arxiv.org/abs/1601.00670",
   "author": "David M. Blei, Alp Kucukelbir, Jon D. McAuliffe",
   "sponsored": false,
   "why": "Zrozumiesz przybliżanie rozkładów przez optymalizację wariacyjną oraz kompromisy względem metod próbkowania.",
   "why_en": "Understand distribution approximation through variational optimisation and its trade-offs against sampling methods."
  },
  "bloomberggpt-2023": {
   "id": "bloomberggpt-2023",
   "title": "BloombergGPT: A Large Language Model for Finance",
   "title_en": "BloombergGPT: A Large Language Model for Finance",
   "url": "https://arxiv.org/abs/2303.17564",
   "author": "Shijie Wu, Ozan Irsoy, Steven Lu, Vadim Dabravolski, Mark Dredze, Sebastian Gehrmann, Prabhanjan Kambadur, David Rosenberg, Gideon Mann",
   "sponsored": false,
   "why": "Pokazuje, jak zbudowano duży model językowy specjalnie dla finansów i z jakich danych.",
   "why_en": "Shows how a large language model was built specifically for finance and from what data."
  },
  "bluedot-technical-ai-safety": {
   "id": "bluedot-technical-ai-safety",
   "title": "Technical AI Safety — kurs BlueDot Impact",
   "title_en": "Technical AI Safety — BlueDot Impact course",
   "url": "https://bluedot.org/courses/technical-ai-safety",
   "author": "BlueDot Impact",
   "sponsored": false,
   "why": "Kurs uporządkuje metody bezpieczniejszego treningu, ewaluacji zagrożeń, interpretowalności i ograniczania szkód.",
   "why_en": "The course organises safer training, threat evaluation, interpretability and harm-reduction methods."
  },
  "boe-ai-survey-2024": {
   "id": "boe-ai-survey-2024",
   "title": "Artificial intelligence in UK financial services - 2024",
   "title_en": "Artificial intelligence in UK financial services - 2024",
   "url": "https://www.bankofengland.co.uk/report/2024/artificial-intelligence-in-uk-financial-services-2024",
   "author": "Bank of England, Financial Conduct Authority",
   "sponsored": false,
   "why": "Daje liczby: ile firm finansowych używa AI, do czego i czego się przy tym obawiają.",
   "why_en": "Gives numbers on how many financial firms use AI, for what, and what worries them."
  },
  "boids-reynolds": {
   "id": "boids-reynolds",
   "title": "Boids (Flocks, Herds, and Schools: a Distributed Behavioral Model)",
   "url": "https://www.red3d.com/cwr/boids/",
   "author": "Craig Reynolds",
   "sponsored": false,
   "why": "Strona twórcy modelu opisuje trzy reguły stada i pokazuje, gdzie użyto ich w animacji.",
   "why_en": "The model creator's page describes the three flocking rules and shows where they were used in animation."
  },
  "bonafilia-sen1floods11-2020": {
   "id": "bonafilia-sen1floods11-2020",
   "title": "Sen1Floods11: a georeferenced dataset to train and test deep learning flood algorithms for Sentinel-1",
   "url": "https://openaccess.thecvf.com/content_CVPRW_2020/papers/w11/Bonafilia_Sen1Floods11_A_Georeferenced_Dataset_to_Train_and_Test_Deep_Learning_CVPRW_2020_paper.pdf",
   "author": "Derrick Bonafilia, Beth Tellman, Tyler Anderson, Erica Issenberg",
   "sponsored": false,
   "why": "Pokazuje, jak uczy się sieci wykrywać powodzie na obrazach radarowych przy niewielu ręcznych etykietach.",
   "why_en": "Shows how networks learn to map floods in radar images with few hand labels."
  },
  "bootcamp": {
   "id": "bootcamp",
   "title": "FSDL · LLM Bootcamp (2023, archiwum)",
   "url": "https://fullstackdeeplearning.com/llm-bootcamp/spring-2023/",
   "kind": "reference",
   "note": "Aplikacje LLM, prompting, retrieval, UX i LLMOps.",
   "sponsored": false,
   "why": "Poznasz praktyczny proces budowania aplikacji językowych obejmujący prompty, wyszukiwanie, doświadczenie użytkownika i utrzymanie.",
   "why_en": "Explore a practical language-application workflow covering prompts, retrieval, user experience and operations."
  },
  "boyd-vandenberghe-cvxbook": {
   "id": "boyd-vandenberghe-cvxbook",
   "title": "Boyd, Vandenberghe · Convex Optimization",
   "title_en": "Boyd & Vandenberghe · Convex Optimization",
   "url": "https://web.stanford.edu/~boyd/cvxbook/",
   "author": "Stephen Boyd, Lieven Vandenberghe",
   "sponsored": false,
   "why": "Klasyczny, bezpłatny podręcznik optymalizacji wypukłej z dualnością i metodami rozwiązywania.",
   "why_en": "The classic free textbook on convex optimisation, duality and solution methods."
  },
  "braai-ztf-2019": {
   "id": "braai-ztf-2019",
   "title": "Real-bogus classification for the Zwicky Transient Facility using deep learning",
   "title_en": "Real-bogus classification for the Zwicky Transient Facility using deep learning",
   "url": "https://arxiv.org/abs/1907.11259",
   "author": "Dmitry A. Duev, Ashish Mahabal, Frank J. Masci i in. (Caltech)",
   "sponsored": false,
   "why": "Pokazuje, jak przegląd nieba odsiewa śmieciowe alerty siecią konwolucyjną działającą na bieżąco.",
   "why_en": "Shows how a sky survey filters junk alerts with a convolutional network running live."
  },
  "branke-automated-design-scheduling-heuristics-2016": {
   "id": "branke-automated-design-scheduling-heuristics-2016",
   "title": "Automated Design of Production Scheduling Heuristics: A Review",
   "url": "https://doi.org/10.1109/TEVC.2015.2429314",
   "author": "Jürgen Branke, Su Nguyen, Christoph W. Pickardt, Mengjie Zhang",
   "sponsored": false,
   "why": "Przegląd metod, które automatycznie wymyślają reguły kolejkowania zleceń na hali produkcyjnej.",
   "why_en": "Reviews methods that automatically invent order-sequencing rules for the shop floor."
  },
  "breck-data-validation-2019": {
   "id": "breck-data-validation-2019",
   "title": "Data Validation for Machine Learning",
   "title_en": "Data Validation for Machine Learning",
   "url": "https://research.google/pubs/data-validation-for-machine-learning/",
   "author": "Eric Breck, Marty Zinkevich, Neoklis Polyzotis, Steven Whang, Sudip Roy",
   "sponsored": false,
   "why": "Dowiesz się, jak system walidacji wykrywa anomalie danych treningowych i produkcyjnych w potokach uczenia maszynowego.",
   "why_en": "Learn how validation systems detect anomalies in training and production data within machine-learning pipelines."
  },
  "bredin-pyannote-2023": {
   "id": "bredin-pyannote-2023",
   "title": "pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe",
   "title_en": "pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe",
   "url": "https://www.isca-archive.org/interspeech_2023/bredin23_interspeech.html",
   "author": "Hervé Bredin",
   "sponsored": false,
   "why": "Poznasz potok dzielący mowę na segmenty i grupujący je według mówcy.",
   "why_en": "Learn a pipeline that segments speech and groups segments by speaker."
  },
  "brown-alphaearth-foundations-2025": {
   "id": "brown-alphaearth-foundations-2025",
   "title": "AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data",
   "url": "https://arxiv.org/abs/2507.22291",
   "author": "Christopher F. Brown, Michal R. Kazmierski, Valerie J. Pasquarella, William J. Rucklidge, Masha Samsikova, et al. (Google DeepMind / Google)",
   "sponsored": false,
   "why": "Pokazuje, jak gotowe osadzenia całej Ziemi pozwalają robić mapy z niewielu etykiet.",
   "why_en": "Shows how ready-made embeddings of the whole Earth enable mapping from few labels."
  },
  "brown-sandholm-pluribus-2019": {
   "id": "brown-sandholm-pluribus-2019",
   "title": "Superhuman AI for multiplayer poker",
   "url": "https://par.nsf.gov/servlets/purl/10119653",
   "author": "Noam Brown, Tuomas Sandholm",
   "sponsored": false,
   "why": "Pokazuje, jak gra z samym sobą i minimalizacja żalu pokonały zawodowców w wieloosobowym pokerze.",
   "why_en": "Shows how self-play and regret minimisation beat professionals at multiplayer poker."
  },
  "brundage-tlp-maintenance-2021": {
   "id": "brundage-tlp-maintenance-2021",
   "title": "Technical Language Processing: Unlocking Maintenance Knowledge",
   "url": "https://doi.org/10.1016/j.mfglet.2020.11.001",
   "author": "Michael P. Brundage, Thurston B. Sexton, Melinda Hodkiewicz, Alden A. Dima, Sarah Lukens",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego notatki mechaników wymagają własnych narzędzi do analizy tekstu.",
   "why_en": "Explains why mechanics' notes need their own text-analysis tools."
  },
  "bryant-2023-gec-survey": {
   "id": "bryant-2023-gec-survey",
   "title": "Grammatical Error Correction: A Survey of the State of the Art",
   "title_en": "Grammatical Error Correction: A Survey of the State of the Art",
   "url": "https://arxiv.org/pdf/2211.05166",
   "author": "Christopher Bryant, Zheng Yuan, Muhammad Reza Qorib, Hannan Cao, Hwee Tou Ng, Ted Briscoe",
   "sponsored": false,
   "why": "Daje przegląd tego, jak programy uczy się poprawiać błędy językowe i jak ocenia się ich poprawki.",
   "why_en": "Gives an overview of how programs learn to fix language errors and how their fixes are judged."
  },
  "brynjolfsson-genai-at-work": {
   "id": "brynjolfsson-genai-at-work",
   "title": "Generative AI at Work",
   "title_en": "Generative AI at Work",
   "url": "https://arxiv.org/abs/2304.11771",
   "author": "Erik Brynjolfsson, Danielle Li, Lindsey Raymond",
   "sponsored": false,
   "why": "Poznasz badanie wpływu asystenta językowego na produktywność obsługi klienta oraz różnice między grupami pracowników.",
   "why_en": "Explore a study of language-assistant effects on customer-support productivity and differences across worker groups."
  },
  "burges-lambdamart-2010": {
   "id": "burges-lambdamart-2010",
   "title": "From RankNet to LambdaRank to LambdaMART: An Overview",
   "url": "https://www.microsoft.com/en-us/research/?p=159784",
   "author": "Christopher J. C. Burges",
   "sponsored": false,
   "why": "Źródłowy opis rodziny algorytmów, która wciąż stoi za wieloma systemami wyszukiwania.",
   "why_en": "The primary write-up of the algorithm family still behind many search systems."
  },
  "c2pa-spec-2-2": {
   "id": "c2pa-spec-2-2",
   "title": "C2PA Technical Specification 2.2 — Content Credentials",
   "title_en": "C2PA Technical Specification 2.2 — Content Credentials",
   "url": "https://spec.c2pa.org/specifications/specifications/2.2/specs/C2PA_Specification.html",
   "author": "Coalition for Content Provenance and Authenticity (C2PA)",
   "sponsored": false,
   "why": "Dowiesz się, jak podpisane manifesty opisują pochodzenie treści i umożliwiają kontrolę integralności metadanych.",
   "why_en": "Learn how signed manifests describe content provenance and enable metadata-integrity checks."
  },
  "c51-distributional-2017": {
   "id": "c51-distributional-2017",
   "title": "A Distributional Perspective on Reinforcement Learning",
   "title_en": "A Distributional Perspective on Reinforcement Learning",
   "url": "https://arxiv.org/abs/1707.06887",
   "author": "Marc G. Bellemare; Will Dabney; Rémi Munos",
   "sponsored": false,
   "why": "Zrozumiesz, co zyskuje agent, gdy przewiduje cały rozkład możliwych wyników zamiast samej średniej.",
   "why_en": "Understand what an agent gains by predicting the full spread of outcomes instead of just the mean."
  },
  "calochallenge-2024": {
   "id": "calochallenge-2024",
   "title": "CaloChallenge 2022: A Community Challenge for Fast Calorimeter Simulation",
   "title_en": "CaloChallenge 2022: A Community Challenge for Fast Calorimeter Simulation",
   "url": "https://arxiv.org/abs/2410.21611",
   "author": "Claudius Krause, Michele Faucci Giannelli, Gregor Kasieczka, Benjamin Nachman i in.",
   "sponsored": false,
   "why": "Porównuje dziesiątki modeli generatywnych zastępujących symulację detektora i uczy, jak oceniać ich jakość.",
   "why_en": "Compares dozens of generative models replacing detector simulation and teaches how to judge their quality."
  },
  "camel-debenedetti-2025": {
   "id": "camel-debenedetti-2025",
   "title": "Defeating Prompt Injections by Design",
   "title_en": "Defeating Prompt Injections by Design",
   "url": "https://arxiv.org/abs/2503.18813",
   "author": "E. Debenedetti, I. Shumailov, T. Fan, J. Hayes, N. Carlini, D. Fabian, C. Kern, C. Shi, A. Terzis, F. Tramèr",
   "sponsored": false,
   "why": "Poznasz ochronę agentów przez rozdzielenie zaufanego sterowania od niezaufanych danych i ograniczenie uprawnień.",
   "why_en": "Explore agent protection through separating trusted control from untrusted data and restricting capabilities."
  },
  "caml-2018": {
   "id": "caml-2018",
   "title": "Explainable Prediction of Medical Codes from Clinical Text",
   "title_en": "Explainable Prediction of Medical Codes from Clinical Text",
   "url": "https://arxiv.org/abs/1802.05695",
   "author": "James Mullenbach, Sarah Wiegreffe, Jon Duke, Jimeng Sun, Jacob Eisenstein",
   "sponsored": false,
   "why": "Pokazuje, jak model przypisuje kody chorób do notatek i wskazuje zdania, które o tym zdecydowały.",
   "why_en": "Shows how a model assigns disease codes to notes and points to the sentences that decided them."
  },
  "cardd-2022": {
   "id": "cardd-2022",
   "title": "CarDD: A New Dataset for Vision-based Car Damage Detection",
   "title_en": "CarDD: A New Dataset for Vision-based Car Damage Detection",
   "url": "https://arxiv.org/abs/2211.00945",
   "author": "Xinkuang Wang, Wenjing Li, Zhongcheng Wu",
   "sponsored": false,
   "why": "Opisuje publiczny zbiór zdjęć uszkodzeń aut i pokazuje, które szkody modele mylą najczęściej.",
   "why_en": "Describes a public car-damage photo dataset and shows which damage types models confuse most."
  },
  "carion-detr-2020": {
   "id": "carion-detr-2020",
   "title": "End-to-End Object Detection with Transformers (DETR)",
   "title_en": "End-to-End Object Detection with Transformers (DETR)",
   "url": "https://arxiv.org/abs/2005.12872",
   "author": "Nicolas Carion, Francisco Massa, Gabriel Synnaeve, Nicolas Usunier, Alexander Kirillov, Sergey Zagoruyko",
   "sponsored": false,
   "why": "Zrozumiesz detekcję obiektów jako przewidywanie zbioru, trenowane przez dopasowanie dwudzielne.",
   "why_en": "Understand object detection as set prediction trained through bipartite matching."
  },
  "carion-sam3-2025": {
   "id": "carion-sam3-2025",
   "title": "SAM 3: Segment Anything with Concepts",
   "title_en": "SAM 3: Segment Anything with Concepts",
   "url": "https://arxiv.org/abs/2511.16719",
   "author": "Nicolas Carion, Laura Gustafson, Yuan-Ting Hu, Shoubhik Debnath, Ronghang Hu i in. (Meta)",
   "sponsored": false,
   "why": "Dowiesz się, jak opisy pojęć i przykłady obrazowe sterują wykrywaniem, segmentacją oraz śledzeniem pasujących obiektów.",
   "why_en": "Learn how concept descriptions and image examples guide detection, segmentation and tracking of matching objects."
  },
  "carla-2017": {
   "id": "carla-2017",
   "title": "CARLA: An Open Urban Driving Simulator",
   "title_en": "CARLA: An Open Urban Driving Simulator",
   "url": "https://arxiv.org/abs/1711.03938",
   "author": "Alexey Dosovitskiy, German Ros, Felipe Codevilla, Antonio Lopez, Vladlen Koltun",
   "sponsored": false,
   "why": "Opisuje najpopularniejszy otwarty symulator, w którym można samemu testować programy jazdy.",
   "why_en": "Describes the most popular open simulator where you can test driving programs yourself."
  },
  "carleo-ml-physics-2019": {
   "id": "carleo-ml-physics-2019",
   "title": "Machine learning and the physical sciences",
   "title_en": "Machine learning and the physical sciences",
   "url": "https://arxiv.org/abs/1903.10563",
   "author": "Giuseppe Carleo, Ignacio Cirac, Kyle Cranmer, Laurent Daudet, Maria Schuld, Naftali Tishby, Leslie Vogt-Maranto, Lenka Zdeborová",
   "sponsored": false,
   "why": "Daje przegląd, gdzie w fizyce i astronomii uczenie maszynowe już pracuje i z czym ma kłopot.",
   "why_en": "Surveys where machine learning already works in physics and astronomy and where it struggles."
  },
  "cascaded-diffusion-2021": {
   "id": "cascaded-diffusion-2021",
   "title": "Cascaded Diffusion Models for High Fidelity Image Generation",
   "title_en": "Cascaded Diffusion Models for High Fidelity Image Generation",
   "url": "https://arxiv.org/abs/2106.15282",
   "author": "Jonathan Ho, Chitwan Saharia, William Chan, David J. Fleet, Mohammad Norouzi, Tim Salimans",
   "sponsored": false,
   "why": "Dowiesz się, jak łańcuch modeli podnosi rozdzielczość i czemu augmentacja warunku hamuje kumulację błędu.",
   "why_en": "Learn how a chain of models raises resolution and why conditioning augmentation limits error compounding."
  },
  "catala-exceptions-docs": {
   "id": "catala-exceptions-docs",
   "title": "Conditional definitions and exceptions — The Catala domain-specific programming language",
   "title_en": "Conditional definitions and exceptions — The Catala domain-specific programming language",
   "url": "https://book.catala-lang.org/en/2-2-conditionals-exceptions.html",
   "author": "Catala contributors",
   "sponsored": false,
   "why": "Pokazuje, jak w języku programowania zapisać przepis prawny razem z jego wyjątkami.",
   "why_en": "Shows how a programming language encodes a legal rule together with its exceptions."
  },
  "causal-clinical-recs-2025": {
   "id": "causal-clinical-recs-2025",
   "title": "From Observational Data to Clinical Recommendations: A Causal Framework for Estimating Patient-level Treatment Effects and Learning Policies",
   "title_en": "From Observational Data to Clinical Recommendations: A Causal Framework for Estimating Patient-level Treatment Effects and Learning Policies",
   "url": "https://arxiv.org/abs/2507.11381",
   "author": "Rom Gutman, Shimon Sheiba, Omer Noy Klein, Naama Dekel Bird, Amit Gruber, Doron Aronson, Oren Caspi, Uri Shalit",
   "sponsored": false,
   "why": "Pokazuje, jak w praktyce przejść od danych szpitalnych do zalecenia leczenia dla jednego pacjenta.",
   "why_en": "Shows how to go in practice from hospital data to a treatment recommendation for one patient."
  },
  "centerpoint-2020": {
   "id": "centerpoint-2020",
   "title": "Center-based 3D Object Detection and Tracking (CenterPoint)",
   "title_en": "Center-based 3D Object Detection and Tracking (CenterPoint)",
   "url": "https://arxiv.org/abs/2006.11275",
   "author": "Tianwei Yin, Xingyi Zhou, Philipp Krähenbühl",
   "sponsored": false,
   "why": "Wyjaśnia popularny sposób wykrywania i śledzenia obiektów 3D w danych z LiDAR-u.",
   "why_en": "Explains a popular way to detect and track 3D objects in LiDAR data."
  },
  "cfpb-circular-2022-03": {
   "id": "cfpb-circular-2022-03",
   "title": "Consumer Financial Protection Circular 2022-03: Adverse action notification requirements in connection with credit decisions based on complex algorithms (withdrawn 2025-05-12)",
   "title_en": "Consumer Financial Protection Circular 2022-03: Adverse action notification requirements in connection with credit decisions based on complex algorithms (withdrawn 2025-05-12)",
   "url": "https://www.consumerfinance.gov/compliance/circulars/circular-2022-03-adverse-action-notification-requirements-in-connection-with-credit-decisions-based-on-complex-algorithms/",
   "author": "Consumer Financial Protection Bureau (CFPB)",
   "sponsored": false,
   "why": "Pokazuje, jak amerykański nadzorca stawiał problem wyjaśniania odmowy kredytu przez złożone modele (dziś wycofane).",
   "why_en": "Shows how a US regulator framed explaining credit denials from complex models (now withdrawn)."
  },
  "cfpb-reg-b-1002-9-current": {
   "id": "cfpb-reg-b-1002-9-current",
   "title": "12 CFR § 1002.9 — Notifications (Regulation B)",
   "title_en": "12 CFR § 1002.9 — Notifications (Regulation B)",
   "url": "https://www.consumerfinance.gov/rules-policy/regulations/1002/9/",
   "author": "Consumer Financial Protection Bureau",
   "sponsored": false,
   "why": "Wyjaśnia, jakie powody odmowy kredytu bank musi podać klientowi i jak może je wybrać.",
   "why_en": "Explains which reasons for a credit denial a lender must give the customer and how it may choose them."
  },
  "chalkidis-legal-bert-2020": {
   "id": "chalkidis-legal-bert-2020",
   "title": "LEGAL-BERT: The Muppets straight out of Law School",
   "url": "https://arxiv.org/abs/2010.02559",
   "author": "Ilias Chalkidis, Manos Fergadiotis, Prodromos Malakasiotis, Nikolaos Aletras, Ion Androutsopoulos",
   "sponsored": false,
   "why": "Wyjaśnia dwa sposoby dopasowania modelu do języka prawa i ile one faktycznie dają.",
   "why_en": "Explains two ways of adapting a model to legal language and how much they actually help."
  },
  "chalkidis-lexglue-2021": {
   "id": "chalkidis-lexglue-2021",
   "title": "LexGLUE: A Benchmark Dataset for Legal Language Understanding in English",
   "url": "https://arxiv.org/abs/2110.00976",
   "author": "Ilias Chalkidis, Abhik Jana, Dirk Hartung, Michael Bommarito, Ion Androutsopoulos, Daniel Martin Katz, Nikolaos Aletras",
   "sponsored": false,
   "why": "Przedstawia zestaw testów rozumienia tekstów prawnych i pokazuje przewagę modeli uczonych na prawie.",
   "why_en": "Presents a test suite for legal text understanding and shows the edge of law-trained models."
  },
  "chalkidis-ljp-2019": {
   "id": "chalkidis-ljp-2019",
   "title": "Neural Legal Judgment Prediction in English",
   "url": "https://arxiv.org/abs/1906.02059",
   "author": "Ilias Chalkidis, Ion Androutsopoulos, Nikolaos Aletras",
   "sponsored": false,
   "why": "Wprowadza neuronowe modele i trzy warianty zadania przewidywania wyroków na długich dokumentach.",
   "why_en": "Introduces neural models and three variants of judgment prediction on long documents."
  },
  "chameleon-2024": {
   "id": "chameleon-2024",
   "title": "Chameleon: Mixed-Modal Early-Fusion Foundation Models",
   "title_en": "Chameleon: Mixed-Modal Early-Fusion Foundation Models",
   "url": "https://arxiv.org/abs/2405.09818",
   "author": "Chameleon Team (Meta FAIR)",
   "sponsored": true,
   "why": "Wyjaśnia, co znaczy, że model traktuje obraz i tekst jako jeden ciąg znaków.",
   "why_en": "Explains what it means for a model to treat images and text as one sequence."
  },
  "chan-lenia-2019": {
   "id": "chan-lenia-2019",
   "title": "Lenia — Biology of Artificial Life",
   "url": "https://arxiv.org/abs/1812.05433",
   "author": "Bert Wang-Chak Chan",
   "sponsored": false,
   "why": "Artykuł wprowadzający Lenię: jak płynne reguły dają setki „gatunków” cyfrowych stworzeń.",
   "why_en": "The paper introducing Lenia: how smooth rules produce hundreds of digital 'species'."
  },
  "chang-maskgit-2022": {
   "id": "chang-maskgit-2022",
   "title": "MaskGIT: Masked Generative Image Transformer",
   "title_en": "MaskGIT: Masked Generative Image Transformer",
   "url": "https://arxiv.org/abs/2202.04200",
   "author": "Huiwen Chang, Han Zhang, Lu Jiang, Ce Liu, William T. Freeman",
   "sponsored": false,
   "why": "Zrozumiesz, jak generować obraz równolegle w kilku rundach zamiast token po tokenie.",
   "why_en": "Understand how to generate an image in parallel over a few rounds instead of token by token."
  },
  "chartqa-2022": {
   "id": "chartqa-2022",
   "title": "ChartQA: A Benchmark for Question Answering about Charts with Visual and Logical Reasoning",
   "title_en": "ChartQA: A Benchmark for Question Answering about Charts with Visual and Logical Reasoning",
   "url": "https://arxiv.org/abs/2203.10244",
   "author": "Ahmed Masry, Do Xuan Long, Jia Qing Tan, Shafiq Joty, Enamul Hoque",
   "sponsored": false,
   "why": "Pokazuje, jak sprawdza się, czy model naprawdę rozumie wykresy.",
   "why_en": "Shows how to test whether a model really understands charts."
  },
  "chatbot-arena-2024": {
   "id": "chatbot-arena-2024",
   "title": "Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference",
   "title_en": "Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference",
   "url": "https://arxiv.org/abs/2403.04132",
   "author": "Wei-Lin Chiang, Lianmin Zheng, Ying Sheng, Anastasios N. Angelopoulos, Tianle Li, Dacheng Li, Hao Zhang, Banghua Zhu, Michael Jordan, Joseph E. Gonzalez, Ion Stoica",
   "sponsored": false,
   "why": "Poznasz budowanie rankingów modeli z anonimowych porównań odpowiedzi i głosów użytkowników.",
   "why_en": "Explore model-ranking construction from anonymous response comparisons and user votes."
  },
  "chauffeurnet-2018": {
   "id": "chauffeurnet-2018",
   "title": "ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst",
   "title_en": "ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst",
   "url": "https://arxiv.org/abs/1812.03079",
   "author": "Mayank Bansal, Alex Krizhevsky, Abhijit Ogale",
   "sponsored": false,
   "why": "Wyjaśnia, czemu samo naśladowanie kierowców nie wystarcza i jak to naprawić.",
   "why_en": "Explains why merely imitating drivers is not enough and how to fix it."
  },
  "chen-2016-sublinear": {
   "id": "chen-2016-sublinear",
   "title": "Training Deep Nets with Sublinear Memory Cost",
   "url": "https://arxiv.org/abs/1604.06174",
   "author": "Tianqi Chen, Bing Xu, Chiyuan Zhang, Carlos Guestrin",
   "sponsored": false,
   "why": "Podstawowa praca o wymianie dodatkowych obliczeń na mniejsze zużycie pamięci w treningu.",
   "why_en": "The foundational paper on trading extra compute for lower training memory."
  },
  "chen-rul-llm-2024": {
   "id": "chen-rul-llm-2024",
   "title": "Remaining Useful Life Prediction: A Study on Multidimensional Industrial Signal Processing and Efficient Transfer Learning Based on Large Language Models",
   "url": "https://arxiv.org/abs/2410.03134",
   "author": "Yan Chen, Cheng Liu",
   "sponsored": false,
   "why": "Pokazuje, dlaczego zmienne warunki pracy utrudniają prognozy i jak próbuje się tu używać dużych modeli.",
   "why_en": "Shows why changing operating conditions make forecasts hard and how large models are being tried here."
  },
  "chen-xgboost-2016": {
   "id": "chen-xgboost-2016",
   "title": "XGBoost: A Scalable Tree Boosting System",
   "title_en": "XGBoost: A Scalable Tree Boosting System",
   "url": "https://arxiv.org/abs/1603.02754",
   "author": "Tianqi Chen, Carlos Guestrin",
   "sponsored": false,
   "why": "Dowiesz się, jak algorytmiczne i systemowe optymalizacje umożliwiają skalowanie boostingu drzew.",
   "why_en": "Learn how algorithmic and systems optimisations enable scalable tree boosting."
  },
  "cheng-change-detection-review-2023": {
   "id": "cheng-change-detection-review-2023",
   "title": "Change Detection Methods for Remote Sensing in the Last Decade: A Comprehensive Review",
   "url": "https://arxiv.org/abs/2305.05813",
   "author": "Guangliang Cheng, Yunmeng Huang, Xiangtai Li, Shuchang Lyu, Zhaoyang Xu, et al.",
   "sponsored": false,
   "why": "Uporządkowany przegląd metod wykrywania zmian: od klasycznych po sieci syjamskie i transformery.",
   "why_en": "An organised review of change-detection methods, from classical ones to siamese networks and transformers."
  },
  "cho-gru-2014": {
   "id": "cho-gru-2014",
   "title": "Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation",
   "title_en": "Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation",
   "url": "https://arxiv.org/html/1406.1078",
   "author": "Kyunghyun Cho, Bart van Merriënboer, Caglar Gulcehre, Dzmitry Bahdanau, Fethi Bougares, Holger Schwenk, Yoshua Bengio",
   "sponsored": false,
   "why": "Zrozumiesz enkoder–dekoder rekurencyjny oraz jednostkę z bramkami aktualizacji i resetu pamięci.",
   "why_en": "Understand recurrent encoder–decoders and units with update and memory-reset gates."
  },
  "clam-2020": {
   "id": "clam-2020",
   "title": "Data Efficient and Weakly Supervised Computational Pathology on Whole Slide Images (CLAM)",
   "title_en": "Data Efficient and Weakly Supervised Computational Pathology on Whole Slide Images (CLAM)",
   "url": "https://arxiv.org/abs/2004.09666",
   "author": "Ming Y. Lu, Drew F. K. Williamson, Tiffany Y. Chen, Richard J. Chen, Matteo Barbieri, Faisal Mahmood",
   "sponsored": false,
   "why": "Wyjaśnia, jak uczyć model na całych skanach preparatów, mając tylko jedną etykietę na slajd.",
   "why_en": "Explains how to train a model on whole slide scans with only one label per slide."
  },
  "classifier-free-guidance-2022": {
   "id": "classifier-free-guidance-2022",
   "title": "Classifier-Free Diffusion Guidance",
   "title_en": "Classifier-Free Diffusion Guidance",
   "url": "https://arxiv.org/abs/2207.12598",
   "author": "Jonathan Ho, Tim Salimans",
   "sponsored": false,
   "why": "Dowiesz się, jak łączenie predykcji warunkowych i bezwarunkowych steruje jakością oraz różnorodnością próbek dyfuzyjnych.",
   "why_en": "Learn how combining conditional and unconditional predictions controls diffusion-sample quality and diversity."
  },
  "claude-prompting-best-practices": {
   "id": "claude-prompting-best-practices",
   "title": "Prompting best practices (Claude Docs)",
   "title_en": "Prompting best practices (Claude Docs)",
   "url": "https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices",
   "author": "Anthropic",
   "sponsored": true,
   "why": "Zbiera praktyczne zasady budowy poleceń: strukturę, przykłady, rolę i rozmieszczenie długich dokumentów.",
   "why_en": "Collects practical rules for building prompts: structure, examples, role and placing long documents."
  },
  "cloudsen12-2022": {
   "id": "cloudsen12-2022",
   "title": "CloudSEN12, a global dataset for semantic understanding of cloud and cloud shadow in Sentinel-2",
   "title_en": "CloudSEN12, a global dataset for semantic understanding of cloud and cloud shadow in Sentinel-2",
   "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC9789947",
   "author": "Cesar Aybar; Luis Ysuhuaylas; Jhomira Loja; Karen Gonzales; Fernando Herrera; Lesly Bautista; Roy Yali; Angie Flores; Lissette Diaz; Nicole Cuenca; Wendy Espinoza; Fernando Prudencio; Joselyn Inga; Valeria Llactayo; David Montero; Martin Sudmanns; Dirk Tiede; Gonzalo Mateo-García; Luis Gómez-Chova",
   "sponsored": false,
   "why": "Wyjaśnia, jak oznacza się chmury i cienie oraz które metody ich wykrywania sprawdzają się najlepiej.",
   "why_en": "Explains how clouds and shadows are labelled and which detection methods work best."
  },
  "cmaes-tutorial-2016": {
   "id": "cmaes-tutorial-2016",
   "title": "The CMA Evolution Strategy: A Tutorial",
   "title_en": "The CMA Evolution Strategy: A Tutorial",
   "url": "https://arxiv.org/abs/1604.00772",
   "author": "Nikolaus Hansen",
   "sponsored": false,
   "why": "Tutorial autora metody wyjaśnia, jak CMA-ES uczy się kształtu i zasięgu losowania kandydatów.",
   "why_en": "The method author's tutorial explains how CMA-ES learns the shape and range of candidate sampling."
  },
  "code-as-policies-2022": {
   "id": "code-as-policies-2022",
   "title": "Code as Policies: Language Model Programs for Embodied Control",
   "title_en": "Code as Policies: Language Model Programs for Embodied Control",
   "url": "https://arxiv.org/abs/2209.07753",
   "author": "J. Liang, W. Huang, F. Xia, P. Xu, K. Hausman, B. Ichter, P. Florence, A. Zeng",
   "sponsored": false,
   "why": "Dowiesz się, jak model językowy pisze kod sterujący robotem, składając gotowe funkcje percepcji i ruchu.",
   "why_en": "Learn how a language model writes robot control code by composing ready perception and motion functions."
  },
  "codecompose-2023": {
   "id": "codecompose-2023",
   "title": "AI-assisted Code Authoring at Scale: Fine-tuning, deploying, and mixed methods evaluation (CodeCompose)",
   "title_en": "AI-assisted Code Authoring at Scale: Fine-tuning, deploying, and mixed methods evaluation (CodeCompose)",
   "url": "https://arxiv.org/abs/2305.12050",
   "author": "Vijayaraghavan Murali i in. (Meta)",
   "sponsored": true,
   "why": "Pokazuje, jak podpowiadanie kodu wdrożono na dużą skalę i jak programiści je odebrali.",
   "why_en": "Shows how code completion was deployed at scale and how developers received it."
  },
  "codex-humaneval-2021": {
   "id": "codex-humaneval-2021",
   "title": "Evaluating Large Language Models Trained on Code",
   "url": "https://arxiv.org/abs/2107.03374",
   "author": "Mark Chen, Jerry Tworek i in. (OpenAI)",
   "sponsored": false,
   "why": "Źródło miary pass@k i uzasadnienie, dlaczego kod ocenia się testami, a nie podobieństwem tekstu.",
   "why_en": "Origin of pass@k and the case for grading code by tests rather than text similarity."
  },
  "coello-constraint-2002": {
   "id": "coello-constraint-2002",
   "title": "Theoretical and Numerical Constraint-Handling Techniques used with Evolutionary Algorithms: A Survey of the State of the Art",
   "url": "https://homes.di.unimi.it/cordone/courses/2024-ae/Lez23-Materiali/constraint-handling.pdf",
   "author": "Carlos A. Coello Coello",
   "sponsored": false,
   "why": "Systematyczny przegląd sposobów radzenia sobie z ograniczeniami w algorytmach ewolucyjnych.",
   "why_en": "A systematic survey of ways to deal with constraints in evolutionary algorithms."
  },
  "colah-lstm-2015": {
   "id": "colah-lstm-2015",
   "title": "Understanding LSTM Networks",
   "title_en": "Understanding LSTM Networks",
   "url": "https://colah.github.io/posts/2015-08-Understanding-LSTMs/",
   "author": "Christopher Olah",
   "sponsored": false,
   "why": "Prześledzisz krok po kroku, jak bramki pamięci pozwalają sieci rekurencyjnej zachowywać i usuwać informacje.",
   "why_en": "Follow how memory gates let recurrent networks retain and discard information, step by step."
  },
  "colelough2025nesy": {
   "id": "colelough2025nesy",
   "title": "Neuro-Symbolic AI in 2024: A Systematic Review",
   "title_en": "Neuro-Symbolic AI in 2024: A Systematic Review",
   "url": "https://arxiv.org/abs/2501.05435",
   "author": "Brandon C. Colelough, William Regli",
   "sponsored": false,
   "why": "Przegląd uporządkuje sposoby łączenia uczenia neuronowego z wiedzą symboliczną oraz otwarte problemy tej dziedziny.",
   "why_en": "The review organises approaches combining neural learning with symbolic knowledge and the field's open problems."
  },
  "coliee-2023-summary": {
   "id": "coliee-2023-summary",
   "title": "Summary of the Competition on Legal Information Extraction/Entailment (COLIEE) 2023",
   "url": "https://sites.ualberta.ca/~rabelo/COLIEE2023/COLIEE2023_summary.pdf",
   "author": "Randy Goebel, Yoshinobu Kano, Mi-Young Kim, Juliano Rabelo, Ken Satoh, Masaharu Yoshioka",
   "sponsored": false,
   "why": "Opisuje cztery standardowe zadania konkursowe: wyszukiwanie spraw i przepisów oraz sprawdzanie wynikania.",
   "why_en": "Describes four standard shared tasks: retrieving cases and statutes and checking entailment."
  },
  "colledanchise-ogren-bt-2017": {
   "id": "colledanchise-ogren-bt-2017",
   "title": "Behavior Trees in Robotics and AI: An Introduction",
   "url": "https://arxiv.org/abs/1709.00084",
   "author": "Michele Colledanchise, Petter Ögren",
   "sponsored": false,
   "why": "Wprowadzenie do drzew zachowań: skąd się wzięły, jak je projektować i czym różnią się od maszyn stanów.",
   "why_en": "An introduction to behaviour trees: their origins, how to design them and how they differ from state machines."
  },
  "colombo-saullm-2024": {
   "id": "colombo-saullm-2024",
   "title": "SaulLM-7B: A pioneering Large Language Model for Law",
   "url": "https://arxiv.org/abs/2403.03883",
   "author": "Pierre Colombo i in.",
   "sponsored": true,
   "why": "Pokazuje przykład dużego otwartego modelu dotrenowanego na tekstach prawnych.",
   "why_en": "Shows an example of a large open model further trained on legal text."
  },
  "commoncrawl-site": {
   "id": "commoncrawl-site",
   "title": "Common Crawl — Open Repository of Web Crawl Data (strona główna)",
   "title_en": "Common Crawl — Open Repository of Web Crawl Data (home page)",
   "url": "https://commoncrawl.org/",
   "author": "Common Crawl Foundation",
   "sponsored": false,
   "why": "Dowiesz się, czym jest otwarte repozytorium zrzutów sieci i jaką rolę pełni jako źródło danych.",
   "why_en": "Learn what an open web-crawl repository is and its role as a data source."
  },
  "concept-drift-review-2020": {
   "id": "concept-drift-review-2020",
   "title": "Learning under Concept Drift: A Review",
   "title_en": "Learning under Concept Drift: A Review",
   "url": "https://arxiv.org/abs/2004.05785",
   "author": "Jie Lu, Anjin Liu, Fan Dong, Feng Gu, João Gama, Guangquan Zhang",
   "sponsored": false,
   "why": "Poznasz metody wykrywania, rozumienia i obsługi zmian rozkładu danych w strumieniach.",
   "why_en": "Explore methods for detecting, understanding and handling distribution changes in data streams."
  },
  "confident-learning-2019": {
   "id": "confident-learning-2019",
   "title": "Confident Learning: Estimating Uncertainty in Dataset Labels",
   "title_en": "Confident Learning: Estimating Uncertainty in Dataset Labels",
   "url": "https://arxiv.org/abs/1911.00068",
   "author": "Curtis G. Northcutt, Lu Jiang, Isaac L. Chuang",
   "sponsored": false,
   "why": "Dowiesz się, jak przewidywane prawdopodobieństwa pomagają szacować szum etykiet i wskazywać podejrzane przykłady.",
   "why_en": "Learn how predicted probabilities help estimate label noise and identify suspicious examples."
  },
  "cong-satmae-2022": {
   "id": "cong-satmae-2022",
   "title": "SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery",
   "url": "https://arxiv.org/abs/2207.08051",
   "author": "Yezhen Cong, Samar Khanna, Chenlin Meng, Patrick Liu, Erik Rozi, et al.",
   "sponsored": false,
   "why": "Jeden z pierwszych przepisów na pretrening transformera na wielospektralnych szeregach zdjęć satelitarnych.",
   "why_en": "One of the first recipes for pretraining a transformer on multispectral satellite image series."
  },
  "conitzer-socialchoice-alignment-2024": {
   "id": "conitzer-socialchoice-alignment-2024",
   "title": "Conitzer i in. · Position: Social Choice Should Guide AI Alignment in Dealing with Diverse Human Feedback",
   "title_en": "Conitzer et al. · Position: Social Choice Should Guide AI Alignment in Dealing with Diverse Human Feedback",
   "url": "https://arxiv.org/abs/2404.10271",
   "author": "Vincent Conitzer, Rachel Freedman, Jobst Heitzig, Wesley H. Holliday, Bob M. Jacobs, Nathan Lambert, Milan Mossé, Eric Pacuit, Stuart Russell, Hailey Schoelkopf, Emanuel Tewolde, William S. Zwicker",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego łączenie ocen wielu ludzi przy dostrajaniu modeli to problem teorii głosowania.",
   "why_en": "Explains why combining many people's ratings during model fine-tuning is a voting-theory problem."
  },
  "consent-in-crisis-2024": {
   "id": "consent-in-crisis-2024",
   "title": "Consent in Crisis: The Rapid Decline of the AI Data Commons",
   "title_en": "Consent in Crisis: The Rapid Decline of the AI Data Commons",
   "url": "https://arxiv.org/abs/2407.14933",
   "author": "Shayne Longpre, Robert Mahari, Ariel Lee, Campbell Lund, Hamidah Oderinwale, William Brannon, Nayan Saxena, Naana Obeng-Marnu, Tobin South, Cole Hunter i in. (44 autorów)",
   "sponsored": false,
   "why": "Poznasz audyt zmian zgody na wykorzystanie danych sieciowych oraz rozbieżności między regulaminami i robots.txt.",
   "why_en": "Explore an audit of changing web-data usage consent and discrepancies between terms and robots.txt."
  },
  "consort-spirit-ai-2020": {
   "id": "consort-spirit-ai-2020",
   "title": "Reporting guidelines for clinical trials of artificial intelligence interventions: the SPIRIT-AI and CONSORT-AI guidelines",
   "title_en": "Reporting guidelines for clinical trials of artificial intelligence interventions: the SPIRIT-AI and CONSORT-AI guidelines",
   "url": "https://pubmed.ncbi.nlm.nih.gov/33407780/",
   "author": "Hussein Ibrahim, Xiaoxuan Liu, Samantha Cruz Rivera, David Moher, An-Wen Chan, Matthew R. Sydes, Melanie J. Calvert, Alastair K. Denniston",
   "sponsored": false,
   "why": "Potwierdza zakres standardów raportowania protokołów i wyników badań klinicznych interwencji AI.",
   "why_en": "Confirms the scope of reporting standards for protocols and results of clinical trials involving AI interventions."
  },
  "constitutional-ai-2022": {
   "id": "constitutional-ai-2022",
   "title": "Constitutional AI: Harmlessness from AI Feedback",
   "title_en": "Constitutional AI: Harmlessness from AI Feedback",
   "url": "https://arxiv.org/abs/2212.08073",
   "author": "Y. Bai, S. Kadavath, S. Kundu, A. Askell i in. (51 autorów; Anthropic)",
   "sponsored": false,
   "why": "Dowiesz się, jak lista zasad kieruje samokrytyką odpowiedzi i treningiem z informacją zwrotną od modelu.",
   "why_en": "Learn how a rule list guides response self-critique and training with model-generated feedback."
  },
  "constitutional-classifiers-2025": {
   "id": "constitutional-classifiers-2025",
   "title": "Constitutional Classifiers: Defending against Universal Jailbreaks across Thousands of Hours of Red Teaming",
   "title_en": "Constitutional Classifiers: Defending against Universal Jailbreaks across Thousands of Hours of Red Teaming",
   "url": "https://arxiv.org/abs/2501.18837",
   "author": "M. Sharma, M. Tong, J. Mu, J. Wei i in. (43 autorów; Anthropic), E. Perez",
   "sponsored": false,
   "why": "Poznasz trenowanie klasyfikatorów bezpieczeństwa na syntetycznych przykładach generowanych z zasad dotyczących dozwolonych treści.",
   "why_en": "Explore training safety classifiers on synthetic examples generated from rules defining permitted content."
  },
  "continual-llm-survey-2024": {
   "id": "continual-llm-survey-2024",
   "title": "Continual Learning for Large Language Models: A Survey",
   "title_en": "Continual Learning for Large Language Models: A Survey",
   "url": "https://arxiv.org/abs/2402.01364",
   "author": "Tongtong Wu, Linhao Luo, Yuan-Fang Li i in.",
   "sponsored": false,
   "why": "Porównasz ciągły pretraining, dostrajanie instrukcyjne i alignment z wyszukiwaniem wiedzy oraz edycją modeli.",
   "why_en": "Compare continual pretraining, instruction tuning and alignment with knowledge retrieval and model editing."
  },
  "continual-rl-review-2020": {
   "id": "continual-rl-review-2020",
   "title": "Towards Continual Reinforcement Learning: A Review and Perspectives",
   "title_en": "Towards Continual Reinforcement Learning: A Review and Perspectives",
   "url": "https://arxiv.org/abs/2012.13490",
   "author": "Khimya Khetarpal; Matthew Riemer; Irina Rish; Doina Precup",
   "sponsored": false,
   "why": "Uporządkujesz rodzaje zmian świata, z którymi musi radzić sobie agent uczący się bez końca.",
   "why_en": "Sort out the kinds of world change an endlessly learning agent has to cope with."
  },
  "controlnet-2023": {
   "id": "controlnet-2023",
   "title": "Adding Conditional Control to Text-to-Image Diffusion Models (ControlNet)",
   "title_en": "Adding Conditional Control to Text-to-Image Diffusion Models (ControlNet)",
   "url": "https://arxiv.org/abs/2302.05543",
   "author": "Lvmin Zhang, Anyi Rao, Maneesh Agrawala",
   "sponsored": false,
   "why": "Praca, która pozwoliła sterować układem generowanego obrazu szkicem, pozą lub głębią.",
   "why_en": "The paper that made it possible to steer an image's layout with a sketch, pose or depth."
  },
  "cormack-grossman-autotar-2015": {
   "id": "cormack-grossman-autotar-2015",
   "title": "Autonomy and Reliability of Continuous Active Learning for Technology-Assisted Review",
   "url": "https://arxiv.org/abs/1504.06868",
   "author": "Gordon V. Cormack, Maura R. Grossman",
   "sponsored": false,
   "why": "Opisuje wersję ciągłego aktywnego uczenia, która startuje od jednego przykładu i nie wymaga strojenia.",
   "why_en": "Describes a version of continuous active learning that starts from one example and needs no tuning."
  },
  "cormack-grossman-cal-sigir-2014": {
   "id": "cormack-grossman-cal-sigir-2014",
   "title": "Evaluation of Machine-Learning Protocols for Technology-Assisted Review in Electronic Discovery",
   "url": "https://cormack.uwaterloo.ca/calstudy/",
   "author": "Gordon V. Cormack, Maura R. Grossman",
   "sponsored": false,
   "why": "Pokazuje w eksperymencie, że ciągłe aktywne uczenie oszczędza najwięcej pracy przy przeglądzie dokumentów.",
   "why_en": "Shows experimentally that continuous active learning saves the most effort in document review."
  },
  "corrdiff-2023": {
   "id": "corrdiff-2023",
   "title": "Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling",
   "title_en": "Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling",
   "url": "https://arxiv.org/abs/2309.15214",
   "author": "Morteza Mardani, Noah Brenowitz, Yair Cohen, Jaideep Pathak i in. (NVIDIA)",
   "sponsored": false,
   "why": "Pokazuje dwuetapowy przepis na szczegółową mapę pogody: średnia z sieci plus dorysowane szczegóły z dyfuzji.",
   "why_en": "Shows a two-step recipe for detailed weather maps: a network's mean plus diffusion-drawn detail."
  },
  "coscientist-2023": {
   "id": "coscientist-2023",
   "title": "Autonomous chemical research with large language models (Coscientist)",
   "title_en": "Autonomous chemical research with large language models (Coscientist)",
   "url": "https://www.nature.com/articles/s41586-023-06792-0",
   "author": "Daniil A. Boiko, Robert MacKnight, Ben Kline, Gabe Gomes",
   "sponsored": false,
   "why": "Pokazuje, jak model językowy z narzędziami planuje i wykonuje prawdziwe eksperymenty chemiczne.",
   "why_en": "Shows how a language model with tools plans and runs real chemistry experiments."
  },
  "cosmos-wfm-2025": {
   "id": "cosmos-wfm-2025",
   "title": "Cosmos World Foundation Model Platform for Physical AI",
   "title_en": "Cosmos World Foundation Model Platform for Physical AI",
   "url": "https://arxiv.org/abs/2501.03575",
   "author": "NVIDIA (N. Agarwal, A. Ali, M. Bala, Y. Balaji i in.)",
   "sponsored": false,
   "why": "Poznasz opisaną platformę modeli świata, obejmującą kurację wideo, tokenizację i adaptację do zastosowań fizycznych.",
   "why_en": "Explore the described world-model platform covering video curation, tokenisation and adaptation to physical applications."
  },
  "cot-monitorability-2025": {
   "id": "cot-monitorability-2025",
   "title": "Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety",
   "title_en": "Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety",
   "url": "https://arxiv.org/abs/2507.11473",
   "author": "Tomek Korbak, Mikita Balesni, Elizabeth Barnes, Yoshua Bengio i 30+ współautorów z wielu organizacji zajmujących się bezpieczeństwem AI",
   "sponsored": false,
   "why": "Zrozumiesz możliwości i ograniczenia nadzoru nad modelami przez monitorowanie tekstowych śladów rozumowania.",
   "why_en": "Understand opportunities and limitations of supervising models through textual reasoning-trace monitoring."
  },
  "cot-monitoring-reward-hacking-2025": {
   "id": "cot-monitoring-reward-hacking-2025",
   "title": "Monitoring Reasoning Models for Misbehavior and the Risks of Promoting Obfuscation",
   "title_en": "Monitoring Reasoning Models for Misbehavior and the Risks of Promoting Obfuscation",
   "url": "https://arxiv.org/abs/2503.11926",
   "author": "B. Baker, J. Huizinga, L. Gao, Z. Dou, M. Y. Guan, A. Madry, W. Zaremba, J. Pachocki, D. Farhi (OpenAI)",
   "sponsored": false,
   "why": "Poznasz eksperymenty wykrywania oszukiwania nagrody przez monitoring rozumowania oraz ryzyko uczenia modelu ukrywania zachowania.",
   "why_en": "Explore reward-hacking detection through reasoning monitoring and the risk of training models to conceal behaviour."
  },
  "coursera-sdc-toronto": {
   "id": "coursera-sdc-toronto",
   "title": "Self-Driving Cars Specialization (University of Toronto, Coursera)",
   "title_en": "Self-Driving Cars Specialization (University of Toronto, Coursera)",
   "url": "https://www.coursera.org/specializations/self-driving-cars",
   "author": "Steven Waslander, Jonathan Kelly / University of Toronto",
   "sponsored": false,
   "why": "Pokazuje, jak uniwersytecki kurs dzieli autonomiczną jazdę na percepcję, lokalizację i planowanie.",
   "why_en": "Shows how a university course splits autonomous driving into perception, localisation and planning."
  },
  "cpo-2017": {
   "id": "cpo-2017",
   "title": "Constrained Policy Optimization",
   "title_en": "Constrained Policy Optimization",
   "url": "https://arxiv.org/abs/1705.10528",
   "author": "Joshua Achiam, David Held, Aviv Tamar, Pieter Abbeel",
   "sponsored": false,
   "why": "Dowiesz się, jak uczyć politykę sieci neuronowej z osobnymi ograniczeniami bezpieczeństwa przestrzeganymi przez cały trening.",
   "why_en": "Learn how to train a neural-network policy with separate safety constraints kept throughout training."
  },
  "cql-2020": {
   "id": "cql-2020",
   "title": "Conservative Q-Learning for Offline Reinforcement Learning",
   "title_en": "Conservative Q-Learning for Offline Reinforcement Learning",
   "url": "https://arxiv.org/abs/2006.04779",
   "author": "A. Kumar, A. Zhou, G. Tucker, S. Levine",
   "sponsored": false,
   "why": "Dowiesz się, jak konserwatywna estymacja wartości ogranicza przeszacowanie działań w uczeniu ze statycznych danych.",
   "why_en": "Learn how conservative value estimation limits action overestimation when learning from static datasets."
  },
  "cs188fa25": {
   "id": "cs188fa25",
   "title": "Berkeley CS188 · Introduction to Artificial Intelligence (Fall 2025)",
   "title_en": "Berkeley CS188 · Introduction to Artificial Intelligence (Fall 2025)",
   "url": "https://inst.eecs.berkeley.edu/~cs188/fa25/",
   "author": "Emma Pierson, Peyrin Kao (prowadzący)",
   "sponsored": false,
   "why": "Kurs przeprowadzi Cię przez przeszukiwanie, planowanie, modele probabilistyczne i podstawowe algorytmy uczenia.",
   "why_en": "The course guides you through search, planning, probabilistic models and foundational learning algorithms."
  },
  "cs221": {
   "id": "cs221",
   "title": "Stanford CS221 · AI: Principles and Techniques (2025)",
   "url": "https://stanford-cs221.github.io/autumn2025/",
   "kind": "reference",
   "note": "Rozumowanie, przeszukiwanie, logika i modele probabilistyczne.",
   "sponsored": false,
   "why": "Poznasz techniki przeszukiwania, reprezentacji wiedzy, logicznego rozumowania i modelowania niepewności.",
   "why_en": "Explore search, knowledge representation, logical reasoning and uncertainty-modelling techniques."
  },
  "cs229": {
   "id": "cs229",
   "title": "Stanford CS229 · Machine Learning (2018, archiwum)",
   "url": "https://cs229.stanford.edu/syllabus-autumn2018.html",
   "kind": "reference",
   "note": "Klasyczne ML, statystyka i podstawy uczenia. Użyte jako stabilny szkielet, nie przegląd nowości.",
   "sponsored": false,
   "why": "Archiwalny kurs wyjaśni klasyczne algorytmy uczenia maszynowego, ich podstawy statystyczne i zasady oceny.",
   "why_en": "The archived course explains classical machine-learning algorithms, statistical foundations and evaluation principles."
  },
  "cs229-summer-2026": {
   "id": "cs229-summer-2026",
   "title": "Stanford CS229 · Machine Learning (Summer 2026)",
   "title_en": "Stanford CS229 · Machine Learning (Summer 2026)",
   "url": "https://cs229.stanford.edu/",
   "author": "Stanford University",
   "sponsored": false,
   "why": "Kurs uporządkuje uczenie nadzorowane i nienadzorowane, teorię uogólniania oraz podstawy uczenia ze wzmocnieniem.",
   "why_en": "The course organises supervised and unsupervised learning, generalisation theory and reinforcement-learning foundations."
  },
  "cs231n-2026-schedule": {
   "id": "cs231n-2026-schedule",
   "title": "Stanford CS231n: Deep Learning for Computer Vision — harmonogram wykładów (wiosna 2026)",
   "title_en": "Stanford CS231n: Deep Learning for Computer Vision — lecture schedule (Spring 2026)",
   "url": "https://cs231n.stanford.edu/schedule.html",
   "author": "Stanford University (CS231n)",
   "sponsored": false,
   "why": "Harmonogram pokaże ścieżkę nauki klasyfikacji obrazów, detekcji, segmentacji, rozumienia wideo i nowoczesnych architektur wizyjnych.",
   "why_en": "The schedule maps study of image classification, detection, segmentation, video understanding and modern vision architectures."
  },
  "cs231n-convnets-notes": {
   "id": "cs231n-convnets-notes",
   "title": "CS231n: Convolutional Neural Networks (notatki kursowe)",
   "title_en": "CS231n: Convolutional Neural Networks (course notes)",
   "url": "https://cs231n.github.io/convolutional-networks/",
   "author": "Stanford CS231n",
   "sponsored": false,
   "why": "Zrozumiesz splot, krok, dopełnienie i pooling oraz ich rolę w architekturach sieci konwolucyjnych.",
   "why_en": "Understand convolution, stride, padding and pooling and their roles in convolutional-network architectures."
  },
  "cs234-2026-lecture3": {
   "id": "cs234-2026-lecture3",
   "title": "Stanford CS234 · Wykład 3: Model-Free Policy Evaluation (zima 2026)",
   "title_en": "Stanford CS234 · Lecture 3: Model-Free Policy Evaluation (Winter 2026)",
   "url": "https://web.stanford.edu/class/cs234/slides/lecture3pre.pdf",
   "author": "Emma Brunskill",
   "sponsored": false,
   "why": "Porównasz metody Monte Carlo i TD pod kątem obciążenia, wariancji, potrzeby końca epizodu i założenia Markowa.",
   "why_en": "Compare Monte Carlo and TD methods on bias, variance, the need for episodes to end and the Markov assumption."
  },
  "cs336": {
   "id": "cs336",
   "title": "Stanford CS336 · Language Modeling from Scratch (2025)",
   "url": "https://cs336.stanford.edu/spring2025/",
   "kind": "reference",
   "note": "Budowa modeli, dane, trening, systemy, inferencja i post-training.",
   "sponsored": false,
   "why": "Prześledzisz budowę modelu językowego od danych i architektury przez trening po inferencję oraz adaptację.",
   "why_en": "Follow language-model construction from data and architecture through training, inference and adaptation."
  },
  "ctde-intro-amato-2024": {
   "id": "ctde-intro-amato-2024",
   "title": "An Introduction to Centralized Training for Decentralized Execution in Cooperative Multi-Agent Reinforcement Learning",
   "title_en": "An Introduction to Centralized Training for Decentralized Execution in Cooperative Multi-Agent Reinforcement Learning",
   "url": "https://arxiv.org/abs/2409.03052",
   "author": "Christopher Amato",
   "sponsored": false,
   "why": "Poznasz dwie główne rodziny metod zespołowego RL: rozkład wartości i wspólnych krytyków.",
   "why_en": "Learn the two main families of cooperative multi-agent RL: value factorisation and centralised critics."
  },
  "cwru-bearing-data-center": {
   "id": "cwru-bearing-data-center",
   "title": "Bearing Data Center – dane łożysk normalnych i z uszkodzeniami",
   "title_en": "Bearing Data Center – normal and faulty bearing data",
   "url": "https://engineering.case.edu/bearingdatacenter",
   "author": "Case Western Reserve University, Case School of Engineering",
   "sponsored": false,
   "why": "Potwierdza, że popularny benchmark diagnostyki łożysk zawiera drgania z kontrolowanych eksperymentów i sztucznie wprowadzonych uszkodzeń.",
   "why_en": "Confirms that a common bearing-diagnostics benchmark contains vibration data from controlled experiments with deliberately seeded faults."
  },
  "d2l-optimization": {
   "id": "d2l-optimization",
   "title": "Dive into Deep Learning — rozdział 12: Optimization Algorithms",
   "title_en": "Dive into Deep Learning — ch. 12: Optimization Algorithms",
   "url": "https://d2l.ai/chapter_optimization/index.html",
   "author": "Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola (autorzy podręcznika — z wiedzy modelu; strona ich nie pokazała)",
   "sponsored": false,
   "why": "Porównasz algorytmy spadku gradientu, momentum, metody adaptacyjne i harmonogramy kroku uczenia.",
   "why_en": "Compare gradient-descent algorithms, momentum, adaptive methods and learning-rate schedules."
  },
  "d2l-toc": {
   "id": "d2l-toc",
   "title": "Dive into Deep Learning — spis treści",
   "title_en": "Dive into Deep Learning — table of contents",
   "url": "https://d2l.ai/",
   "author": "Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola",
   "sponsored": false,
   "why": "Spis treści pomoże znaleźć rozdziały o podstawach treningu, sieciach konwolucyjnych, rekurencyjnych i transformerach.",
   "why_en": "The contents help locate chapters on training foundations, convolutional networks, recurrent networks and transformers."
  },
  "dagger-2011": {
   "id": "dagger-2011",
   "title": "A Reduction of Imitation Learning and Structured Prediction to No-Regret Online Learning",
   "title_en": "A Reduction of Imitation Learning and Structured Prediction to No-Regret Online Learning",
   "url": "https://arxiv.org/abs/1011.0686",
   "author": "S. Ross, G. J. Gordon, J. A. Bagnell",
   "sponsored": false,
   "why": "Dowiesz się, jak iteracyjne zbieranie ocen eksperta dla stanów odwiedzanych przez ucznia ogranicza błędy imitacji.",
   "why_en": "Learn how iteratively collecting expert labels for student-visited states limits imitation errors."
  },
  "dahl-legal-fictions-2024": {
   "id": "dahl-legal-fictions-2024",
   "title": "Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models",
   "url": "https://arxiv.org/abs/2401.01301",
   "author": "Matthew Dahl, Varun Magesh, Mirac Suzgun, Daniel E. Ho",
   "sponsored": false,
   "why": "Mierzy, jak często ogólne modele zmyślają prawo i komu to najbardziej szkodzi.",
   "why_en": "Measures how often general models make up law and who is harmed most."
  },
  "dalpozzolo-fraud-delayed-drift": {
   "id": "dalpozzolo-fraud-delayed-drift",
   "title": "Credit Card Fraud Detection and Concept-Drift Adaptation with Delayed Supervised Information",
   "title_en": "Credit Card Fraud Detection and Concept-Drift Adaptation with Delayed Supervised Information",
   "url": "https://boracchi.faculty.polimi.it/docs/2015_04_Credit_Card_Fraud_Detection_DalPozzolo_Boracchi_Caelen_Alippi_Bontempi.pdf",
   "author": "Andrea Dal Pozzolo, Giacomo Boracchi, Olivier Caelen, Cesare Alippi, Gianluca Bontempi",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego etykiety oszustw są opóźnione i stronnicze oraz jak trenować model mimo tego.",
   "why_en": "Explains why fraud labels are delayed and biased and how to train a model despite that."
  },
  "dangerous-capability-evals-2024": {
   "id": "dangerous-capability-evals-2024",
   "title": "Evaluating Frontier Models for Dangerous Capabilities",
   "title_en": "Evaluating Frontier Models for Dangerous Capabilities",
   "url": "https://arxiv.org/abs/2403.13793",
   "author": "M. Phuong, M. Aitchison, E. Catt, S. Cogan i in. (27 autorów; Google DeepMind), T. Shevlane",
   "sponsored": false,
   "why": "Poznasz projektowanie testów niebezpiecznych zdolności modeli, obejmujących perswazję, cyberbezpieczeństwo i samopowielanie.",
   "why_en": "Explore designing dangerous-capability tests for models covering persuasion, cybersecurity and self-proliferation."
  },
  "dapo-2025": {
   "id": "dapo-2025",
   "title": "DAPO: An Open-Source LLM Reinforcement Learning System at Scale",
   "title_en": "DAPO: An Open-Source LLM Reinforcement Learning System at Scale",
   "url": "https://arxiv.org/abs/2503.14476",
   "author": "Qiying Yu, Zheng Zhang, Ruofei Zhu i in. (ByteDance Seed, Tsinghua AIR)",
   "sponsored": false,
   "why": "Poznasz modyfikacje próbkowania, ograniczania aktualizacji i agregacji straty w systemie uczenia polityki językowej.",
   "why_en": "Explore sampling, update-clipping and loss-aggregation changes in a language-policy learning system."
  },
  "darpa-aixcc-results-2025": {
   "id": "darpa-aixcc-results-2025",
   "title": "AI Cyber Challenge marks pivotal inflection point for cyber defense (AIxCC final results)",
   "title_en": "AI Cyber Challenge marks pivotal inflection point for cyber defense (AIxCC final results)",
   "url": "https://www.darpa.mil/news/2025/aixcc-results",
   "author": "DARPA",
   "sponsored": false,
   "why": "Podaje wyniki największego konkursu, w którym systemy AI same znajdowały i łatały błędy.",
   "why_en": "Gives results of the largest contest where AI systems found and patched bugs on their own."
  },
  "das-timesfm-2023": {
   "id": "das-timesfm-2023",
   "title": "A decoder-only foundation model for time-series forecasting",
   "title_en": "A decoder-only foundation model for time-series forecasting",
   "url": "https://arxiv.org/abs/2310.10688",
   "author": "Abhimanyu Das, Weihao Kong, Rajat Sen, Yichen Zhou",
   "sponsored": false,
   "why": "Dowiesz się, jak dekoder operujący na fragmentach szeregu uczy się prognozowania dla różnych długości i częstotliwości.",
   "why_en": "Learn how a decoder operating on time-series patches learns forecasting across lengths and frequencies."
  },
  "data-provenance-initiative-2023": {
   "id": "data-provenance-initiative-2023",
   "title": "The Data Provenance Initiative: A Large Scale Audit of Dataset Licensing & Attribution in AI",
   "title_en": "The Data Provenance Initiative: A Large Scale Audit of Dataset Licensing & Attribution in AI",
   "url": "https://arxiv.org/abs/2310.16787",
   "author": "Shayne Longpre, Robert Mahari, Anthony Chen, Naana Obeng-Marnu, Damien Sileo, William Brannon, Niklas Muennighoff, Nathan Khazam, Jad Kabbara, Kartik Perisetla i in. (17 autorów)",
   "sponsored": false,
   "why": "Poznasz audyt pochodzenia zbiorów tekstowych, atrybucji i licencji oraz problem niepełnych lub błędnych metadanych.",
   "why_en": "Explore an audit of text-dataset provenance, attribution and licensing, including incomplete or incorrect metadata."
  },
  "data-selection-survey-2024": {
   "id": "data-selection-survey-2024",
   "title": "A Survey on Data Selection for Language Models",
   "title_en": "A Survey on Data Selection for Language Models",
   "url": "https://arxiv.org/abs/2402.16827",
   "author": "Alon Albalak, Yanai Elazar, Sang Michael Xie, Shayne Longpre, Nathan Lambert, Xinyi Wang, Niklas Muennighoff, Bairu Hou, Liangming Pan, Haewon Jeong, Colin Raffel, Shiyu Chang, Tatsunori Hashimoto, William Yang Wang",
   "sponsored": false,
   "why": "Przegląd uporządkuje metody selekcji danych do treningu modeli językowych i ich otwarte problemy.",
   "why_en": "The review organises data-selection methods for language-model training and their open problems."
  },
  "databricks-llm-inference-perf": {
   "id": "databricks-llm-inference-perf",
   "title": "LLM Inference Performance Engineering: Best Practices",
   "title_en": "LLM Inference Performance Engineering: Best Practices",
   "url": "https://www.databricks.com/blog/llm-inference-performance-engineering-best-practices",
   "author": "Megha Agarwal, Asfandyar Qureshi, Nikhil Sardana, Linden Li, Julian Quevedo, Daya Khudia (Databricks)",
   "sponsored": true,
   "why": "Dowiesz się, jak długość odpowiedzi, batching i pamięć kontekstu wpływają na opóźnienie oraz przepustowość inferencji.",
   "why_en": "Learn how response length, batching and context memory affect inference latency and throughput."
  },
  "datasheets-for-datasets-2018": {
   "id": "datasheets-for-datasets-2018",
   "title": "Datasheets for Datasets",
   "title_en": "Datasheets for Datasets",
   "url": "https://arxiv.org/abs/1803.09010",
   "author": "T. Gebru, J. Morgenstern, B. Vecchione, J. W. Vaughan, H. Wallach, H. Daumé III, K. Crawford",
   "sponsored": false,
   "why": "Poznasz strukturę dokumentacji zbioru opisującą motywację, skład, zbieranie danych i zalecane zastosowania.",
   "why_en": "Explore dataset documentation covering motivation, composition, data collection and recommended uses."
  },
  "datatrove-github": {
   "id": "datatrove-github",
   "title": "datatrove — repozytorium (README)",
   "title_en": "datatrove — repository (README)",
   "url": "https://github.com/huggingface/datatrove",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Dowiesz się, jak składać potoki ekstrakcji, filtrowania, deduplikacji i zapisu tekstu na dużą skalę.",
   "why_en": "Learn how to compose large-scale text extraction, filtering, deduplication and storage pipelines."
  },
  "davis-marcus-commonsense-2015": {
   "id": "davis-marcus-commonsense-2015",
   "title": "Davis, Marcus · Commonsense Reasoning and Commonsense Knowledge in Artificial Intelligence",
   "title_en": "Davis & Marcus · Commonsense Reasoning and Commonsense Knowledge in Artificial Intelligence",
   "url": "https://dl.acm.org/doi/10.1145/2701413",
   "author": "Ernest Davis, Gary Marcus",
   "sponsored": false,
   "why": "Klarownie tłumaczy, dlaczego zdrowy rozsądek jest dla maszyn trudny i jakie podejścia próbowano.",
   "why_en": "Clearly explains why common sense is hard for machines and which approaches have been tried."
  },
  "dcai-mit": {
   "id": "dcai-mit",
   "title": "Introduction to Data-Centric AI (MIT, kurs IAP 2023–2024)",
   "title_en": "Introduction to Data-Centric AI (MIT IAP course, 2023–2024)",
   "url": "https://dcai.csail.mit.edu/",
   "author": "MIT CSAIL (prowadzący na stronie tylko z imion: Anish, Curtis, Jonas)",
   "sponsored": false,
   "why": "Kurs pokaże poprawianie modeli przez kurację danych, wykrywanie błędnych etykiet i ewaluację skoncentrowaną na zbiorze.",
   "why_en": "The course covers improving models through data curation, label-error detection and dataset-focused evaluation."
  },
  "dclm-2024": {
   "id": "dclm-2024",
   "title": "DataComp-LM: In search of the next generation of training sets for language models",
   "title_en": "DataComp-LM: In search of the next generation of training sets for language models",
   "url": "https://arxiv.org/abs/2406.11794",
   "author": "Jeffrey Li, Alex Fang, Georgios Smyrnis, Maor Ivgi, Matt Jordan, Samir Gadre, Hritik Bansal, Etash Guha, Sedrick Keh, Kushal Arora i in. (51 autorów)",
   "sponsored": false,
   "why": "Poznasz środowisko kontrolowanych eksperymentów porównujących filtrowanie, deduplikację i mieszanie danych do treningu modeli językowych.",
   "why_en": "Explore controlled experiments comparing filtering, deduplication and data mixing for language-model training."
  },
  "dcrnn-2018": {
   "id": "dcrnn-2018",
   "title": "Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting",
   "title_en": "Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting",
   "url": "https://arxiv.org/abs/1707.01926",
   "author": "Yaguang Li; Rose Yu; Cyrus Shahabi; Yan Liu",
   "sponsored": false,
   "why": "Wzorcowa praca, która wprowadziła sieci grafowe do prognozowania ruchu drogowego.",
   "why_en": "The landmark paper that brought graph networks into road-traffic forecasting."
  },
  "ddi-dermatology-2021": {
   "id": "ddi-dermatology-2021",
   "title": "Disparities in Dermatology AI: Assessments Using Diverse Clinical Images",
   "title_en": "Disparities in Dermatology AI: Assessments Using Diverse Clinical Images",
   "url": "https://arxiv.org/abs/2111.08006",
   "author": "Roxana Daneshjou, Kailas Vodrahalli, Weixin Liang i in.",
   "sponsored": false,
   "why": "Pokazuje, jak bardzo modele dermatologiczne tracą trafność na ciemnej skórze i rzadkich chorobach.",
   "why_en": "Shows how much dermatology models lose accuracy on dark skin and rare diseases."
  },
  "ddpm-2020": {
   "id": "ddpm-2020",
   "title": "Denoising Diffusion Probabilistic Models",
   "title_en": "Denoising Diffusion Probabilistic Models",
   "url": "https://arxiv.org/abs/2006.11239",
   "author": "Jonathan Ho, Ajay Jain, Pieter Abbeel",
   "sponsored": false,
   "why": "Zrozumiesz generowanie próbek przez uczenie odwracania stopniowego zaszumiania danych.",
   "why_en": "Understand sample generation through learning to reverse gradual data corruption."
  },
  "de-storn-price-1997": {
   "id": "de-storn-price-1997",
   "title": "Differential Evolution – A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces",
   "url": "https://www.cp.eng.chula.ac.th/~piak/teaching/ec/ec2012/storn_price_de.pdf",
   "author": "Rainer Storn, Kenneth Price",
   "sponsored": false,
   "why": "Oryginalny artykuł pokazuje mutację różnicową, krzyżowanie z CR i praktyczne zalecenia doboru parametrów.",
   "why_en": "The original paper shows difference-vector mutation, CR crossover and practical advice on setting parameters."
  },
  "deadly-triad-2018": {
   "id": "deadly-triad-2018",
   "title": "Deep Reinforcement Learning and the Deadly Triad",
   "title_en": "Deep Reinforcement Learning and the Deadly Triad",
   "url": "https://arxiv.org/abs/1812.02648",
   "author": "Hengshuai Yao",
   "sponsored": false,
   "why": "Dowiesz się, dlaczego połączenie aproksymacji funkcji, bootstrappingu i uczenia off-policy może rozregulować oceny i jak często dzieje się to w praktyce.",
   "why_en": "Learn why combining function approximation, bootstrapping and off-policy learning can destabilise estimates, and how often this happens in practice."
  },
  "decide-ai-2022": {
   "id": "decide-ai-2022",
   "title": "Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI",
   "title_en": "Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI",
   "url": "https://pubmed.ncbi.nlm.nih.gov/35585198/",
   "author": "Baptiste Vasey, Myura Nagendran, Bruce Campbell, David A. Clifton, Gary S. Collins i in.; DECIDE-AI expert group",
   "sponsored": false,
   "why": "Potwierdza standard dla wczesnej oceny systemu AI w rzeczywistym procesie klinicznym, z uwzględnieniem czynników ludzkich i bezpieczeństwa.",
   "why_en": "Confirms the standard for early evaluation of AI in real clinical workflows, including human factors and safety."
  },
  "decision-transformer-2021": {
   "id": "decision-transformer-2021",
   "title": "Decision Transformer: Reinforcement Learning via Sequence Modeling",
   "title_en": "Decision Transformer: Reinforcement Learning via Sequence Modeling",
   "url": "https://arxiv.org/abs/2106.01345",
   "author": "L. Chen, K. Lu, A. Rajeswaran, K. Lee, A. Grover, M. Laskin, P. Abbeel, A. Srinivas, I. Mordatch",
   "sponsored": false,
   "why": "Dowiesz się, jak model sekwencyjny przewiduje działania z historii stanów, akcji i pożądanego wyniku.",
   "why_en": "Learn how sequence models predict actions from state-action histories and desired returns."
  },
  "decisionrag-arxiv-2610.35868": {
   "id": "decisionrag-arxiv-2610.35868",
   "title": "Retriever-Free Retrieval: Navigating Documents with Decision Models",
   "title_en": "Retriever-Free Retrieval: Navigating Documents with Decision Models",
   "url": "https://arxiv.org/abs/2610.35868",
   "author": "Chao Wan, Paul Jünger, Beixi Du, Bodong Liu, Navaneetha Krishnan, Kilian Q. Weinberger",
   "sponsored": false,
   "why": "Pierwotne źródło definicji metody, algorytmu nawigacji po poziomach, konstrukcji hierarchii, wyników eksperymentalnych i ograniczeń.",
   "why_en": "Primary source for the method definition, level-wise navigation algorithm, hierarchy construction, experimental results and limitations."
  },
  "deep-filtering-2016": {
   "id": "deep-filtering-2016",
   "title": "Deep Neural Networks to Enable Real-time Multimessenger Astrophysics",
   "title_en": "Deep Neural Networks to Enable Real-time Multimessenger Astrophysics",
   "url": "https://arxiv.org/abs/1701.00008",
   "author": "Daniel George, E. A. Huerta",
   "sponsored": false,
   "why": "Pokazuje, jak sieć neuronowa wyłapuje fale grawitacyjne w szumie szybciej niż klasyczne porównywanie wzorców.",
   "why_en": "Shows how a neural network catches gravitational waves in noise faster than classical template matching."
  },
  "deepmimic-2018": {
   "id": "deepmimic-2018",
   "title": "DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills",
   "title_en": "DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills",
   "url": "https://arxiv.org/abs/1804.02717",
   "author": "X. B. Peng, P. Abbeel, S. Levine, M. van de Panne",
   "sponsored": false,
   "why": "Poznasz źródłową metodę uczenia fizycznie realistycznego ruchu przez naśladowanie nagrań ruchu.",
   "why_en": "Learn the foundational method for physically realistic motion learned by imitating motion clips."
  },
  "deepmind-sima2-2025": {
   "id": "deepmind-sima2-2025",
   "title": "SIMA 2: An agent that plays, reasons and learns with you in virtual 3D worlds",
   "url": "https://deepmind.google/blog/sima-2-an-agent-that-plays-reasons-and-learns-with-you-in-virtual-3d-worlds/",
   "author": "Google DeepMind",
   "sponsored": true,
   "why": "Opis producenta, jak agent z modelem językowym gra, rozmawia i sam uczy się nowych gier.",
   "why_en": "The vendor's account of how a language-model agent plays, talks and teaches itself new games."
  },
  "deepseek-r1-2025": {
   "id": "deepseek-r1-2025",
   "title": "DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning",
   "title_en": "DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning",
   "url": "https://arxiv.org/abs/2501.12948",
   "author": "DeepSeek-AI",
   "sponsored": false,
   "why": "Poznasz badanie rozwijania rozumowania przez uczenie ze wzmocnieniem oraz przenoszenia go do mniejszych modeli.",
   "why_en": "Explore research on developing reasoning through reinforcement learning and transferring it to smaller models."
  },
  "deepseek-v2-mla-2024": {
   "id": "deepseek-v2-mla-2024",
   "title": "DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model",
   "title_en": "DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model",
   "url": "https://arxiv.org/abs/2405.04434",
   "author": "DeepSeek-AI et al.",
   "sponsored": true,
   "why": "Dowiesz się, jak kompresja kluczy i wartości do reprezentacji ukrytej zmniejsza pamięć potrzebną dla uwagi.",
   "why_en": "Learn how compressing keys and values into latent representations reduces attention-memory requirements."
  },
  "deepseekmath-grpo-2024": {
   "id": "deepseekmath-grpo-2024",
   "title": "DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models",
   "title_en": "DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models",
   "url": "https://arxiv.org/abs/2402.03300",
   "author": "Zhihong Shao, Peiyi Wang, Qihao Zhu i in. (DeepSeek)",
   "sponsored": false,
   "why": "Poznasz uczenie polityki z przewagami liczonymi z grupy odpowiedzi, bez osobnego modelu krytyka.",
   "why_en": "Explore policy learning with advantages derived from response groups, without a separate critic model."
  },
  "deepsurv-2016": {
   "id": "deepsurv-2016",
   "title": "DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network",
   "title_en": "DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network",
   "url": "https://arxiv.org/abs/1606.00931",
   "author": "Jared Katzman, Uri Shaham, Jonathan Bates, Alexander Cloninger, Tingting Jiang, Yuval Kluger",
   "sponsored": false,
   "why": "Pokazuje, jak połączyć klasyczny model Coxa z siecią neuronową do przewidywania czasu do zdarzenia.",
   "why_en": "Shows how to combine the classic Cox model with a neural network to predict time to an event."
  },
  "deformable-manip-survey-2023": {
   "id": "deformable-manip-survey-2023",
   "title": "A Survey on Robotic Manipulation of Deformable Objects: Recent Advances, Open Challenges and New Frontiers",
   "title_en": "A Survey on Robotic Manipulation of Deformable Objects: Recent Advances, Open Challenges and New Frontiers",
   "url": "https://arxiv.org/abs/2312.10419",
   "author": "F. Gu, Y. Zhou, Z. Wang, S. Jiang, B. He",
   "sponsored": false,
   "why": "Poznasz, dlaczego tkaniny i liny są trudne dla robotów i jak radzą sobie z nimi metody uczone.",
   "why_en": "Learn why cloth and rope are hard for robots and how learned methods cope with them."
  },
  "dehghani-ut-2018": {
   "id": "dehghani-ut-2018",
   "title": "Universal Transformers",
   "title_en": "Universal Transformers",
   "url": "https://arxiv.org/abs/1807.03819",
   "author": "Mostafa Dehghani, Stephan Gouws, Oriol Vinyals, Jakob Uszkoreit, Łukasz Kaiser",
   "sponsored": false,
   "why": "Współdzielony blok uwagi w pętli i zatrzymanie osobno dla pozycji.",
   "why_en": "A shared attention block in a loop, and halting per position."
  },
  "demoura-bjorner-z3-2008": {
   "id": "demoura-bjorner-z3-2008",
   "title": "de Moura, Bjørner · Z3: An Efficient SMT Solver",
   "title_en": "de Moura & Bjørner · Z3: An Efficient SMT Solver",
   "url": "https://www.microsoft.com/en-us/research/publication/z3-an-efficient-smt-solver/",
   "author": "Leonardo de Moura, Nikolaj Bjørner",
   "sponsored": false,
   "why": "Opisuje najpopularniejszy solwer SMT i to, czym jest spełnialność względem teorii tła.",
   "why_en": "Describes the most widely used SMT solver and what satisfiability modulo background theories means."
  },
  "deng-pentestgpt-2023": {
   "id": "deng-pentestgpt-2023",
   "title": "PentestGPT: An LLM-empowered Automatic Penetration Testing Tool",
   "title_en": "PentestGPT: An LLM-empowered Automatic Penetration Testing Tool",
   "url": "https://arxiv.org/abs/2308.06782",
   "author": "Gelei Deng, Yi Liu, Víctor Mayoral-Vilches, Peng Liu, Yuekang Li, Yuan Xu, Tianwei Zhang, Yang Liu, Martin Pinzger, Stefan Rass",
   "sponsored": false,
   "why": "Wyjaśnia, w czym modele językowe pomagają testerom penetracyjnym, a gdzie się gubią.",
   "why_en": "Explains where language models help penetration testers and where they get lost."
  },
  "depth-anything-v2-2024": {
   "id": "depth-anything-v2-2024",
   "title": "Depth Anything V2",
   "title_en": "Depth Anything V2",
   "url": "https://arxiv.org/abs/2406.09414",
   "author": "Lihe Yang, Bingyi Kang, Zilong Huang, Zhen Zhao, Xiaogang Xu, Jiashi Feng, Hengshuang Zhao",
   "sponsored": false,
   "why": "Pokazuje, jak dzięki ogromnej ilości zdjęć model nauczył się odgadywać głębię.",
   "why_en": "Shows how huge numbers of photos taught a model to guess depth."
  },
  "design-patterns-agent-security-2025": {
   "id": "design-patterns-agent-security-2025",
   "title": "Design Patterns for Securing LLM Agents against Prompt Injections",
   "title_en": "Design Patterns for Securing LLM Agents against Prompt Injections",
   "url": "https://arxiv.org/abs/2506.08837",
   "author": "L. Beurer-Kellner, B. Buesser, A.-M. Creţu, E. Debenedetti i in. (14 autorów), F. Tramèr, V. Volhejn",
   "sponsored": false,
   "why": "Porównasz wzorce zabezpieczania agentów przed prompt injection i związane z nimi kompromisy użyteczności.",
   "why_en": "Compare agent-security patterns against prompt injection and their usability trade-offs."
  },
  "dettmers-2021-8bitopt": {
   "id": "dettmers-2021-8bitopt",
   "title": "8-bit Optimizers via Block-wise Quantization",
   "url": "https://arxiv.org/abs/2110.02861",
   "author": "Tim Dettmers, Mike Lewis, Sam Shleifer, Luke Zettlemoyer",
   "sponsored": false,
   "why": "Wyjaśnia, jak zmniejszyć pamięć optymalizatora kilkukrotnie bez zmiany ustawień treningu.",
   "why_en": "Explains how to cut optimiser memory several-fold without changing training settings."
  },
  "dexnet2-2017": {
   "id": "dexnet2-2017",
   "title": "Dex-Net 2.0: Deep Learning to Plan Robust Grasps with Synthetic Point Clouds and Analytic Grasp Metrics",
   "title_en": "Dex-Net 2.0: Deep Learning to Plan Robust Grasps with Synthetic Point Clouds and Analytic Grasp Metrics",
   "url": "https://arxiv.org/abs/1703.09312",
   "author": "J. Mahler, J. Liang, S. Niyaz, M. Laskey, R. Doan i in.",
   "sponsored": false,
   "why": "Zobaczysz, jak sieć wytrenowana na syntetycznych danych ocenia jakość chwytu z obrazu głębi.",
   "why_en": "See how a network trained on synthetic data scores grasp quality from a depth image."
  },
  "dexterous-inhand-2018": {
   "id": "dexterous-inhand-2018",
   "title": "Learning Dexterous In-Hand Manipulation",
   "title_en": "Learning Dexterous In-Hand Manipulation",
   "url": "https://arxiv.org/abs/1808.00177",
   "author": "OpenAI: M. Andrychowicz, B. Baker, M. Chociej, R. Jozefowicz, B. McGrew i in.",
   "sponsored": false,
   "why": "Poznasz klasyczną pracę o obracaniu przedmiotów w robotycznej dłoni wyłącznie dzięki treningowi w symulacji.",
   "why_en": "Meet the classic work on turning objects in a robot hand using simulation-only training."
  },
  "dgm-2025": {
   "id": "dgm-2025",
   "title": "Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents",
   "title_en": "Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents",
   "url": "https://arxiv.org/abs/2505.22954",
   "author": "Jenny Zhang, Shengran Hu, Cong Lu, Robert Lange, Jeff Clune",
   "sponsored": false,
   "why": "Praca pokazuje agenta, który ewolucyjnie przepisuje własny kod i sprawdza zmiany na testach.",
   "why_en": "The paper shows an agent that evolutionarily rewrites its own code and checks changes against tests."
  },
  "dgmr-2021": {
   "id": "dgmr-2021",
   "title": "Skillful Precipitation Nowcasting using Deep Generative Models of Radar",
   "title_en": "Skillful Precipitation Nowcasting using Deep Generative Models of Radar",
   "url": "https://arxiv.org/abs/2104.00954",
   "author": "Suman Ravuri, Karel Lenc, Matthew Willson, Shakir Mohamed i in. (DeepMind, Met Office)",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego zwykłe sieci rozmywają prognozę deszczu i jak model generatywny to naprawia.",
   "why_en": "Explains why plain networks blur rain forecasts and how a generative model fixes it."
  },
  "dial-rial-2016": {
   "id": "dial-rial-2016",
   "title": "Learning to Communicate with Deep Multi-Agent Reinforcement Learning",
   "title_en": "Learning to Communicate with Deep Multi-Agent Reinforcement Learning",
   "url": "https://arxiv.org/abs/1605.06676",
   "author": "Jakob N. Foerster; Yannis M. Assael; Nando de Freitas; Shimon Whiteson",
   "sponsored": false,
   "why": "Zobaczysz, jak agenci od zera uczą się wysyłać sobie przydatne wiadomości.",
   "why_en": "See how agents learn from scratch to send each other useful messages."
  },
  "dieleman-noise-schedules-2024": {
   "id": "dieleman-noise-schedules-2024",
   "title": "Noise schedules considered harmful",
   "title_en": "Noise schedules considered harmful",
   "url": "https://sander.ai/2024/06/14/noise-schedules.html",
   "author": "Sander Dieleman",
   "sponsored": false,
   "why": "Zobaczysz, jak dwa niezależne artykuły sprowadzają się do tego samego przesunięcia logarytmu stosunku sygnału do szumu.",
   "why_en": "See how two independent papers reduce to the same log signal-to-noise shift."
  },
  "diffdock-2022": {
   "id": "diffdock-2022",
   "title": "DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking",
   "title_en": "DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking",
   "url": "https://arxiv.org/abs/2210.01776",
   "author": "Gabriele Corso, Hannes Stärk, Bowen Jing, Regina Barzilay, Tommi Jaakkola",
   "sponsored": false,
   "why": "Pokazuje, jak dyfuzja po przesunięciu, obrocie i skrętach ligandu zastępuje klasyczne dokowanie.",
   "why_en": "Shows how diffusion over a ligand's shift, rotation and twists replaces classical docking."
  },
  "diffusion-policy-2023": {
   "id": "diffusion-policy-2023",
   "title": "Diffusion Policy: Visuomotor Policy Learning via Action Diffusion",
   "title_en": "Diffusion Policy: Visuomotor Policy Learning via Action Diffusion",
   "url": "https://arxiv.org/abs/2303.04137",
   "author": "C. Chi, Z. Xu, S. Feng, E. Cousineau, Y. Du, B. Burchfiel, R. Tedrake, S. Song",
   "sponsored": false,
   "why": "Dowiesz się, jak warunkowe odszumianie generuje rozkłady działań robota w zadaniach manipulacji.",
   "why_en": "Learn how conditional denoising generates robot-action distributions for manipulation tasks."
  },
  "diffusion-restoration-survey-2025": {
   "id": "diffusion-restoration-survey-2025",
   "title": "Diffusion Models for Image Restoration and Enhancement: A Comprehensive Survey",
   "title_en": "Diffusion Models for Image Restoration and Enhancement: A Comprehensive Survey",
   "url": "https://link.springer.com/article/10.1007/s11263-025-02570-9",
   "author": "Xin Li, Yulin Ren, Xin Jin, Cuiling Lan, Xingrui Wang, Wenjun Zeng, Xinchao Wang, Zhibo Chen",
   "sponsored": false,
   "why": "Porządkuje metody naprawiania zdjęć modelami dyfuzyjnymi.",
   "why_en": "Organises the methods for repairing photos with diffusion models."
  },
  "ding-primevul-2024": {
   "id": "ding-primevul-2024",
   "title": "Vulnerability Detection with Code Language Models: How Far Are We?",
   "title_en": "Vulnerability Detection with Code Language Models: How Far Are We?",
   "url": "https://arxiv.org/abs/2403.18624",
   "author": "Yangruibo Ding, Yanjun Fu, Omniyyah Ibrahim, Chawin Sitawarin, Xinyun Chen, Basel Alomair, David Wagner, Baishakhi Ray, Yizheng Chen",
   "sponsored": false,
   "why": "Pokazuje, jak bardzo popularne benchmarki zawyżają skuteczność modeli w wykrywaniu podatności.",
   "why_en": "Shows how much popular benchmarks overstate models' vulnerability detection performance."
  },
  "distill-gnn-2021": {
   "id": "distill-gnn-2021",
   "title": "A Gentle Introduction to Graph Neural Networks",
   "title_en": "A Gentle Introduction to Graph Neural Networks",
   "url": "https://distill.pub/2021/gnn-intro/",
   "author": "Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko (Google Research)",
   "sponsored": false,
   "why": "Interaktywnie i bez wzorów tłumaczy, czym są grafy, przekazywanie wiadomości i zadania GNN.",
   "why_en": "Interactively and without heavy maths explains graphs, message passing and GNN tasks."
  },
  "distserve-2024": {
   "id": "distserve-2024",
   "title": "DistServe: Disaggregating Prefill and Decoding for Goodput-optimized Large Language Model Serving",
   "title_en": "DistServe: Disaggregating Prefill and Decoding for Goodput-optimized Large Language Model Serving",
   "url": "https://arxiv.org/abs/2401.09670",
   "author": "Yinmin Zhong, Shengyu Liu, Junda Chen, Jianbo Hu, Yibo Zhu, Xuanzhe Liu, Xin Jin, Hao Zhang",
   "sponsored": false,
   "why": "Zrozumiesz rozdzielenie przetwarzania wejścia i generowania tokenów dla odmiennych wymagań opóźnienia oraz przepustowości.",
   "why_en": "Understand separating input processing and token generation for differing latency and throughput requirements."
  },
  "dit-2022": {
   "id": "dit-2022",
   "title": "Scalable Diffusion Models with Transformers",
   "title_en": "Scalable Diffusion Models with Transformers",
   "url": "https://arxiv.org/abs/2212.09748",
   "author": "William Peebles, Saining Xie",
   "sponsored": false,
   "why": "Poznasz zastosowanie transformera do odszumiania łatek reprezentacji ukrytej w generowaniu obrazów.",
   "why_en": "Explore transformers denoising latent-representation patches for image generation."
  },
  "dlai": {
   "id": "dlai",
   "title": "DeepLearning.AI — katalog kursów",
   "title_en": "DeepLearning.AI — course catalogue",
   "url": "https://www.deeplearning.ai/courses",
   "kind": "katalog kursów",
   "kind_en": "course catalogue",
   "note": "42 etykiety tematyczne z licznikami, ok. 130 kursów.",
   "note_en": "42 topic labels with counts, about 130 courses.",
   "sponsored": false,
   "retrieved": "2026-09-20",
   "why": "Katalog pomoże dobrać kurs do wybranego zagadnienia i zaplanować dalszą naukę.",
   "why_en": "The catalogue helps select courses for a chosen topic and plan further study."
  },
  "dlbook-part1": {
   "id": "dlbook-part1",
   "title": "Goodfellow, Bengio, Courville · Deep Learning, cz. I (rozdz. 2–5) i rozdz. 3 „Probability and Information Theory”",
   "title_en": "Goodfellow, Bengio, Courville · Deep Learning, Part I and ch. 3 “Probability and Information Theory”",
   "url": "https://www.deeplearningbook.org/contents/prob.html",
   "author": "Ian Goodfellow, Yoshua Bengio, Aaron Courville",
   "sponsored": false,
   "why": "Uporządkujesz podstawy algebry liniowej, probabilistyki, teorii informacji i obliczeń numerycznych potrzebne do uczenia głębokiego.",
   "why_en": "Organise linear-algebra, probability, information-theory and numerical-computation foundations needed for deep learning."
  },
  "doclaynet-2022": {
   "id": "doclaynet-2022",
   "title": "DocLayNet: A Large Human-Annotated Dataset for Document-Layout Analysis",
   "title_en": "DocLayNet: A Large Human-Annotated Dataset for Document-Layout Analysis",
   "url": "https://arxiv.org/abs/2206.01062",
   "author": "Birgit Pfitzmann, Christoph Auer, Michele Dolfi, Ahmed S. Nassar, Peter Staar (IBM Research)",
   "sponsored": false,
   "why": "Opisuje duży zbiór stron z oznaczonymi blokami i pokazuje, jak daleko modele są od ludzi.",
   "why_en": "Describes a large set of pages with labelled blocks and shows how far models are from humans."
  },
  "docling-2024": {
   "id": "docling-2024",
   "title": "Docling Technical Report",
   "title_en": "Docling Technical Report",
   "url": "https://arxiv.org/abs/2408.09869",
   "author": "Christoph Auer i in. (IBM Research)",
   "sponsored": true,
   "why": "Pokazuje kompletny otwarty potok zamiany PDF na tekst ze strukturą: układ strony i tabele.",
   "why_en": "Shows a complete open pipeline turning PDFs into structured text: page layout and tables."
  },
  "dolma-2024": {
   "id": "dolma-2024",
   "title": "Dolma: an Open Corpus of Three Trillion Tokens for Language Model Pretraining Research",
   "title_en": "Dolma: an Open Corpus of Three Trillion Tokens for Language Model Pretraining Research",
   "url": "https://arxiv.org/abs/2402.00159",
   "author": "Luca Soldaini, Rodney Kinney, Akshita Bhagia, Dustin Schwenk, David Atkinson, Russell Authur, Ben Bogin, Khyathi Chandu, Jennifer Dumas, Yanai Elazar i in. (26 autorów)",
   "sponsored": false,
   "why": "Poznasz zasady budowy, dokumentowania i kuracji otwartego korpusu tekstowego do pretrainingu.",
   "why_en": "Explore principles for building, documenting and curating an open text corpus for pretraining."
  },
  "domain-randomization-2017": {
   "id": "domain-randomization-2017",
   "title": "Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World",
   "title_en": "Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World",
   "url": "https://arxiv.org/abs/1703.06907",
   "author": "J. Tobin, R. Fong, A. Ray, J. Schneider, W. Zaremba, P. Abbeel",
   "sponsored": false,
   "why": "Dowiesz się, jak losowanie parametrów obrazów symulowanych pomaga przenosić modele wizyjne do rzeczywistego środowiska.",
   "why_en": "Learn how randomising simulated-image parameters helps transfer vision models into real environments."
  },
  "doncieux-er-2015": {
   "id": "doncieux-er-2015",
   "title": "Evolutionary Robotics: What, Why, and Where to",
   "url": "https://www.frontiersin.org/articles/10.3389/frobt.2015.00004/full",
   "author": "Stéphane Doncieux, Nicolas Bredeche, Jean-Baptiste Mouret, A. E. (Gusz) Eiben",
   "sponsored": false,
   "why": "Przeglądowy artykuł o tym, czym jest robotyka ewolucyjna, po co się ją stosuje i dokąd zmierza.",
   "why_en": "A review of what evolutionary robotics is, why it is used and where it is heading."
  },
  "dong-2024-rlhfworkflow": {
   "id": "dong-2024-rlhfworkflow",
   "title": "RLHF Workflow: From Reward Modeling to Online RLHF",
   "url": "https://arxiv.org/abs/2405.07863",
   "author": "Hanze Dong, Wei Xiong, Bo Pang, Haoxiang Wang, Han Zhao, Yingbo Zhou, Nan Jiang, Doyen Sahoo, Caiming Xiong, Tong Zhang",
   "sponsored": false,
   "why": "Krok po kroku opisuje pętlę iteracyjnego uczenia preferencji z modelem zastępującym ludzi.",
   "why_en": "Describes step by step an iterative preference-learning loop with a model standing in for humans."
  },
  "dong-qged-review-2025": {
   "id": "dong-qged-review-2025",
   "title": "A literature review of research on question generation in education",
   "title_en": "A literature review of research on question generation in education",
   "url": "https://peerj.com/articles/cs-3203",
   "author": "Xiaohui Dong, Xinyu Zhang, Zhengluo Li, Quanxin Hou, Jixiang Xue, Xiaoyi Li",
   "sponsored": false,
   "why": "Pokazuje, jak rozwijały się metody automatycznego tworzenia pytań i dlaczego trudno ocenić ich jakość dydaktyczną.",
   "why_en": "Shows how automatic question generation methods evolved and why their teaching quality is hard to judge."
  },
  "dont-stop-pretraining-2020": {
   "id": "dont-stop-pretraining-2020",
   "title": "Don't Stop Pretraining: Adapt Language Models to Domains and Tasks",
   "title_en": "Don't Stop Pretraining: Adapt Language Models to Domains and Tasks",
   "url": "https://arxiv.org/abs/2004.10964",
   "author": "Suchin Gururangan, Ana Marasović, Swabha Swayamdipta i in.",
   "sponsored": false,
   "why": "Porównasz dalszy pretraining na tekstach domeny i nieoznaczonych danych konkretnego zadania.",
   "why_en": "Compare continued pretraining on domain texts and unlabelled data from specific tasks."
  },
  "donut-2021": {
   "id": "donut-2021",
   "title": "OCR-free Document Understanding Transformer (Donut)",
   "title_en": "OCR-free Document Understanding Transformer (Donut)",
   "url": "https://arxiv.org/abs/2111.15664",
   "author": "Geewook Kim, Teakgyu Hong, Moonbin Yim, Jeongyeon Nam, Jinyoung Park, Jinyeong Yim, Wonseok Hwang, Sangdoo Yun, Dongyoon Han, Seunghyun Park (NAVER CLOVA)",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego czytanie dokumentów bez osobnego rozpoznawania liter bywa lepsze.",
   "why_en": "Explains why reading documents without a separate letter-recognition step can work better."
  },
  "dora-2024": {
   "id": "dora-2024",
   "title": "DoRA: Weight-Decomposed Low-Rank Adaptation",
   "title_en": "DoRA: Weight-Decomposed Low-Rank Adaptation",
   "url": "https://arxiv.org/abs/2402.09353",
   "author": "Shih-Yang Liu, Chien-Yi Wang, Hongxu Yin i in. (NVIDIA, HKUST)",
   "sponsored": false,
   "why": "Dowiesz się, jak rozdzielenie wielkości i kierunku wag rozszerza adaptację niskiego rzędu.",
   "why_en": "Learn how separating weight magnitude and direction extends low-rank adaptation."
  },
  "doremi-2023": {
   "id": "doremi-2023",
   "title": "DoReMi: Optimizing Data Mixtures Speeds Up Language Model Pretraining",
   "title_en": "DoReMi: Optimizing Data Mixtures Speeds Up Language Model Pretraining",
   "url": "https://arxiv.org/abs/2305.10429",
   "author": "Sang Michael Xie, Hieu Pham, Xuanyi Dong, Nan Du, Hanxiao Liu, Yifeng Lu, Percy Liang, Quoc V. Le, Tengyu Ma, Adams Wei Yu",
   "sponsored": false,
   "why": "Poznasz dobieranie proporcji domen treningowych za pomocą małego modelu pomocniczego i optymalizacji odpornej.",
   "why_en": "Explore selecting training-domain proportions through a small proxy model and robust optimisation."
  },
  "dosovitskiy-vit-2020": {
   "id": "dosovitskiy-vit-2020",
   "title": "An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale",
   "title_en": "An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale",
   "url": "https://arxiv.org/abs/2010.11929",
   "author": "Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov, Dirk Weissenborn, Xiaohua Zhai i in.",
   "sponsored": false,
   "why": "Zrozumiesz klasyfikację obrazów przez transformer przetwarzający sekwencję łatek zamiast stosu konwolucji.",
   "why_en": "Understand image classification through a transformer processing patch sequences rather than a convolution stack."
  },
  "doubly-robust-ope-2015": {
   "id": "doubly-robust-ope-2015",
   "title": "Doubly Robust Off-policy Value Evaluation for Reinforcement Learning",
   "title_en": "Doubly Robust Off-policy Value Evaluation for Reinforcement Learning",
   "url": "https://arxiv.org/abs/1511.03722",
   "author": "Nan Jiang, Lihong Li",
   "sponsored": false,
   "why": "Zrozumiesz, jak ocenić nową politykę z danych starej i połączyć zalety próbkowania ważonego z modelem wartości.",
   "why_en": "Understand how to evaluate a new policy from an old policy's data, combining the strengths of importance sampling and a value model."
  },
  "dp-sgd-abadi-2016": {
   "id": "dp-sgd-abadi-2016",
   "title": "Deep Learning with Differential Privacy",
   "title_en": "Deep Learning with Differential Privacy",
   "url": "https://arxiv.org/abs/1607.00133",
   "author": "M. Abadi, A. Chu, I. Goodfellow, H. B. McMahan, I. Mironov, K. Talwar, L. Zhang",
   "sponsored": false,
   "why": "Poznasz trening sieci z prywatnością różnicową oraz kompromis między ochroną danych i jakością modelu.",
   "why_en": "Explore differentially private network training and the trade-off between data protection and model quality."
  },
  "dpr-2020": {
   "id": "dpr-2020",
   "title": "Dense Passage Retrieval for Open-Domain Question Answering",
   "title_en": "Dense Passage Retrieval for Open-Domain Question Answering",
   "url": "https://arxiv.org/abs/2004.04906",
   "author": "Vladimir Karpukhin, Barlas Oğuz, Sewon Min, Patrick Lewis, Ledell Wu, Sergey Edunov, Danqi Chen, Wen-tau Yih",
   "sponsored": false,
   "why": "Pokazuje, jak odpowiadanie na pytania połączyło się z wyszukiwaniem i dało początek RAG.",
   "why_en": "Shows how question answering merged with search and led to RAG."
  },
  "dqn-atari-2013": {
   "id": "dqn-atari-2013",
   "title": "Playing Atari with Deep Reinforcement Learning",
   "title_en": "Playing Atari with Deep Reinforcement Learning",
   "url": "https://arxiv.org/abs/1312.5602",
   "author": "V. Mnih, K. Kavukcuoglu, D. Silver, A. Graves, I. Antonoglou, D. Wierstra, M. Riedmiller",
   "sponsored": false,
   "why": "Dowiesz się, jak sieć konwolucyjna uczona przez Q-learning wybiera działania bezpośrednio na podstawie pikseli.",
   "why_en": "Learn how a convolutional network trained through Q-learning selects actions directly from pixels."
  },
  "dr-grpo-2025": {
   "id": "dr-grpo-2025",
   "title": "Understanding R1-Zero-Like Training: A Critical Perspective (Dr. GRPO)",
   "title_en": "Understanding R1-Zero-Like Training: A Critical Perspective (Dr. GRPO)",
   "url": "https://arxiv.org/abs/2503.20783",
   "author": "Zichen Liu, Changyu Chen, Wenjun Li i in. (Sea AI Lab, NUS)",
   "sponsored": false,
   "why": "Zrozumiesz, jak obciążenie celu GRPO może wydłużać odpowiedzi i jak proponowana korekta zmienia trening.",
   "why_en": "Understand how GRPO objective bias can lengthen responses and how a proposed correction changes training."
  },
  "drachen-player-clustering-2014": {
   "id": "drachen-player-clustering-2014",
   "title": "A Comparison of Methods for Player Clustering via Behavioral Telemetry",
   "title_en": "A Comparison of Methods for Player Clustering via Behavioral Telemetry",
   "url": "https://arxiv.org/abs/1407.3950",
   "author": "Anders Drachen, Christian Thurau, Rafet Sifa, Christian Bauckhage",
   "sponsored": false,
   "why": "Porównuje metody dzielenia graczy na typy i pokazuje, które dają profile zrozumiałe dla projektantów.",
   "why_en": "Compares methods for splitting players into types and shows which yield profiles designers can understand."
  },
  "dreambooth-2022": {
   "id": "dreambooth-2022",
   "title": "DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation",
   "title_en": "DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation",
   "url": "https://arxiv.org/abs/2208.12242",
   "author": "Nataniel Ruiz, Yuanzhen Li, Varun Jampani, Yael Pritch, Michael Rubinstein, Kfir Aberman",
   "sponsored": false,
   "why": "Praca, która pokazała, jak nauczyć generator obrazów konkretnego psa czy przedmiotu.",
   "why_en": "The paper that showed how to teach an image generator a specific dog or object."
  },
  "dreamerv3-2023": {
   "id": "dreamerv3-2023",
   "title": "Mastering Diverse Domains through World Models (DreamerV3)",
   "title_en": "Mastering Diverse Domains through World Models (DreamerV3)",
   "url": "https://arxiv.org/abs/2301.04104",
   "author": "D. Hafner, J. Pasukonis, J. Ba, T. Lillicrap",
   "sponsored": false,
   "why": "Dowiesz się, jak agent uczy się modelu środowiska i poprawia politykę na wyobrażonych trajektoriach.",
   "why_en": "Learn how agents learn environment models and improve policies through imagined trajectories."
  },
  "dreamfusion-2022": {
   "id": "dreamfusion-2022",
   "title": "DreamFusion: Text-to-3D using 2D Diffusion",
   "title_en": "DreamFusion: Text-to-3D using 2D Diffusion",
   "url": "https://arxiv.org/abs/2209.14988",
   "author": "Ben Poole, Ajay Jain, Jonathan T. Barron, Ben Mildenhall",
   "sponsored": false,
   "why": "Pokazuje pierwszy sposób tworzenia obiektów 3D z opisu bez żadnych danych 3D.",
   "why_en": "Shows the first way of making 3D objects from text without any 3D data."
  },
  "drivelm-2023": {
   "id": "drivelm-2023",
   "title": "DriveLM: Driving with Graph Visual Question Answering",
   "title_en": "DriveLM: Driving with Graph Visual Question Answering",
   "url": "https://arxiv.org/abs/2312.14150",
   "author": "Chonghao Sima, Katrin Renz, Kashyap Chitta, Li Chen, Hanxue Zhang, Chengen Xie i in. (10 autorów)",
   "sponsored": false,
   "why": "Pokazuje, jak model językowy może prowadzić auto, rozumując krok po kroku w pytaniach.",
   "why_en": "Shows how a language model can drive by reasoning step by step through questions."
  },
  "droid-slam-2021": {
   "id": "droid-slam-2021",
   "title": "DROID-SLAM: Deep Visual SLAM for Monocular, Stereo, and RGB-D Cameras",
   "title_en": "DROID-SLAM: Deep Visual SLAM for Monocular, Stereo, and RGB-D Cameras",
   "url": "https://arxiv.org/abs/2108.10869",
   "author": "Zachary Teed, Jia Deng",
   "sponsored": false,
   "why": "Pokazuje, jak sieć neuronowa pomaga kamerze jednocześnie śledzić się i mapować otoczenie.",
   "why_en": "Shows how a neural network helps a camera track itself while mapping its surroundings."
  },
  "dropout-2014": {
   "id": "dropout-2014",
   "title": "Dropout: A Simple Way to Prevent Neural Networks from Overfitting",
   "title_en": "Dropout: A Simple Way to Prevent Neural Networks from Overfitting",
   "url": "https://jmlr.org/papers/v15/srivastava14a.html",
   "author": "Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov",
   "sponsored": false,
   "why": "Zrozumiesz, jak losowe wyłączanie jednostek podczas treningu ogranicza współadaptację i przeuczenie sieci.",
   "why_en": "Understand how randomly disabling units during training limits network co-adaptation and overfitting."
  },
  "drq-2020": {
   "id": "drq-2020",
   "title": "Image Augmentation Is All You Need: Regularizing Deep Reinforcement Learning from Pixels",
   "title_en": "Image Augmentation Is All You Need: Regularizing Deep Reinforcement Learning from Pixels",
   "url": "https://arxiv.org/abs/2004.13649",
   "author": "Ilya Kostrikov; Denis Yarats; Rob Fergus",
   "sponsored": false,
   "why": "Zobaczysz, jak drobne przesunięcia obrazu sprawiają, że agent uczy się z kamery szybciej i pewniej.",
   "why_en": "See how small image shifts make an agent learn from a camera faster and more reliably."
  },
  "drqn-2015": {
   "id": "drqn-2015",
   "title": "Deep Recurrent Q-Learning for Partially Observable MDPs",
   "title_en": "Deep Recurrent Q-Learning for Partially Observable MDPs",
   "url": "https://arxiv.org/abs/1507.06527",
   "author": "Matthew Hausknecht, Peter Stone",
   "sponsored": false,
   "why": "Zobaczysz, jak warstwa rekurencyjna pozwala agentowi łączyć informacje w czasie, gdy widzi tylko pojedynczą klatkę.",
   "why_en": "See how a recurrent layer lets an agent integrate information over time when it sees only a single frame."
  },
  "duan-dfmgan-2023": {
   "id": "duan-dfmgan-2023",
   "title": "Few-Shot Defect Image Generation via Defect-Aware Feature Manipulation",
   "url": "https://arxiv.org/abs/2303.02389",
   "author": "Yuxuan Duan, Yan Hong, Li Niu, Liqing Zhang",
   "sponsored": false,
   "why": "Pokazuje podejście oparte na sieciach przeciwstawnych: najpierw wygląd dobrej sztuki, potem osobno sama wada.",
   "why_en": "Shows the adversarial-network approach: first the good part's look, then the defect on its own."
  },
  "duplex-survey-2025": {
   "id": "duplex-survey-2025",
   "title": "Od tur do dialogu równoczesnego: przegląd modeli pełnodupleksowych",
   "title_en": "From Turn-Taking to Synchronous Dialogue: A Survey of Full-Duplex Spoken Language Models",
   "url": "https://arxiv.org/abs/2509.14515",
   "author": "Yuxuan Chen i Haoyuan Yu",
   "sponsored": false,
   "why": "Porównasz podejścia do równoczesnego słuchania i mówienia oraz sposoby synchronizacji dialogu głosowego.",
   "why_en": "Compare approaches to simultaneous listening and speaking and methods for synchronising voice dialogue."
  },
  "dvc-docs": {
   "id": "dvc-docs",
   "title": "DVC — Data Version Control (dokumentacja, strona główna)",
   "title_en": "DVC — Data Version Control (documentation home)",
   "url": "https://doc.dvc.org/",
   "author": "Iterative / społeczność DVC (strona nie podaje autora)",
   "sponsored": false,
   "why": "Dowiesz się, jak wersjonować dane, modele i eksperymenty oraz organizować odtwarzalne potoki pracy.",
   "why_en": "Learn how to version data, models and experiments and organise reproducible workflows."
  },
  "e2e-ad-survey-2023": {
   "id": "e2e-ad-survey-2023",
   "title": "End-to-end Autonomous Driving: Challenges and Frontiers",
   "title_en": "End-to-end Autonomous Driving: Challenges and Frontiers",
   "url": "https://arxiv.org/abs/2306.16927",
   "author": "Li Chen, Penghao Wu, Kashyap Chitta, Bernhard Jaeger, Andreas Geiger, Hongyang Li",
   "sponsored": false,
   "why": "Najlepszy punkt startowy: mapa całego kierunku jazdy end-to-end i jego otwartych problemów.",
   "why_en": "The best starting point: a map of the whole end-to-end driving direction and its open problems."
  },
  "ec-ai-literacy-qa": {
   "id": "ec-ai-literacy-qa",
   "title": "AI Literacy — Questions & Answers (Komisja Europejska)",
   "title_en": "AI Literacy — Questions & Answers (European Commission)",
   "url": "https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers",
   "author": "Komisja Europejska (Shaping Europe's digital future)",
   "sponsored": false,
   "why": "Wyjaśnienia Komisji uporządkują pojęcie kompetencji AI, ich rozwijanie oraz kontekst przepisów.",
   "why_en": "The Commission's explanations clarify AI literacy, its development and the regulatory context."
  },
  "ecg-cardiologist-2017": {
   "id": "ecg-cardiologist-2017",
   "title": "Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks",
   "title_en": "Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks",
   "url": "https://arxiv.org/abs/1707.01836",
   "author": "Pranav Rajpurkar, Awni Y. Hannun, Masoumeh Haghpanahi, Codie Bourn, Andrew Y. Ng",
   "sponsored": true,
   "why": "Pokazuje, jak głęboka sieć nauczyła się rozpoznawać zaburzenia rytmu serca z zapisu EKG.",
   "why_en": "Shows how a deep network learned to recognise heart-rhythm disorders from ECG recordings."
  },
  "egnn-2021": {
   "id": "egnn-2021",
   "title": "E(n) Equivariant Graph Neural Networks",
   "title_en": "E(n) Equivariant Graph Neural Networks",
   "url": "https://arxiv.org/abs/2102.09844",
   "author": "Victor Garcia Satorras, Emiel Hoogeboom, Max Welling",
   "sponsored": false,
   "why": "Najprostsze wprowadzenie do sieci grafowych, które z definicji szanują obroty i przesunięcia w 3D.",
   "why_en": "The simplest introduction to graph networks that respect 3D rotations and translations by design."
  },
  "eiben-smith-2015": {
   "id": "eiben-smith-2015",
   "title": "Introduction to Evolutionary Computing (2nd ed.)",
   "url": "https://biblioteca.izt.uam.mx/vufind/Record/978-3-662-44874-8/TOC",
   "author": "A. E. Eiben, J. E. Smith",
   "sponsored": false,
   "why": "Standardowy podręcznik: pokazuje, z jakich etapów składa się algorytm ewolucyjny i jakie tematy obejmuje dziedzina.",
   "why_en": "A standard textbook showing the stages of an evolutionary algorithm and the topics the field covers."
  },
  "eiopa-ai-opinion-2025": {
   "id": "eiopa-ai-opinion-2025",
   "title": "EIOPA publishes Opinion on AI governance and risk management",
   "title_en": "EIOPA publishes Opinion on AI governance and risk management",
   "url": "https://www.eiopa.europa.eu/eiopa-publishes-opinion-ai-governance-and-risk-management-2025-08-06_en",
   "author": "European Insurance and Occupational Pensions Authority (EIOPA)",
   "sponsored": false,
   "why": "Pokazuje, do czego ubezpieczyciele używają AI i jakie zasady nadzoru obowiązują w UE.",
   "why_en": "Shows what insurers use AI for and which supervisory principles apply in the EU."
  },
  "eliterate-early-warning": {
   "id": "eliterate-early-warning",
   "title": "Instructure DIG and Student Early Warning Systems",
   "title_en": "Instructure DIG and Student Early Warning Systems",
   "url": "https://eliterate.us/instructure-dig-and-student-early-warning-systems",
   "author": "Michael Feldstein (e-Literate)",
   "sponsored": false,
   "why": "Tłumaczy, dlaczego sama prognoza zagrożenia nie wystarcza i co poszło nie tak z głośnym systemem uczelnianym.",
   "why_en": "Explains why a risk prediction alone is not enough and what went wrong with a well-known university system."
  },
  "elkheir-pronunciation-review-2023": {
   "id": "elkheir-pronunciation-review-2023",
   "title": "Automatic Pronunciation Assessment – A Review",
   "title_en": "Automatic Pronunciation Assessment – A Review",
   "url": "https://arxiv.org/abs/2310.13974",
   "author": "Yassine El Kheir, Ahmed Ali, Shammur Absar Chowdhury",
   "sponsored": false,
   "why": "Porządkuje metody oceny wymowy głosek i prozodii oraz otwarte problemy tej dziedziny.",
   "why_en": "Organises methods for assessing phone-level and prosodic pronunciation and the field's open problems."
  },
  "embodied-navigation-survey-2025": {
   "id": "embodied-navigation-survey-2025",
   "title": "Sensing, Social, and Motion Intelligence in Embodied Navigation: A Comprehensive Survey",
   "title_en": "Sensing, Social, and Motion Intelligence in Embodied Navigation: A Comprehensive Survey",
   "url": "https://arxiv.org/abs/2508.15354",
   "author": "C. Xiong, Y. Huang, F. Yu, C. Chen, Y. Wang, S. Xia, L. Pei",
   "sponsored": false,
   "why": "Poznasz rodzaje zadań nawigacji ucieńleśnionej, w tym szukanie obiektów, i sposób ich oceny.",
   "why_en": "Learn the kinds of embodied navigation tasks, including object search, and how they are evaluated."
  },
  "embodied-objectcentric-survey-2024": {
   "id": "embodied-objectcentric-survey-2024",
   "title": "A Survey of Embodied Learning for Object-Centric Robotic Manipulation",
   "title_en": "A Survey of Embodied Learning for Object-Centric Robotic Manipulation",
   "url": "https://arxiv.org/abs/2408.11537",
   "author": "Y. Zheng, L. Yao, Y. Su, Y. Zhang, Y. Wang, S. Zhao, Y. Zhang, L.-P. Chau",
   "sponsored": false,
   "why": "Zobaczysz, jak percepcja pozy, afordancji i dotyku łączy się z uczeniem manipulacji.",
   "why_en": "See how pose, affordance and tactile perception connect to learning manipulation."
  },
  "emergent-misalignment-reward-hacking-2025": {
   "id": "emergent-misalignment-reward-hacking-2025",
   "title": "Natural Emergent Misalignment from Reward Hacking in Production RL",
   "title_en": "Natural Emergent Misalignment from Reward Hacking in Production RL",
   "url": "https://arxiv.org/abs/2511.18397",
   "author": "M. MacDiarmid, B. Wright, J. Uesato, J. Benton i in. (22 autorów; Anthropic), E. Hubinger",
   "sponsored": false,
   "why": "Poznasz eksperyment badający, jak wyuczone oszukiwanie nagrody może przenosić się na niepożądane zachowania poza treningiem.",
   "why_en": "Explore an experiment examining how learned reward hacking can transfer to undesirable behaviour beyond training."
  },
  "emma-2024": {
   "id": "emma-2024",
   "title": "EMMA: End-to-End Multimodal Model for Autonomous Driving",
   "title_en": "EMMA: End-to-End Multimodal Model for Autonomous Driving",
   "url": "https://arxiv.org/abs/2410.23262",
   "author": "Jyh-Jing Hwang, Runsheng Xu, Hubert Lin, Wei-Chih Hung, Jingwei Ji, Kristy Choi i in. (14 autorów, Waymo)",
   "sponsored": true,
   "why": "Pokazuje, jak wielki model multimodalny może przewidywać trasę jazdy zapisaną jak zwykły tekst.",
   "why_en": "Shows how a large multimodal model can predict a driving route written like plain text."
  },
  "eoh-2024": {
   "id": "eoh-2024",
   "title": "Evolution of Heuristics: Towards Efficient Automatic Algorithm Design Using Large Language Model",
   "title_en": "Evolution of Heuristics: Towards Efficient Automatic Algorithm Design Using Large Language Model",
   "url": "https://arxiv.org/abs/2401.02051",
   "author": "Fei Liu, Xialiang Tong, Mingxuan Yuan, Xi Lin, Fu Luo, Zhenkun Wang, Zhichao Lu, Qingfu Zhang",
   "sponsored": false,
   "why": "Praca pokazuje, jak łączenie opisu idei z kodem obniża koszt automatycznego projektowania heurystyk.",
   "why_en": "The paper shows how pairing idea descriptions with code cuts the cost of automatic heuristic design."
  },
  "epic-sepsis-external-validation-2021": {
   "id": "epic-sepsis-external-validation-2021",
   "title": "External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients",
   "title_en": "External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients",
   "url": "https://pubmed.ncbi.nlm.nih.gov/34152373/",
   "author": "Andrew Wong, Erkin Otles, John P. Donnelly, Andrew Krumm, Jeffrey McCullough, Olivia DeTroyer-Cooley, Justin Pestrue, Marie Phillips, Judy Konye, Carleen Penoza, Muhammad Ghous, Karandeep Singh",
   "sponsored": false,
   "why": "Niezależnie sprawdza realne działanie szeroko wdrożonego alarmu sepsy i uzasadnia ostrzeżenie przed słabą kalibracją oraz nadmiarem alertów.",
   "why_en": "Independently tests a widely deployed sepsis alert and supports the warning about poor calibration and excessive alerts."
  },
  "es-llm-2025": {
   "id": "es-llm-2025",
   "title": "Evolution Strategies at Scale: LLM Fine-Tuning Beyond Reinforcement Learning",
   "title_en": "Evolution Strategies at Scale: LLM Fine-Tuning Beyond Reinforcement Learning",
   "url": "https://arxiv.org/abs/2509.24372",
   "author": "Xin Qiu, Yulu Gan, Conor F. Hayes, Qiyao Liang, Yinggan Xu, Roberto Dailey, Elliot Meyerson, Babak Hodjat, Risto Miikkulainen",
   "sponsored": false,
   "why": "Praca pokazuje, że strategie ewolucyjne mogą dostrajać duże modele językowe bez propagacji wstecznej.",
   "why_en": "The paper shows evolution strategies can fine-tune large language models without backpropagation."
  },
  "es-rl-2017": {
   "id": "es-rl-2017",
   "title": "Evolution Strategies as a Scalable Alternative to Reinforcement Learning",
   "title_en": "Evolution Strategies as a Scalable Alternative to Reinforcement Learning",
   "url": "https://arxiv.org/abs/1703.03864",
   "author": "Tim Salimans, Jonathan Ho, Xi Chen, Szymon Sidor, Ilya Sutskever",
   "sponsored": false,
   "why": "Praca pokazuje, jak strategie ewolucyjne skalują się na tysiące maszyn jako alternatywa dla uczenia ze wzmocnieniem.",
   "why_en": "The paper shows how evolution strategies scale across thousands of machines as an alternative to RL."
  },
  "esm-github": {
   "id": "esm-github",
   "title": "facebookresearch/esm — Evolutionary Scale Modeling (ESM-2, ESMFold, ESM-IF1)",
   "title_en": "facebookresearch/esm — Evolutionary Scale Modeling (ESM-2, ESMFold, ESM-IF1)",
   "url": "https://github.com/facebookresearch/esm",
   "author": "Meta AI (FAIR); praca: Lin, Akin, Rao i in., Science 2023",
   "sponsored": false,
   "why": "Pokaże, jak model językowy białek przewiduje strukturę z jednej sekwencji i ocenia mutacje.",
   "why_en": "Shows how a protein language model predicts structure from one sequence and scores mutations."
  },
  "esm1v-2021": {
   "id": "esm1v-2021",
   "title": "Language models enable zero-shot prediction of the effects of mutations on protein function",
   "title_en": "Language models enable zero-shot prediction of the effects of mutations on protein function",
   "url": "https://proceedings.neurips.cc/paper/2021/hash/f51338d736f95dd42427296047067694-Abstract.html",
   "author": "Joshua Meier, Roshan Rao, Robert Verkuil, Jason Liu, Tom Sercu, Alexander Rives",
   "sponsored": false,
   "why": "Wyjaśnia, jak model uczony tylko na sekwencjach białek ocenia wpływ mutacji na funkcję bez pomiarów dla danego białka.",
   "why_en": "Explains how a model trained only on protein sequences scores a mutation's effect on function without measurements for that protein."
  },
  "esser-vqgan-2020": {
   "id": "esser-vqgan-2020",
   "title": "Taming Transformers for High-Resolution Image Synthesis",
   "title_en": "Taming Transformers for High-Resolution Image Synthesis",
   "url": "https://arxiv.org/abs/2012.09841",
   "author": "Patrick Esser, Robin Rombach, Björn Ommer",
   "sponsored": false,
   "why": "Zobaczysz, jak tokenizer obrazu ze splotów i transformer razem generują duże obrazy.",
   "why_en": "See how a convolutional image tokenizer and a transformer together generate large images."
  },
  "ethayarajh-2024-kto": {
   "id": "ethayarajh-2024-kto",
   "title": "KTO: Model Alignment as Prospect Theoretic Optimization",
   "url": "https://arxiv.org/abs/2402.01306",
   "author": "Kawin Ethayarajh, Winnie Xu, Niklas Muennighoff, Dan Jurafsky, Douwe Kiela",
   "sponsored": false,
   "why": "Źródło metody uczenia z prostych ocen „dobre/złe” zamiast par porównań.",
   "why_en": "The source of learning from simple good/bad ratings instead of paired comparisons."
  },
  "eu-ai-act-2024": {
   "id": "eu-ai-act-2024",
   "title": "Rozporządzenie (UE) 2024/1689 – akt w sprawie sztucznej inteligencji",
   "title_en": "Regulation (EU) 2024/1689 – Artificial Intelligence Act",
   "url": "https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32024R1689",
   "author": "Parlament Europejski i Rada Unii Europejskiej",
   "sponsored": false,
   "why": "Urzędowo określa warunki, pod którymi AI w regulowanym wyrobie jest systemem wysokiego ryzyka w UE.",
   "why_en": "Officially defines when AI in a regulated product is a high-risk system in the EU."
  },
  "eu-ai-act-annex3-credit": {
   "id": "eu-ai-act-annex3-credit",
   "title": "EU AI Act – Annex III: High-risk AI systems (point 5(b) creditworthiness, 5(c) life and health insurance)",
   "title_en": "EU AI Act – Annex III: High-risk AI systems (point 5(b) creditworthiness, 5(c) life and health insurance)",
   "url": "https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng",
   "author": "European Parliament and Council of the European Union",
   "sponsored": false,
   "why": "Pokazuje, że w UE scoring kredytowy osób to system AI wysokiego ryzyka, a wykrywanie oszustw nie.",
   "why_en": "Shows that in the EU personal credit scoring is high-risk AI, while fraud detection is not."
  },
  "eu-ai-act-regulatory-framework-2026": {
   "id": "eu-ai-act-regulatory-framework-2026",
   "title": "AI Act — Regulatory framework on AI (strona Komisji Europejskiej)",
   "title_en": "AI Act — Regulatory framework on AI (European Commission page)",
   "url": "https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai",
   "author": "Komisja Europejska",
   "sponsored": false,
   "why": "Poznasz oficjalne omówienie unijnego podejścia do ryzyka systemów AI oraz regulacji modeli ogólnego przeznaczenia.",
   "why_en": "Explore the official overview of EU AI-system risk regulation and rules for general-purpose models."
  },
  "euaiact-art5-emotion-education": {
   "id": "euaiact-art5-emotion-education",
   "title": "Rozporządzenie (UE) 2024/1689 (AI Act), art. 3 pkt 39 i art. 5 ust. 1 lit. f",
   "title_en": "Regulation (EU) 2024/1689 (AI Act), Article 3(39) and Article 5(1)(f)",
   "url": "https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32024R1689",
   "author": "Parlament Europejski i Rada Unii Europejskiej",
   "sponsored": false,
   "why": "Oficjalna podstawa prawna do precyzyjnego ograniczenia ryzyka regulacyjnego dla biometrycznego wnioskowania o emocjach w edukacji.",
   "why_en": "Official legal basis for precisely scoping the regulatory risk of biometric emotion inference in education."
  },
  "eurlex-eli-about": {
   "id": "eurlex-eli-about",
   "title": "European Legislation Identifier (ELI) – About ELI",
   "url": "https://eur-lex.europa.eu/eli-register/about.html",
   "author": "Urząd Publikacji UE (EUR-Lex)",
   "sponsored": false,
   "why": "Wyjaśnia, jak kraje UE nadają przepisom trwałe adresy i opisują je metadanymi.",
   "why_en": "Explains how EU countries give laws permanent addresses and describe them with metadata."
  },
  "eva-bench-voice": {
   "id": "eva-bench-voice",
   "title": "EVA-Bench: ewaluacja agentów głosowych od początku do końca",
   "title_en": "EVA-Bench: A New End-to-end Framework for Evaluating Voice Agents",
   "url": "https://arxiv.org/abs/2605.13841",
   "author": "Tara Bogavelli i współautorzy",
   "sponsored": false,
   "why": "Dowiesz się, jak wieloturowe symulacje audio oceniają wykonanie zadania i jakość interakcji agentów głosowych.",
   "why_en": "Learn how multi-turn audio simulations assess task completion and voice-agent interaction quality."
  },
  "evo-llm-survey-2024": {
   "id": "evo-llm-survey-2024",
   "title": "Evolutionary Computation in the Era of Large Language Model: Survey and Roadmap",
   "title_en": "Evolutionary Computation in the Era of Large Language Model: Survey and Roadmap",
   "url": "https://arxiv.org/abs/2401.10034",
   "author": "Xingyu Wu, Sheng-hao Wu, Jibin Wu, Liang Feng, Kay Chen Tan",
   "sponsored": false,
   "why": "Przegląd pokazuje dwa kierunki: modele językowe ulepszające ewolucję i ewolucję ulepszającą modele językowe.",
   "why_en": "The survey maps two directions: language models improving evolution, and evolution improving language models."
  },
  "evo2-2025": {
   "id": "evo2-2025",
   "title": "AI can now model and design the genetic code for all domains of life with Evo 2",
   "title_en": "AI can now model and design the genetic code for all domains of life with Evo 2",
   "url": "https://arcinstitute.org/news/evo2",
   "author": "Arc Institute",
   "sponsored": true,
   "why": "Pokazuje, że modele językowe obejmują już całe genomy, nie tylko białka.",
   "why_en": "Shows that language models now cover whole genomes, not just proteins."
  },
  "evo2-weightharness-2026": {
   "id": "evo2-weightharness-2026",
   "title": "Evo^{2}: Evolving the Evolver through Weight-Harness Co-Evolution",
   "title_en": "Evo^{2}: Evolving the Evolver through Weight-Harness Co-Evolution",
   "url": "https://arxiv.org/abs/2610.13025",
   "author": "Chejian Xu, Shujian Zhang, Wenxuan Zhou, John Lambert, Beck Chen, Bo Li, Andrew Hard, Rajiv Mathews",
   "sponsored": false,
   "why": "Opisuje dual-role proposer-reflektor, pipeline EvoTIDE i wyniki na Polyglot oraz SWE-bench Verified.",
   "why_en": "Describes the dual-role proposer-reflector, EvoTIDE pipeline and results on Polyglot and SWE-bench Verified."
  },
  "evoprompt-2023": {
   "id": "evoprompt-2023",
   "title": "EvoPrompt: Connecting LLMs with Evolutionary Algorithms Yields Powerful Prompt Optimizers",
   "title_en": "EvoPrompt: Connecting LLMs with Evolutionary Algorithms Yields Powerful Prompt Optimizers",
   "url": "https://arxiv.org/abs/2309.08532",
   "author": "Qingyan Guo, Rui Wang, Junliang Guo, Bei Li, Kaitao Song, Xu Tan, Guoqing Liu, Jiang Bian, Yujiu Yang",
   "sponsored": false,
   "why": "Praca pokazuje, jak model językowy w roli operatora ewolucyjnego automatycznie ulepsza prompty.",
   "why_en": "The paper shows a language model acting as an evolutionary operator to improve prompts automatically."
  },
  "ewc-2017": {
   "id": "ewc-2017",
   "title": "Overcoming catastrophic forgetting in neural networks",
   "title_en": "Overcoming catastrophic forgetting in neural networks",
   "url": "https://arxiv.org/abs/1612.00796",
   "author": "James Kirkpatrick, Razvan Pascanu, Neil Rabinowitz i in. (DeepMind)",
   "sponsored": false,
   "why": "Zrozumiesz ograniczanie zapominania przez spowalnianie zmian wag ważnych dla wcześniejszych zadań.",
   "why_en": "Understand limiting forgetting by slowing changes to weights important for earlier tasks."
  },
  "executorch-overview": {
   "id": "executorch-overview",
   "title": "ExecuTorch Overview (dokumentacja ExecuTorch 1.5)",
   "title_en": "ExecuTorch Overview (ExecuTorch 1.5 docs)",
   "url": "https://docs.pytorch.org/executorch/stable/intro-overview.html",
   "author": "PyTorch / Meta",
   "sponsored": true,
   "why": "Poznasz proces eksportowania i uruchamiania modeli na urządzeniach z wykorzystaniem delegatów sprzętowych.",
   "why_en": "Explore exporting and running models on devices using hardware delegates."
  },
  "experian-reject-inference-survey-2013": {
   "id": "experian-reject-inference-survey-2013",
   "title": "An Empirical Survey of Reject Inference Techniques",
   "title_en": "An Empirical Survey of Reject Inference Techniques",
   "url": "https://cer.business-school.ed.ac.uk/wp-content/uploads/sites/55/2017/02/An-Empirical-Survey-of-Reject-Inference-Techniques-Lee-Gregory-and-Radostina-Etimova.pdf",
   "author": "Radostina Etimova, Lee Gregory, Milena Marcheva (Experian)",
   "sponsored": false,
   "why": "Porównuje na prawdziwych portfelach, które metody wnioskowania o odrzuconych faktycznie pomagają.",
   "why_en": "Compares on real portfolios which reject inference methods actually help."
  },
  "fairlearn-user-guide": {
   "id": "fairlearn-user-guide",
   "title": "Fairlearn User Guide — Fairness in Machine Learning; Mitigations",
   "title_en": "Fairlearn User Guide — Fairness in Machine Learning; Mitigations",
   "url": "https://fairlearn.org/main/user_guide/fairness_in_machine_learning.html",
   "author": "projekt Fairlearn (społeczność open source)",
   "sponsored": false,
   "why": "Poznasz rodzaje szkód, grupowe miary sprawiedliwości i metody ograniczania nierówności w uczeniu maszynowym.",
   "why_en": "Explore harm types, group-fairness measures and methods for mitigating machine-learning disparities."
  },
  "fakih-llm4plc-2024": {
   "id": "fakih-llm4plc-2024",
   "title": "LLM4PLC: Harnessing Large Language Models for Verifiable Programming of PLCs in Industrial Control Systems",
   "url": "https://arxiv.org/abs/2401.05443",
   "author": "Mohamad Fakih, Rahul Dharmaji, Yasamin Moghaddas, Gustavo Quiros Araya, Oluwatosin Ogundare, Mohammad Abdullah Al Faruque",
   "sponsored": false,
   "why": "Pokazuje, jak pętla kompilatora i weryfikacji formalnej pozwala modelom pisać działający kod sterowników.",
   "why_en": "Shows how a compiler and formal-verification loop lets models write working controller code."
  },
  "fang-alodlm-2026": {
   "id": "fang-alodlm-2026",
   "title": "ALoDLM: Adaptively Looped Diffusion Language Models",
   "title_en": "ALoDLM: Adaptively Looped Diffusion Language Models",
   "url": "https://arxiv.org/abs/2610.04198",
   "author": "Liancheng Fang, Zhuowei Li, Youngeun Kim, Tianchen Zhao, Rajat Koner, Jiaye Wu, Linghan Xu, Xuanbai Chen, Xiang Xu, Zheng Zhang, Jakub Zablocki, Nishant Sankaran, Yifan Xing",
   "sponsored": false,
   "why": "Świeży sygnał ze zwiadu: adaptacyjna głębokość na token, jeszcze jedna praca, nie osobny temat.",
   "why_en": "Fresh recon signal: token-adaptive depth, still a single paper, not a separate topic."
  },
  "fast-tokenizer-2025": {
   "id": "fast-tokenizer-2025",
   "title": "FAST: Efficient Action Tokenization for Vision-Language-Action Models",
   "title_en": "FAST: Efficient Action Tokenization for Vision-Language-Action Models",
   "url": "https://arxiv.org/abs/2501.09747",
   "author": "Karl Pertsch, Kyle Stachowicz, Brian Ichter, Danny Driess, Suraj Nair, Quan Vuong, Oier Mees, Chelsea Finn, Sergey Levine",
   "sponsored": false,
   "why": "Zrozumiesz, czemu sposób zapisu akcji decyduje o tym, czy model VLA nauczy się zręcznych ruchów.",
   "why_en": "Understand why action encoding decides whether a VLA model learns dexterous motions."
  },
  "fatf-digital-id-2020": {
   "id": "fatf-digital-id-2020",
   "title": "Guidance on Digital Identity",
   "title_en": "Guidance on Digital Identity",
   "url": "https://www.fatf-gafi.org/en/publications/Financialinclusionandnpoissues/Digital-identity-guidance.html",
   "author": "Financial Action Task Force (FATF)",
   "sponsored": false,
   "why": "Wyjaśnia, kiedy zdalna, cyfrowa weryfikacja tożsamości wystarcza bankowi do poznania klienta.",
   "why_en": "Explains when remote digital identity checks are enough for a bank to know its customer."
  },
  "fda-ai-devices-list": {
   "id": "fda-ai-devices-list",
   "title": "List of Artificial Intelligence-Enabled Medical Devices",
   "title_en": "List of Artificial Intelligence-Enabled Medical Devices",
   "url": "https://www.fda.gov/medical-devices/artificial-intelligence-enabled-medical-devices/list-artificial-intelligence-enabled-medical-devices",
   "author": "U.S. Food and Drug Administration",
   "sponsored": false,
   "why": "Pokazuje, które programy z AI są dopuszczone w USA i że najwięcej z nich służy radiologii.",
   "why_en": "Shows which AI programs are cleared in the US and that most of them serve radiology."
  },
  "fda-pccp-2025": {
   "id": "fda-pccp-2025",
   "title": "Marketing Submission Recommendations for a Predetermined Change Control Plan for Artificial Intelligence-Enabled Device Software Functions",
   "title_en": "Marketing Submission Recommendations for a Predetermined Change Control Plan for Artificial Intelligence-Enabled Device Software Functions",
   "url": "https://www.fda.gov/regulatory-information/search-fda-guidance-documents/marketing-submission-recommendations-predetermined-change-control-plan-artificial-intelligence",
   "author": "U.S. Food and Drug Administration",
   "sponsored": false,
   "why": "Wyjaśnia, jak producent może z góry uzgodnić z regulatorem przyszłe zmiany modelu medycznego.",
   "why_en": "Explains how a maker can agree future changes to a medical model with the regulator in advance."
  },
  "feast-point-in-time-joins": {
   "id": "feast-point-in-time-joins",
   "title": "Point-in-time joins (Feast)",
   "title_en": "Point-in-time joins (Feast)",
   "url": "https://docs.feast.dev/getting-started/concepts/point-in-time-joins",
   "author": "Projekt Feast (open source)",
   "sponsored": true,
   "why": "Dowiesz się, jak odtwarzać historyczne cechy dostępne w chwili zdarzenia, ograniczając wyciek informacji z przyszłości.",
   "why_en": "Learn how to reconstruct historical features available at event time, limiting future-information leakage."
  },
  "featurestore-org-what-is": {
   "id": "featurestore-org-what-is",
   "title": "What is a Feature Store?",
   "title_en": "What is a Feature Store?",
   "url": "https://www.featurestore.org/what-is-a-feature-store",
   "author": "Jim Dowling (Hopsworks; serwis featurestore.org prowadzony przez Hopsworks)",
   "sponsored": true,
   "why": "Zrozumiesz współpracę magazynów cech offline i online oraz spójność między treningiem i serwowaniem.",
   "why_en": "Understand cooperation between offline and online feature stores and consistency between training and serving."
  },
  "fedavg-mcmahan-2016": {
   "id": "fedavg-mcmahan-2016",
   "title": "Communication-Efficient Learning of Deep Networks from Decentralized Data",
   "title_en": "Communication-Efficient Learning of Deep Networks from Decentralized Data",
   "url": "https://arxiv.org/abs/1602.05629",
   "author": "H. B. McMahan, E. Moore, D. Ramage, S. Hampson, B. Agüera y Arcas",
   "sponsored": false,
   "why": "Dowiesz się, jak agregowanie lokalnych aktualizacji pozwala trenować wspólny model bez centralizacji surowych danych.",
   "why_en": "Learn how aggregating local updates trains a shared model without centralising raw data."
  },
  "federated-privacy-secagg-2022": {
   "id": "federated-privacy-secagg-2022",
   "title": "How Much Privacy Does Federated Learning with Secure Aggregation Guarantee?",
   "title_en": "How Much Privacy Does Federated Learning with Secure Aggregation Guarantee?",
   "url": "https://arxiv.org/abs/2208.02304",
   "author": "A. R. Elkordy, J. Zhang, Y. H. Ezzeldin, K. Psounis, S. Avestimehr",
   "sponsored": false,
   "why": "Zrozumiesz, dlaczego lokalne dane i bezpieczna agregacja nie zapewniają same formalnej gwarancji prywatności.",
   "why_en": "Understand why local data and secure aggregation alone do not provide formal privacy guarantees."
  },
  "feng-lcr-survey-2024": {
   "id": "feng-lcr-survey-2024",
   "title": "Legal Case Retrieval: A Survey of the State of the Art",
   "url": "https://aclanthology.org/2024.acl-long.350/",
   "author": "Yi Feng, Chuanyi Li, Vincent Ng",
   "sponsored": false,
   "why": "Daje przegląd zbiorów danych i modeli do wyszukiwania podobnych spraw sądowych.",
   "why_en": "Gives an overview of datasets and models for retrieving similar court cases."
  },
  "ferrag-llm-agents-review-2025": {
   "id": "ferrag-llm-agents-review-2025",
   "title": "From LLM Reasoning to Autonomous AI Agents: A Comprehensive Review",
   "title_en": "From LLM Reasoning to Autonomous AI Agents: A Comprehensive Review",
   "url": "https://arxiv.org/abs/2504.19678",
   "author": "Mohamed Amine Ferrag, Norbert Tihanyi, Merouane Debbah",
   "sponsored": false,
   "why": "Przegląd uporządkuje benchmarki rozumowania, wiedzy, kodu i agentów oraz narzędzia budowania systemów agentowych.",
   "why_en": "The review organises reasoning, knowledge, coding and agent benchmarks alongside tools for building agent systems."
  },
  "fim-bavarian-2022": {
   "id": "fim-bavarian-2022",
   "title": "Efficient Training of Language Models to Fill in the Middle",
   "title_en": "Efficient Training of Language Models to Fill in the Middle",
   "url": "https://arxiv.org/abs/2207.14255",
   "author": "Mohammad Bavarian, Heewoo Jun, Nikolas Tezak, John Schulman, Christine McLeavey, Jerry Tworek, Mark Chen (OpenAI)",
   "sponsored": true,
   "why": "Wyjaśnia, jak model uczy się uzupełniać brakujący środek tekstu lub kodu.",
   "why_en": "Explains how a model learns to fill in the missing middle of text or code."
  },
  "financebench-2023": {
   "id": "financebench-2023",
   "title": "FinanceBench: A New Benchmark for Financial Question Answering",
   "title_en": "FinanceBench: A New Benchmark for Financial Question Answering",
   "url": "https://arxiv.org/abs/2311.11944",
   "author": "Pranab Islam, Anand Kannappan, Douwe Kiela, Rebecca Qian, Nino Scherrer, Bertie Vidgen (Patronus AI i in.)",
   "sponsored": false,
   "why": "Pokazuje na tysiącach pytań, jak często czatboty mylą się przy pracy z raportami spółek.",
   "why_en": "Shows on thousands of questions how often chatbots get company filings wrong."
  },
  "finbert-araci-2019": {
   "id": "finbert-araci-2019",
   "title": "FinBERT: Financial Sentiment Analysis with Pre-trained Language Models",
   "title_en": "FinBERT: Financial Sentiment Analysis with Pre-trained Language Models",
   "url": "https://arxiv.org/abs/1908.10063",
   "author": "Dogu Araci",
   "sponsored": false,
   "why": "Pokazuje, że model douczony na tekstach finansowych lepiej ocenia wydźwięk wiadomości giełdowych.",
   "why_en": "Shows that a model further trained on financial text judges market-news tone better."
  },
  "fincen-deepfake-alert-2024": {
   "id": "fincen-deepfake-alert-2024",
   "title": "FinCEN Alert on Fraud Schemes Involving Deepfake Media Targeting Financial Institutions (FIN-2024-Alert004)",
   "title_en": "FinCEN Alert on Fraud Schemes Involving Deepfake Media Targeting Financial Institutions (FIN-2024-Alert004)",
   "url": "https://www.fincen.gov/sites/default/files/shared/FinCEN-Alert-DeepFakes-Alert508FINAL.pdf",
   "author": "Financial Crimes Enforcement Network (FinCEN), U.S. Department of the Treasury",
   "sponsored": false,
   "why": "Wylicza sygnały, po których banki rozpoznają deepfake'i przy zakładaniu kont.",
   "why_en": "Lists the red flags banks use to spot deepfakes during account opening."
  },
  "finer-xbrl-2022": {
   "id": "finer-xbrl-2022",
   "title": "FiNER: Financial Numeric Entity Recognition for XBRL Tagging",
   "title_en": "FiNER: Financial Numeric Entity Recognition for XBRL Tagging",
   "url": "https://arxiv.org/abs/2203.06482",
   "author": "Lefteris Loukas, Manos Fergadiotis, Ilias Chalkidis, Eirini Spyropoulou, Prodromos Malakasiotis, Ion Androutsopoulos, Georgios Paliouras",
   "sponsored": false,
   "why": "Definiuje tagowanie XBRL jako zadanie NLP i pokazuje, dlaczego liczby sprawiają modelom kłopot.",
   "why_en": "Defines XBRL tagging as an NLP task and shows why numbers trouble models."
  },
  "fineweb-2024": {
   "id": "fineweb-2024",
   "title": "The FineWeb Datasets: Decanting the Web for the Finest Text Data at Scale",
   "title_en": "The FineWeb Datasets: Decanting the Web for the Finest Text Data at Scale",
   "url": "https://arxiv.org/abs/2406.17557",
   "author": "Guilherme Penedo, Hynek Kydlíček, Loubna Ben allal, Anton Lozhkov, Margaret Mitchell, Colin Raffel, Leandro Von Werra, Thomas Wolf",
   "sponsored": false,
   "why": "Poznasz kontrolowane porównania filtrowania i deduplikacji tekstu sieciowego, w tym selekcję treści edukacyjnych.",
   "why_en": "Explore controlled comparisons of web-text filtering and deduplication, including educational-content selection."
  },
  "finqa-2021": {
   "id": "finqa-2021",
   "title": "FinQA: A Dataset of Numerical Reasoning over Financial Data",
   "title_en": "FinQA: A Dataset of Numerical Reasoning over Financial Data",
   "url": "https://arxiv.org/abs/2109.00122",
   "author": "Zhiyu Chen, Wenhu Chen, Charese Smiley, Sameena Shah, Iana Borova, Dylan Langdon, Reema Moussa, Matt Beane, Ting-Hao Huang, Bryan Routledge, William Yang Wang",
   "sponsored": false,
   "why": "Benchmark, na którym widać, jak trudne dla modeli są wieloetapowe obliczenia na raportach finansowych.",
   "why_en": "A benchmark showing how hard multi-step calculations over financial reports are for models."
  },
  "finreglab-cashflow-2019": {
   "id": "finreglab-cashflow-2019",
   "title": "The Use of Cash-Flow Data in Underwriting Credit: Empirical Research Findings (fact sheet)",
   "title_en": "The Use of Cash-Flow Data in Underwriting Credit: Empirical Research Findings (fact sheet)",
   "url": "https://finreglab.org/fact-sheet-cash-flow-data-in-credit-underwriting",
   "author": "FinRegLab (we współpracy z Charles River Associates)",
   "sponsored": false,
   "why": "Dostarcza empirycznych dowodów, że dane z rachunku dobrze przewidują spłatę kredytu.",
   "why_en": "Provides empirical evidence that account data predict loan repayment well."
  },
  "finrl-2020": {
   "id": "finrl-2020",
   "title": "FinRL: A Deep Reinforcement Learning Library for Automated Stock Trading in Quantitative Finance",
   "title_en": "FinRL: A Deep Reinforcement Learning Library for Automated Stock Trading in Quantitative Finance",
   "url": "https://arxiv.org/abs/2011.09607",
   "author": "Xiao-Yang Liu, Hongyang Yang, Qian Chen, Runjia Zhang, Liuqing Yang, Bowen Xiao, Christina Dan Wang",
   "sponsored": false,
   "why": "Opisuje otwartą bibliotekę, na której można samemu wytrenować i sprawdzić agenta inwestycyjnego.",
   "why_en": "Describes an open library for training and testing your own trading agent."
  },
  "finsaber-2025": {
   "id": "finsaber-2025",
   "title": "Can LLM-based Financial Investing Strategies Outperform the Market in Long Run?",
   "title_en": "Can LLM-based Financial Investing Strategies Outperform the Market in Long Run?",
   "url": "https://arxiv.org/abs/2505.07078",
   "author": "Weixian Waylon Li, Hyeonjun Kim, Mihai Cucuringu, Tiejun Ma",
   "sponsored": false,
   "why": "Pokazuje, że wiele sukcesów agentów inwestycyjnych LLM znika przy uczciwym, długim teście.",
   "why_en": "Shows that many LLM trading agents' successes vanish under a fair, long-run test."
  },
  "fisher-kulshreshth-dda-2025": {
   "id": "fisher-kulshreshth-dda-2025",
   "title": "Dynamic Difficulty Adjustment in Games: Concepts, Techniques, and Applications",
   "url": "https://www.intechopen.com/online-first/1228576",
   "author": "Nicholas Fisher, Arun K. Kulshreshth",
   "sponsored": false,
   "why": "Przegląd metod dopasowania trudności gry do wyników i emocji gracza, z ich etycznymi pułapkami.",
   "why_en": "Reviews ways to fit game difficulty to a player's results and emotions, with ethical pitfalls."
  },
  "flamingo-2022": {
   "id": "flamingo-2022",
   "title": "Flamingo: a Visual Language Model for Few-Shot Learning",
   "title_en": "Flamingo: a Visual Language Model for Few-Shot Learning",
   "url": "https://arxiv.org/abs/2204.14198",
   "author": "Jean-Baptiste Alayrac, Jeff Donahue, Pauline Luc, Antoine Miech, Iain Barr i in. (DeepMind)",
   "sponsored": false,
   "why": "Pokazuje wczesny model, który uczył się nowych zadań z obrazami z kilku przykładów w poleceniu.",
   "why_en": "Shows an early model that learned new image tasks from a few examples in the prompt."
  },
  "flow-matching-2022": {
   "id": "flow-matching-2022",
   "title": "Flow Matching for Generative Modeling",
   "title_en": "Flow Matching for Generative Modeling",
   "url": "https://arxiv.org/abs/2210.02747",
   "author": "Yaron Lipman, Ricky T. Q. Chen, Heli Ben-Hamu, Maximilian Nickel, Matt Le",
   "sponsored": false,
   "why": "Zrozumiesz trening generatywnego pola wektorowego przez regresję na zadanych ścieżkach rozkładów.",
   "why_en": "Understand training generative vector fields through regression along specified distribution paths."
  },
  "flux-kontext-2025": {
   "id": "flux-kontext-2025",
   "title": "FLUX.1 Kontext: Flow Matching for In-Context Image Generation and Editing in Latent Space",
   "title_en": "FLUX.1 Kontext: Flow Matching for In-Context Image Generation and Editing in Latent Space",
   "url": "https://arxiv.org/abs/2506.15742",
   "author": "Black Forest Labs (Stephen Batifol, Andreas Blattmann, … Robin Rombach, Axel Sauer, Luke Smith i in.)",
   "sponsored": true,
   "why": "Pokazuje model, który edytuje obraz wiele razy, nie gubiąc wyglądu postaci.",
   "why_en": "Shows a model that edits an image repeatedly without losing a character's look."
  },
  "fno-2020": {
   "id": "fno-2020",
   "title": "Fourier Neural Operator for Parametric Partial Differential Equations",
   "title_en": "Fourier Neural Operator for Parametric Partial Differential Equations",
   "url": "https://arxiv.org/abs/2010.08895",
   "author": "Zongyi Li, Nikola Kovachki, Kamyar Azizzadenesheli, Burigede Liu, Kaushik Bhattacharya, Andrew Stuart, Anima Anandkumar",
   "sponsored": false,
   "why": "Wyjaśnia, jak jedna sieć uczy się całej rodziny równań i działa przy różnych rozdzielczościach.",
   "why_en": "Explains how one network learns a whole family of equations and works across resolutions."
  },
  "forestnet-2020": {
   "id": "forestnet-2020",
   "title": "ForestNet: Classifying Drivers of Deforestation in Indonesia using Deep Learning on Satellite Imagery",
   "title_en": "ForestNet: Classifying Drivers of Deforestation in Indonesia using Deep Learning on Satellite Imagery",
   "url": "https://arxiv.org/abs/2011.05479",
   "author": "Jeremy Irvin; Hao Sheng; Neel Ramachandran; Sonja Johnson-Yu; Sharon Zhou; Kyle Story; Rose Rustowicz; Cooper Elsworth; Kemen Austin; Andrew Y. Ng",
   "sponsored": false,
   "why": "Pokazuje, jak model odróżnia przyczyny wylesiania i dlaczego jedno zdjęcie to za mało.",
   "why_en": "Shows how a model separates deforestation causes and why one image is not enough."
  },
  "foundation-models-robotics-2023": {
   "id": "foundation-models-robotics-2023",
   "title": "Foundation Models in Robotics: Applications, Challenges, and the Future",
   "title_en": "Foundation Models in Robotics: Applications, Challenges, and the Future",
   "url": "https://arxiv.org/abs/2312.07843",
   "author": "R. Firoozi, J. Tucker, S. Tian, A. Majumdar i in.",
   "sponsored": false,
   "why": "Zobaczysz, gdzie w robocie pracują modele językowe i wizyjne oraz jakie bariery blokują ich użycie.",
   "why_en": "See where language and vision models work inside a robot and which barriers still block their use."
  },
  "foundationpose-2023": {
   "id": "foundationpose-2023",
   "title": "FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects",
   "title_en": "FoundationPose: Unified 6D Pose Estimation and Tracking of Novel Objects",
   "url": "https://arxiv.org/abs/2312.08344",
   "author": "B. Wen, W. Yang, J. Kautz, S. Birchfield (NVIDIA)",
   "sponsored": false,
   "why": "Zobaczysz, jak jeden model ustala pozę nieznanego przedmiotu z modelu 3D lub kilku zdjęć.",
   "why_en": "See how one model finds the pose of an unseen object from a 3D model or a few photos."
  },
  "fowler-sdd-2025": {
   "id": "fowler-sdd-2025",
   "title": "Understanding Spec-Driven-Development: Kiro, spec-kit, and Tessl",
   "title_en": "Understanding Spec-Driven-Development: Kiro, spec-kit, and Tessl",
   "url": "https://martinfowler.com/articles/exploring-gen-ai/sdd-3-tools.html",
   "author": "Birgitta Böckeler (Thoughtworks), na martinfowler.com",
   "sponsored": false,
   "why": "Porównuje trzy narzędzia i poziomy programowania od specyfikacji oraz uczciwie wylicza jego słabości.",
   "why_en": "Compares three spec-driven tools and levels and candidly lists the approach's weaknesses."
  },
  "fp8-lm-2023": {
   "id": "fp8-lm-2023",
   "title": "FP8-LM: Training FP8 Large Language Models",
   "title_en": "FP8-LM: Training FP8 Large Language Models",
   "url": "https://arxiv.org/abs/2310.18313",
   "author": "Houwen Peng, Kan Wu, Yixuan Wei i in. (Microsoft)",
   "sponsored": false,
   "why": "Poznasz proponowany trening modeli językowych z obniżoną precyzją gradientów i stanów optymalizatora.",
   "why_en": "Explore proposed language-model training with reduced-precision gradients and optimiser states."
  },
  "fraud-detection-handbook-2022": {
   "id": "fraud-detection-handbook-2022",
   "title": "Reproducible Machine Learning for Credit Card Fraud Detection – Practical Handbook",
   "title_en": "Reproducible Machine Learning for Credit Card Fraud Detection – Practical Handbook",
   "url": "https://fraud-detection-handbook.github.io/fraud-detection-handbook/Chapter_2_Background/MachineLearningForFraudDetection.html",
   "author": "Yann-Aël Le Borgne, Wissam Siblini, Bertrand Lebichot, Gianluca Bontempi (Université Libre de Bruxelles)",
   "sponsored": false,
   "why": "Darmowy podręcznik z kodem: od symulacji transakcji po metryki i modele wykrywania oszustw kartowych.",
   "why_en": "A free handbook with code, from simulating transactions to metrics and models for card-fraud detection."
  },
  "fraud-detection-handbook-intro": {
   "id": "fraud-detection-handbook-intro",
   "title": "Machine Learning for Credit Card Fraud Detection – a Jupyter Book for Reproducible Research",
   "title_en": "Machine Learning for Credit Card Fraud Detection – a Jupyter Book for Reproducible Research",
   "url": "https://towardsdatascience.com/machine-learning-for-credit-card-fraud-detection-a-jupyter-book-for-reproducible-research-8ca5edad7b5d/",
   "author": "Yann-Aël Le Borgne, Gianluca Bontempi",
   "sponsored": false,
   "why": "Prowadzi do darmowego, uruchamialnego podręcznika o budowie i walidacji modeli antyfraudowych.",
   "why_en": "Points to a free, runnable handbook on building and validating fraud detection models."
  },
  "frugalgpt-2023": {
   "id": "frugalgpt-2023",
   "title": "FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance",
   "title_en": "FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance",
   "url": "https://arxiv.org/abs/2305.05176",
   "author": "Lingjiao Chen, Matei Zaharia, James Zou (Stanford)",
   "sponsored": false,
   "why": "Porównasz adaptację promptów, aproksymację modeli i kaskady jako strategie zarządzania kosztem oraz jakością odpowiedzi.",
   "why_en": "Compare prompt adaptation, model approximation and cascades as strategies for managing response cost and quality."
  },
  "fsb-ai-financial-stability-2024": {
   "id": "fsb-ai-financial-stability-2024",
   "title": "The Financial Stability Implications of Artificial Intelligence",
   "title_en": "The Financial Stability Implications of Artificial Intelligence",
   "url": "https://www.fsb.org/2024/11/the-financial-stability-implications-of-artificial-intelligence/",
   "author": "Financial Stability Board (FSB)",
   "sponsored": false,
   "why": "Pokazuje, do czego instytucje finansowe używają AI i jakie ryzyka dla całego systemu widzą regulatorzy.",
   "why_en": "Shows what financial institutions use AI for and which system-wide risks regulators see."
  },
  "fsdl": {
   "id": "fsdl",
   "title": "Full Stack Deep Learning (2022, archiwum)",
   "url": "https://fullstackdeeplearning.com/course/2022/",
   "kind": "reference",
   "note": "Pełny cykl systemu ML: dane, testy, wdrażanie, monitoring, zespoły i etyka.",
   "sponsored": false,
   "why": "Kurs przeprowadzi Cię przez dane, testowanie, wdrażanie, monitoring i organizację zespołu budującego system uczenia maszynowego.",
   "why_en": "The course guides you through data, testing, deployment, monitoring and machine-learning team organisation."
  },
  "fsrs-algorithm-wiki": {
   "id": "fsrs-algorithm-wiki",
   "title": "The Algorithm (FSRS)",
   "title_en": "The Algorithm (FSRS)",
   "url": "https://github.com/open-spaced-repetition/awesome-fsrs/wiki/The-Algorithm",
   "author": "open-spaced-repetition community",
   "sponsored": false,
   "why": "Wyjaśnia trzy wielkości, którymi współczesny algorytm powtórek opisuje pamięć każdej fiszki.",
   "why_en": "Explains the three quantities a modern review algorithm uses to describe memory of each flashcard."
  },
  "fuller-digital-twin-2019": {
   "id": "fuller-digital-twin-2019",
   "title": "Digital Twin: Enabling Technologies, Challenges and Open Research",
   "url": "https://arxiv.org/abs/1911.01276",
   "author": "Aidan Fuller, Zhong Fan, Charles Day, Chris Barlow",
   "sponsored": false,
   "why": "Wyjaśnia, czym jest cyfrowy bliźniak, jakich technologii wymaga i gdzie się go używa.",
   "why_en": "Explains what a digital twin is, which technologies it needs and where it is used."
  },
  "funsearch-2023": {
   "id": "funsearch-2023",
   "title": "Mathematical discoveries from program search with large language models (FunSearch)",
   "title_en": "Mathematical discoveries from program search with large language models (FunSearch)",
   "url": "https://www.nature.com/articles/s41586-023-06924-6",
   "author": "Bernardino Romera-Paredes, Mohammadamin Barekatain, Alexander Novikov, Matej Balog, M. Pawan Kumar, Emilien Dupont, Francisco J. R. Ruiz, Jordan S. Ellenberg, Pengming Wang, Omar Fawzi, Pushmeet Kohli, Alhussein Fawzi",
   "sponsored": false,
   "why": "Praca w Nature pokazuje pierwsze odkrycia matematyczne uzyskane ewolucją programów pisanych przez model językowy.",
   "why_en": "The Nature paper shows the first mathematical discoveries made by evolving programs written by a language model."
  },
  "gadre-2023-datacomp": {
   "id": "gadre-2023-datacomp",
   "title": "DataComp: In search of the next generation of multimodal datasets",
   "url": "https://arxiv.org/abs/2304.14108",
   "author": "Samir Yitzhak Gadre, Gabriel Ilharco, Alex Fang, Jonathan Hayase, Georgios Smyrnis, Thao Nguyen, Ryan Marten, Mitchell Wortsman, Dhruba Ghosh, Jieyu Zhang, Eyal Orgad, Rahim Entezari, Giannis Daras, Sarah Pratt, Vivek Ramanujan, Yonatan Bitton, Kalyani Marathe, Stephen Mussmann, Richard Vencu, Mehdi Cherti, Ranjay Krishna, Pang Wei Koh, Olga Saukh, Alexander Ratner, Shuran Song, Hannaneh Hajishirzi, Ali Farhadi, Romain Beaumont, Sewoong Oh, Alex Dimakis, Jenia Jitsev, Yair Carmon, Vaishaal Shankar, Ludwig Schmidt",
   "sponsored": false,
   "why": "Pokazuje, jak porównuje się strategie filtrowania danych obraz–tekst na stałej puli i budżecie.",
   "why_en": "Shows how image–text filtering strategies are compared on a fixed pool and compute budget."
  },
  "gaia1-2023": {
   "id": "gaia1-2023",
   "title": "GAIA-1: A Generative World Model for Autonomous Driving",
   "title_en": "GAIA-1: A Generative World Model for Autonomous Driving",
   "url": "https://arxiv.org/abs/2309.17080",
   "author": "Anthony Hu, Lloyd Russell, Hudson Yeo, Zak Murez, George Fedoseev, Alex Kendall, Jamie Shotton, Gianluca Corrado (Wayve)",
   "sponsored": true,
   "why": "Pierwszy głośny przykład modelu, który „wyobraża sobie” dalszy ciąg jazdy jako wideo.",
   "why_en": "The first well-known example of a model that 'imagines' how a drive continues, as video."
  },
  "gail-2016": {
   "id": "gail-2016",
   "title": "Generative Adversarial Imitation Learning",
   "title_en": "Generative Adversarial Imitation Learning",
   "url": "https://arxiv.org/abs/1606.03476",
   "author": "J. Ho, S. Ermon",
   "sponsored": false,
   "why": "Dowiesz się, jak adwersarialna imitacja uczy politykę z demonstracji eksperta bez osobnego odtwarzania funkcji nagrody.",
   "why_en": "Learn how adversarial imitation learns policies from expert demonstrations without separately recovering a reward function."
  },
  "gallotta-llm-games-2024": {
   "id": "gallotta-llm-games-2024",
   "title": "Large Language Models and Games: A Survey and Roadmap",
   "url": "https://arxiv.org/abs/2402.18659",
   "author": "Roberto Gallotta, Graham Todd, Marvin Zammit, Sam Earle, Antonios Liapis, Julian Togelius, Georgios N. Yannakakis",
   "sponsored": false,
   "why": "Mapa ról, jakie modele językowe pełnią w grach, i ich głównych słabości.",
   "why_en": "Maps the roles language models play in games and their main weaknesses."
  },
  "gan-2014": {
   "id": "gan-2014",
   "title": "Generative Adversarial Networks",
   "title_en": "Generative Adversarial Networks",
   "url": "https://arxiv.org/abs/1406.2661",
   "author": "Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio",
   "sponsored": false,
   "why": "Zrozumiesz wspólny trening generatora i dyskryminatora jako grę o odtworzenie rozkładu danych.",
   "why_en": "Understand joint generator-discriminator training as a game aimed at reproducing the data distribution."
  },
  "gandelsman-tttmae-2022": {
   "id": "gandelsman-tttmae-2022",
   "title": "Test-Time Training with Masked Autoencoders",
   "title_en": "Test-Time Training with Masked Autoencoders",
   "url": "https://arxiv.org/abs/2209.07522",
   "author": "Yossi Gandelsman, Yu Sun, Xinlei Chen, Alexei A. Efros",
   "sponsored": false,
   "why": "Konkretny cel pomocniczy: odtworzenie zasłoniętego obrazu na jednej próbce.",
   "why_en": "A concrete auxiliary objective: restore a masked image on one sample."
  },
  "gao-hu-li-geoai-handbook-2023": {
   "id": "gao-hu-li-geoai-handbook-2023",
   "title": "Handbook of Geospatial Artificial Intelligence",
   "url": "https://www.acsu.buffalo.edu/~yhu42/papers/2023_GeoAIHandbook_Preview.pdf",
   "author": "Song Gao, Yingjie Hu, Wenwen Li (red.)",
   "sponsored": false,
   "why": "Podręcznik GeoAI, którego spis treści pokazuje metody i zastosowania całej dziedziny.",
   "why_en": "A GeoAI handbook whose contents outline the field's methods and applications."
  },
  "garcia-safe-rl-survey-2015": {
   "id": "garcia-safe-rl-survey-2015",
   "title": "A Comprehensive Survey on Safe Reinforcement Learning",
   "title_en": "A Comprehensive Survey on Safe Reinforcement Learning",
   "url": "https://jmlr.org/papers/v16/garcia15a.html",
   "author": "Javier García, Fernando Fernández",
   "sponsored": false,
   "why": "Poznasz podział bezpiecznego RL na zmianę kryterium optymalności i zmianę sposobu eksploracji.",
   "why_en": "Learn how safe RL splits into changing the optimality criterion and changing how exploration is done."
  },
  "garnot-pastis-utae-2021": {
   "id": "garnot-pastis-utae-2021",
   "title": "Panoptic Segmentation of Satellite Image Time Series with Convolutional Temporal Attention Networks",
   "url": "https://arxiv.org/abs/2107.07933",
   "author": "Vivien Sainte Fare Garnot, Loic Landrieu",
   "sponsored": false,
   "why": "Pokazuje, dlaczego seria zdjęć z sezonu rozpoznaje uprawy o wiele lepiej niż jedno ujęcie.",
   "why_en": "Shows why a season-long image series recognises crops far better than a single snapshot."
  },
  "garza-privcomp-kg-2024": {
   "id": "garza-privcomp-kg-2024",
   "title": "PrivComp-KG: Leveraging Knowledge Graph and Large Language Models for Privacy Policy Compliance Verification",
   "url": "https://arxiv.org/abs/2404.19744",
   "author": "Leon Garza, Lavanya Elluri, Anantaa Kotal, Aritran Piplai, Deepti Gupta, Anupam Joshi",
   "sponsored": false,
   "why": "Pokazuje, jak model językowy z grafem wiedzy sprawdza politykę prywatności względem przepisów.",
   "why_en": "Shows how a language model with a knowledge graph checks a privacy policy against regulations."
  },
  "gaussian-splatting-2023": {
   "id": "gaussian-splatting-2023",
   "title": "3D Gaussian Splatting for Real-Time Radiance Field Rendering",
   "title_en": "3D Gaussian Splatting for Real-Time Radiance Field Rendering",
   "url": "https://arxiv.org/abs/2308.04079",
   "author": "Bernhard Kerbl, Georgios Kopanas, Thomas Leimkühler, George Drettakis",
   "sponsored": false,
   "why": "Praca, która pozwoliła oglądać odtworzone sceny 3D płynnie, w czasie rzeczywistym.",
   "why_en": "The paper that made reconstructed 3D scenes viewable smoothly in real time."
  },
  "gazzaev-diffresearch-2026": {
   "id": "gazzaev-diffresearch-2026",
   "title": "DiffResearch: Accelerating Deep Research with Diffusion Language Models",
   "title_en": "DiffResearch: Accelerating Deep Research with Diffusion Language Models",
   "url": "https://arxiv.org/abs/2610.28909",
   "author": "Alan-Barsag Gazzaev, Alexey Gavrilov, Mikhail Mozikov, Sergey Muravyov",
   "sponsored": false,
   "why": "Pokazuje, jak zamiana backbone'u na dyfuzyjny model przyspiesza planowanie i pisanie w agentach badań oraz jak wcześnie wyciągać podzapytania.",
   "why_en": "Shows how swapping the backbone to a diffusion model speeds planning and writing in research agents, and how to extract subqueries early."
  },
  "gazzaev-diffresearch-github-2026": {
   "id": "gazzaev-diffresearch-github-2026",
   "title": "DiffResearch GitHub repository",
   "title_en": "DiffResearch GitHub repository",
   "url": "https://github.com/alanrbtx/DiffResearch",
   "author": "Alan-Barsag Gazzaev; Alexey Gavrilov; Mikhail Mozikov; Sergey Muravyov",
   "sponsored": false,
   "why": "Daje gotowy kod do uruchomienia agentów badań z dyfuzyjnym modelem i wczesną ekstrakcją podzapytań.",
   "why_en": "Provides ready code to run research agents with a diffusion model and early subquery extraction."
  },
  "gcg-zou-2023": {
   "id": "gcg-zou-2023",
   "title": "Universal and Transferable Adversarial Attacks on Aligned Language Models",
   "title_en": "Universal and Transferable Adversarial Attacks on Aligned Language Models",
   "url": "https://arxiv.org/abs/2307.15043",
   "author": "A. Zou, Z. Wang, N. Carlini, M. Nasr, J. Z. Kolter, M. Fredrikson",
   "sponsored": false,
   "why": "Poznasz badanie automatycznego wyszukiwania sufiksów adwersarialnych i ich przenoszenia między modelami językowymi.",
   "why_en": "Explore research on automatically searching adversarial suffixes and transferring them across language models."
  },
  "gcn-2016": {
   "id": "gcn-2016",
   "title": "Semi-Supervised Classification with Graph Convolutional Networks",
   "title_en": "Semi-Supervised Classification with Graph Convolutional Networks",
   "url": "https://arxiv.org/abs/1609.02907",
   "author": "Thomas N. Kipf, Max Welling",
   "sponsored": false,
   "why": "Klasyczna praca, która wprowadziła najprostszą i najczęściej uczoną warstwę sieci grafowej.",
   "why_en": "The classic paper introducing the simplest and most widely taught graph-network layer."
  },
  "gdm-sae-negative-2025": {
   "id": "gdm-sae-negative-2025",
   "title": "Negative Results for SAEs On Downstream Tasks and Deprioritising SAE Research (Mechanistic Interpretability Team Progress Update)",
   "title_en": "Negative Results for SAEs On Downstream Tasks and Deprioritising SAE Research",
   "url": "https://www.lesswrong.com/posts/4uXCAJNuPKtKBsi28/negative-results-for-saes-on-downstream-tasks",
   "author": "Lewis Smith, Senthooran Rajamanoharan, Arthur Conmy, Callum McDougall, Tom Lieberum, János Kramár, Rohin Shah, Neel Nanda (Google DeepMind)",
   "sponsored": false,
   "why": "Porównasz sondy liniowe i cechy rzadkich autoenkoderów w opisanym teście wykrywania szkodliwej intencji.",
   "why_en": "Compare linear probes and sparse-autoencoder features in the reported harmful-intent detection test."
  },
  "gecco2026tracks": {
   "id": "gecco2026tracks",
   "title": "GECCO 2026 – lista ścieżek programowych (ACM SIGEVO)",
   "title_en": "GECCO 2026 – program tracks (ACM SIGEVO)",
   "url": "https://gecco-2026.sigevo.org/Tracks",
   "author": "ACM SIGEVO",
   "sponsored": false,
   "why": "Lista ścieżek pokazuje, na jakie poddziedziny dzieli się dziś społeczność obliczeń ewolucyjnych.",
   "why_en": "The track list shows how today's evolutionary computation community divides its subfields."
  },
  "geiping-recurrent-2025": {
   "id": "geiping-recurrent-2025",
   "title": "Scaling up Test-Time Compute with Latent Reasoning: A Recurrent Depth Approach",
   "title_en": "Scaling up Test-Time Compute with Latent Reasoning: A Recurrent Depth Approach",
   "url": "https://arxiv.org/abs/2502.05171",
   "author": "Jonas Geiping, Sean McLeish, Neel Jain, John Kirchenbauer, Siddharth Singh, Brian R. Bartoldson, Bhavya Kailkhura, Abhinav Bhatele, Tom Goldstein",
   "sponsored": false,
   "why": "Jak powtórzyć blok w ukrytej przestrzeni zamiast dopisywać tokeny myślenia.",
   "why_en": "How to repeat a block in hidden space instead of appending thinking tokens."
  },
  "gelu-2016": {
   "id": "gelu-2016",
   "title": "Gaussian Error Linear Units (GELUs)",
   "title_en": "Gaussian Error Linear Units (GELUs)",
   "url": "https://arxiv.org/abs/1606.08415",
   "author": "Dan Hendrycks, Kevin Gimpel",
   "sponsored": false,
   "why": "Dowiesz się, jak funkcja aktywacji waży wejście za pomocą dystrybuanty rozkładu normalnego.",
   "why_en": "Learn how an activation function weights inputs using the normal-distribution cumulative function."
  },
  "genai-drug-design-survey-2024": {
   "id": "genai-drug-design-survey-2024",
   "title": "A Survey of Generative AI for De Novo Drug Design: New Frontiers in Molecule and Protein Generation",
   "title_en": "A Survey of Generative AI for De Novo Drug Design: New Frontiers in Molecule and Protein Generation",
   "url": "https://arxiv.org/abs/2402.08703",
   "sponsored": false,
   "why": "Daje przegląd metod generowania nowych cząsteczek i białek wraz z używanymi benchmarkami.",
   "why_en": "Gives an overview of methods for generating new molecules and proteins, with the benchmarks used."
  },
  "gencast-2023": {
   "id": "gencast-2023",
   "title": "GenCast: Diffusion-based ensemble forecasting for medium-range weather",
   "title_en": "GenCast: Diffusion-based ensemble forecasting for medium-range weather",
   "url": "https://arxiv.org/abs/2312.15796",
   "author": "Ilan Price i in. (Google DeepMind)",
   "sponsored": false,
   "why": "Wyjaśnia, jak model dyfuzyjny tworzy wiele scenariuszy pogody i dlaczego to lepsze niż jedna prognoza.",
   "why_en": "Explains how a diffusion model creates many weather scenarios and why that beats a single forecast."
  },
  "generalized-ood-survey-2021": {
   "id": "generalized-ood-survey-2021",
   "title": "Generalized Out-of-Distribution Detection: A Survey",
   "title_en": "Generalized Out-of-Distribution Detection: A Survey",
   "url": "https://arxiv.org/abs/2110.11334",
   "author": "Jingkang Yang, Kaiyang Zhou, Yixuan Li, Ziwei Liu",
   "sponsored": false,
   "why": "Przegląd połączy wykrywanie danych spoza rozkładu, anomalii, nowości i rozpoznawanie zbioru otwartego.",
   "why_en": "The review connects out-of-distribution, anomaly and novelty detection with open-set recognition."
  },
  "genie3-blog-2025": {
   "id": "genie3-blog-2025",
   "title": "Genie 3: A new frontier for world models",
   "title_en": "Genie 3: A new frontier for world models",
   "url": "https://deepmind.google/blog/genie-3-a-new-frontier-for-world-models/",
   "author": "Jack Parker-Holder, Shlomi Fruchter / Google DeepMind",
   "sponsored": false,
   "why": "Poznasz opis producenta modelu generującego interaktywne światy oraz proponowane zastosowania w symulacji i ewaluacji.",
   "why_en": "Explore the vendor's description of an interactive-world generator and proposed simulation and evaluation uses."
  },
  "genprog-tse-2012": {
   "id": "genprog-tse-2012",
   "title": "GenProg: A Generic Method for Automatic Software Repair",
   "url": "https://clairelegoues.com/assets/papers/genprog12tse.pdf",
   "author": "Claire Le Goues, ThanhVu Nguyen, Stephanie Forrest, Westley Weimer",
   "sponsored": false,
   "why": "Artykuł krok po kroku pokazuje, jak programowanie genetyczne naprawia błędy w prawdziwych programach i gdzie zawodzi.",
   "why_en": "The paper shows step by step how genetic programming repairs bugs in real programs and where it fails."
  },
  "gepa-2025": {
   "id": "gepa-2025",
   "title": "GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning",
   "url": "https://arxiv.org/abs/2507.19457",
   "author": "Lakshya A. Agrawal, Shangyin Tan, Dilara Soylu, Noah Ziems, Rishi Khare, Krista Opsahl-Ong, Arnav Singhvi, Herumb Shandilya, Michael J. Ryan, Meng Jiang, Christopher Potts, Koushik Sen, Alexandros G. Dimakis, Ion Stoica, Dan Klein, Matei Zaharia, Omar Khattab",
   "sponsored": false,
   "why": "Praca opisuje refleksyjną mutację promptów na podstawie śladów wykonania oraz selekcję paretowską zachowującą uzupełniające się kandydaty.",
   "why_en": "The paper describes reflective prompt mutation from execution traces and Pareto selection that preserves complementary candidates."
  },
  "ghorbani-zou-2019-datashapley": {
   "id": "ghorbani-zou-2019-datashapley",
   "title": "Data Shapley: Equitable Valuation of Data for Machine Learning",
   "url": "https://arxiv.org/abs/1904.02868",
   "author": "Amirata Ghorbani, James Zou",
   "sponsored": false,
   "why": "Wprowadza wycenę danych wartością Shapleya i pokazuje jej praktyczne użycia.",
   "why_en": "Introduces Shapley-value data valuation and shows its practical uses."
  },
  "ghosh-akt-2020": {
   "id": "ghosh-akt-2020",
   "title": "Context-Aware Attentive Knowledge Tracing",
   "title_en": "Context-Aware Attentive Knowledge Tracing",
   "url": "https://arxiv.org/abs/2007.12324",
   "author": "Aritra Ghosh, Neil Heffernan, Andrew S. Lan",
   "sponsored": false,
   "why": "Pokazuje, jak uwaga z wygaszaniem w czasie i model Rascha łączą śledzenie wiedzy z psychometrią.",
   "why_en": "Shows how time-decayed attention and the Rasch model link knowledge tracing to psychometrics."
  },
  "giannou-looped-2023": {
   "id": "giannou-looped-2023",
   "title": "Looped Transformers as Programmable Computers",
   "title_en": "Looped Transformers as Programmable Computers",
   "url": "https://arxiv.org/abs/2301.13196",
   "author": "Angeliki Giannou, Shashank Rajput, Jy-yong Sohn, Kangwook Lee, Jason D. Lee, Dimitris Papailiopoulos",
   "sponsored": false,
   "why": "Druga, niezależna grupa używa nazwy i pętli transformera jako programu.",
   "why_en": "A second, independent group uses the name and a transformer loop as a program."
  },
  "github-speckit-2025": {
   "id": "github-speckit-2025",
   "title": "Spec-driven development with AI: Get started with a new open source toolkit",
   "title_en": "Spec-driven development with AI: Get started with a new open source toolkit",
   "url": "https://github.blog/ai-and-ml/generative-ai/spec-driven-development-with-ai-get-started-with-a-new-open-source-toolkit/",
   "author": "Den Delimarsky (GitHub)",
   "sponsored": true,
   "why": "Opisuje cztery fazy pracy od specyfikacji do kodu na przykładzie otwartego narzędzia.",
   "why_en": "Describes four phases from specification to code using an open-source toolkit as the example."
  },
  "gkd-2023": {
   "id": "gkd-2023",
   "title": "On-Policy Distillation of Language Models: Learning from Self-Generated Mistakes",
   "title_en": "On-Policy Distillation of Language Models: Learning from Self-Generated Mistakes",
   "url": "https://arxiv.org/abs/2306.13649",
   "author": "Rishabh Agarwal, Nino Vieillard, Yongchao Zhou i in.",
   "sponsored": false,
   "why": "Dowiesz się, jak destylacja na sekwencjach generowanych przez ucznia ogranicza rozbieżność między treningiem i inferencją.",
   "why_en": "Learn how distillation on student-generated sequences limits mismatch between training and inference."
  },
  "gliner-2023": {
   "id": "gliner-2023",
   "title": "GLiNER: Generalist Model for Named Entity Recognition using Bidirectional Transformer",
   "title_en": "GLiNER: Generalist Model for Named Entity Recognition using Bidirectional Transformer",
   "url": "https://arxiv.org/abs/2311.08526",
   "author": "Urchade Zaratiana, Nadi Tomeh, Pierre Holat, Thierry Charnois",
   "sponsored": false,
   "why": "Pokazuje tani sposób wyciągania z tekstu dowolnych nazw bez dużego modelu.",
   "why_en": "Shows a cheap way to extract any kind of named item from text without a large model."
  },
  "gloeckle-2024-mtp": {
   "id": "gloeckle-2024-mtp",
   "title": "Better & Faster Large Language Models via Multi-token Prediction",
   "url": "https://arxiv.org/abs/2404.19737",
   "author": "Fabian Gloeckle, Badr Youbi Idrissi, Baptiste Rozière, David Lopez-Paz, Gabriel Synnaeve",
   "sponsored": false,
   "why": "Źródłowa praca o przewidywaniu kilku tokenów naraz i jego wpływie na jakość oraz szybkość.",
   "why_en": "The key paper on predicting several tokens at once and its effect on quality and speed."
  },
  "glove-2014": {
   "id": "glove-2014",
   "title": "GloVe: Global Vectors for Word Representation (strona projektu)",
   "title_en": "GloVe: Global Vectors for Word Representation (project page)",
   "url": "https://nlp.stanford.edu/projects/glove/",
   "author": "Jeffrey Pennington, Richard Socher, Christopher D. Manning (Stanford NLP)",
   "sponsored": false,
   "why": "Zrozumiesz uczenie wektorów słów z globalnych statystyk współwystępowania i ich interpretację.",
   "why_en": "Understand learning word vectors from global co-occurrence statistics and interpreting them."
  },
  "gmai-2023": {
   "id": "gmai-2023",
   "title": "Foundation models for generalist medical artificial intelligence",
   "title_en": "Foundation models for generalist medical artificial intelligence",
   "url": "https://www.nature.com/articles/s41586-023-05881-4",
   "author": "Michael Moor, Oishi Banerjee, Zahra Shakeri Hossein Abad, Harlan M. Krumholz, Jure Leskovec, Eric J. Topol, Pranav Rajpurkar",
   "sponsored": false,
   "why": "Wyjaśnia ideę jednego, wszechstronnego modelu medycznego i główne przeszkody na drodze do niego.",
   "why_en": "Explains the idea of one versatile medical model and the main obstacles to it."
  },
  "gnome-2023": {
   "id": "gnome-2023",
   "title": "Scaling deep learning for materials discovery (GNoME)",
   "title_en": "Scaling deep learning for materials discovery (GNoME)",
   "url": "https://www.nature.com/articles/s41586-023-06735-9",
   "author": "Amil Merchant, Simon Batzner, Samuel S. Schoenholz i in. (Google DeepMind)",
   "sponsored": false,
   "why": "Pokazuje, jak sieci grafowe z aktywnym uczeniem przyspieszyły wyszukiwanie stabilnych kryształów.",
   "why_en": "Shows how graph networks with active learning sped up the search for stable crystals."
  },
  "goldberg-deb-1991-selection": {
   "id": "goldberg-deb-1991-selection",
   "title": "A Comparative Analysis of Selection Schemes Used in Genetic Algorithms",
   "url": "https://www.cse.unr.edu/~sushil/class/gas/papers/Select.pdf",
   "author": "David E. Goldberg, Kalyanmoy Deb",
   "sponsored": false,
   "why": "Klasyczne porównanie metod selekcji: dlaczego turniej jest zwykle lepszym wyborem niż ruletka.",
   "why_en": "Classic comparison of selection schemes: why tournaments are usually a better choice than roulette."
  },
  "goodfellow-autoencoders-2016": {
   "id": "goodfellow-autoencoders-2016",
   "title": "Deep Learning — Chapter 14: Autoencoders",
   "title_en": "Deep Learning — Chapter 14: Autoencoders",
   "url": "https://www.deeplearningbook.org/contents/autoencoders.html",
   "author": "Ian Goodfellow, Yoshua Bengio, Aaron Courville",
   "sponsored": false,
   "why": "Poznasz definicję autoenkodera, rolę ograniczonego kodu oraz sposoby zapobiegania prostemu kopiowaniu wejścia.",
   "why_en": "Learn the definition of an autoencoder, the role of a constrained code and ways to prevent trivial input copying."
  },
  "google-code-migrations-2025": {
   "id": "google-code-migrations-2025",
   "title": "How is Google using AI for internal code migrations?",
   "title_en": "How is Google using AI for internal code migrations?",
   "url": "https://arxiv.org/abs/2501.06972",
   "author": "Stoyan Nikolov, Daniele Codecasa, Anna Sjövall, Maxim Tabachnyk, Satish Chandra, Siddharth Taneja, Celal Ziftci (Google)",
   "sponsored": true,
   "why": "Opisuje, jak duża firma używa modeli językowych do masowych zmian w kodzie i jakie są granice tych wniosków.",
   "why_en": "Describes how a large company uses language models for mass code changes and the limits of its conclusions."
  },
  "google-live-tools": {
   "id": "google-live-tools",
   "title": "Google Gemini Live API: narzędzia i wywołania w tle",
   "title_en": "Gemini Live API: Tool use",
   "url": "https://ai.google.dev/gemini-api/docs/live-api/tools",
   "author": "Google",
   "sponsored": false,
   "why": "Dowiesz się, jak rozmowa głosowa współpracuje z blokującymi i nieblokującymi wywołaniami narzędzi.",
   "why_en": "Learn how voice conversations interact with blocking and non-blocking tool calls."
  },
  "google-mlcc": {
   "id": "google-mlcc",
   "title": "Google — Machine Learning Crash Course",
   "title_en": "Google — Machine Learning Crash Course",
   "url": "https://developers.google.com/machine-learning/crash-course",
   "author": "Google for Developers",
   "sponsored": false,
   "why": "Przećwiczysz podstawowe modele, przygotowanie cech, ocenę klasyfikacji i rozpoznawanie przeuczenia.",
   "why_en": "Practise foundational models, feature preparation, classification evaluation and recognising overfitting."
  },
  "google-mlops-levels": {
   "id": "google-mlops-levels",
   "title": "MLOps: Continuous delivery and automation pipelines in machine learning",
   "title_en": "MLOps: Continuous delivery and automation pipelines in machine learning",
   "url": "https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning#mlops-level-1-ml-pipeline-automation",
   "author": "Jarek Kazmierczak, Khalid Salama, Valentín Huerta (Google Cloud)",
   "sponsored": true,
   "why": "Porównasz ręczne procesy uczenia maszynowego z automatyzacją treningu oraz ciągłym dostarczaniem potoków.",
   "why_en": "Compare manual machine-learning processes with training automation and continuous pipeline delivery."
  },
  "google-oss-fuzz-gen-2024": {
   "id": "google-oss-fuzz-gen-2024",
   "title": "Leveling Up Fuzzing: Finding more vulnerabilities with AI",
   "title_en": "Leveling Up Fuzzing: Finding more vulnerabilities with AI",
   "url": "https://security.googleblog.com/2024/11/leveling-up-fuzzing-finding-more.html",
   "author": "Google Open Source Security Team (Google Security Blog)",
   "sponsored": true,
   "why": "Opisuje krok po kroku, jak model językowy pisze testy fuzzingowe i co dzięki temu znaleziono.",
   "why_en": "Describes step by step how a language model writes fuzz tests and what they found."
  },
  "google-recsys-architecture": {
   "id": "google-recsys-architecture",
   "title": "Google — Recommendation Systems: Recommendations overview (types / architecture)",
   "title_en": "Google — Recommendation Systems: Recommendations overview (types / architecture)",
   "url": "https://developers.google.com/machine-learning/recommendation/overview/types",
   "author": "Google for Developers",
   "sponsored": false,
   "why": "Zrozumiesz etapy rekomendacji: generowanie kandydatów, punktowanie i ponowne porządkowanie według dodatkowych ograniczeń.",
   "why_en": "Understand recommendation stages: candidate generation, scoring and reranking under additional constraints."
  },
  "google-scale-migrations-2025": {
   "id": "google-scale-migrations-2025",
   "title": "Migrating Code At Scale With LLMs At Google",
   "title_en": "Migrating Code At Scale With LLMs At Google",
   "url": "https://arxiv.org/abs/2504.09691",
   "author": "Celal Ziftci, Stoyan Nikolov, Anna Sjövall, Bo Kim, Daniele Codecasa, Max Kim",
   "sponsored": true,
   "why": "Pokazuje na przykładzie dużej firmy, jak modele językowe pomagają przepisywać kod w setkach plików naraz.",
   "why_en": "Shows, from one large company, how language models help rewrite code across hundreds of files at once."
  },
  "governatori-ict-compliance-2014": {
   "id": "governatori-ict-compliance-2014",
   "title": "ICT Support for Regulatory Compliance of Business Processes",
   "url": "https://arxiv.org/abs/1403.6865",
   "author": "Guido Governatori",
   "sponsored": false,
   "why": "Wyjaśnia, jak automatycznie sprawdzić, czy każdy przebieg procesu firmy spełnia obowiązki z przepisów.",
   "why_en": "Explains how to check automatically whether every run of a business process meets legal obligations."
  },
  "goyal-2016-vqav2": {
   "id": "goyal-2016-vqav2",
   "title": "Making the V in VQA Matter: Elevating the Role of Image Understanding in Visual Question Answering",
   "title_en": "Making the V in VQA Matter: Elevating the Role of Image Understanding in Visual Question Answering",
   "url": "https://arxiv.org/abs/1612.00837",
   "author": "Yash Goyal, Tejas Khot, Douglas Summers-Stay, Dhruv Batra, Devi Parikh",
   "sponsored": false,
   "why": "Pokazuje, jak modele VQA wykorzystują uprzedzenia językowe zamiast obrazu i jak VQA v2 ogranicza ten problem.",
   "why_en": "Shows how VQA models exploit language priors instead of the image and how VQA v2 mitigates the problem."
  },
  "gpt-4o-2024": {
   "id": "gpt-4o-2024",
   "title": "Hello GPT-4o",
   "title_en": "Hello GPT-4o",
   "url": "https://openai.com/index/hello-gpt-4o/",
   "author": "OpenAI",
   "sponsored": true,
   "why": "Pokazuje, czym różni się jeden model słyszący i mówiący od łańcucha osobnych programów.",
   "why_en": "Shows how one model that hears and speaks differs from a chain of separate programs."
  },
  "gpt-semantic-cache-2024": {
   "id": "gpt-semantic-cache-2024",
   "title": "GPT Semantic Cache: Reducing LLM Costs and Latency via Semantic Embedding Caching",
   "title_en": "GPT Semantic Cache: Reducing LLM Costs and Latency via Semantic Embedding Caching",
   "url": "https://arxiv.org/abs/2411.05276",
   "author": "Sajal Regmi, Chetan Phakami Pun",
   "sponsored": false,
   "why": "Poznasz eksperyment przechowywania odpowiedzi i dopasowywania podobnych zapytań przez embeddingi.",
   "why_en": "Explore an experiment storing responses and matching similar queries through embeddings."
  },
  "gpt3-fewshot-2020": {
   "id": "gpt3-fewshot-2020",
   "title": "Language Models are Few-Shot Learners",
   "title_en": "Language Models are Few-Shot Learners",
   "url": "https://arxiv.org/abs/2005.14165",
   "author": "Tom B. Brown i in. (OpenAI)",
   "sponsored": true,
   "why": "To praca, która nazwała i pokazała uczenie z kilku przykładów w prompcie.",
   "why_en": "The paper that named and demonstrated learning from a few examples in the prompt."
  },
  "gptcache-2023": {
   "id": "gptcache-2023",
   "title": "GPTCache: An Open-Source Semantic Cache for LLM Applications Enabling Faster Answers and Cost Savings",
   "title_en": "GPTCache: An Open-Source Semantic Cache for LLM Applications Enabling Faster Answers and Cost Savings",
   "url": "https://aclanthology.org/2023.nlposs-1.24/",
   "author": "Fu Bang",
   "sponsored": false,
   "why": "Dowiesz się, jak warstwa cache semantycznego przechwytuje zapytania i ponownie wykorzystuje zapisane odpowiedzi.",
   "why_en": "Learn how a semantic-cache layer intercepts queries and reuses stored responses."
  },
  "gqa-2023": {
   "id": "gqa-2023",
   "title": "GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints",
   "title_en": "GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints",
   "url": "https://arxiv.org/abs/2305.13245",
   "author": "Joshua Ainslie, James Lee-Thorp, Michiel de Jong, Yury Zemlyanskiy, Federico Lebrón, Sumit Sanghai",
   "sponsored": false,
   "why": "Zrozumiesz grupowanie głów zapytań wokół wspólnych kluczy i wartości oraz adaptację istniejących checkpointów.",
   "why_en": "Understand grouping query heads around shared keys and values and adapting existing checkpoints."
  },
  "graft-anthropic-blog-2026": {
   "id": "graft-anthropic-blog-2026",
   "title": "Reducing Reward Hacking by Localizing Bad Behavior Instead of Penalizing It",
   "title_en": "Reducing Reward Hacking by Localizing Bad Behavior Instead of Penalizing It",
   "url": "https://alignment.anthropic.com/2026/graft/",
   "author": "Shawn Hu, Jake Ward, Aria Wong, Nathan Hu, Bryce Woodworth, Alexander Matt Turner, Alex Cloud",
   "sponsored": false,
   "why": "Praktyczne wyjaśnienie, dlaczego kary na monitorze uczą obchodzenia, a GRAFT lokalizuje i usuwa.",
   "why_en": "Practical explanation of why monitor penalties teach evasion, while GRAFT localizes and removes."
  },
  "graft-arxiv-2610-17062": {
   "id": "graft-arxiv-2610-17062",
   "title": "Gradient Routing Localizes and Removes Unintended Behaviors in RL",
   "title_en": "Gradient Routing Localizes and Removes Unintended Behaviors in RL",
   "url": "https://arxiv.org/abs/2610.17062",
   "author": "Jake Ward, Shawn Hu, Aria Wong, Nathan Hu, Bryce Woodworth, Alexander Matt Turner, Alex Cloud",
   "sponsored": false,
   "why": "Opis metody GRAFT, routowania gradientów do adapterów retain i forget oraz wyników na modelach do 8B.",
   "why_en": "Description of the GRAFT method, gradient routing to retain and forget adapters, and results on models up to 8B."
  },
  "graham-utility-theory-gaipro-2013": {
   "id": "graham-utility-theory-gaipro-2013",
   "title": "An Introduction to Utility Theory (Game AI Pro, rozdz. 9)",
   "title_en": "An Introduction to Utility Theory (Game AI Pro, ch. 9)",
   "url": "http://www.gameaipro.com/GameAIPro/GameAIPro_Chapter09_An_Introduction_to_Utility_Theory.pdf",
   "author": "David \"Rez\" Graham",
   "sponsored": false,
   "why": "Wyjaśnia krok po kroku, jak punktować akcje postaci, dobierać krzywe i unikać nerwowego przeskakiwania między decyzjami.",
   "why_en": "Explains step by step how to score character actions, choose curves and avoid jittery switching between decisions."
  },
  "graphcast-2022": {
   "id": "graphcast-2022",
   "title": "GraphCast: Learning skillful medium-range global weather forecasting",
   "title_en": "GraphCast: Learning skillful medium-range global weather forecasting",
   "url": "https://arxiv.org/abs/2212.12794",
   "author": "Remi Lam, Alvaro Sanchez-Gonzalez, Matthew Willson, Peter Wirnsberger, Meire Fortunato i in. (Google DeepMind)",
   "sponsored": false,
   "why": "Pokazuje, jak sieć grafowa na siatce globu prognozuje pogodę na 10 dni w minutę.",
   "why_en": "Shows how a graph network on a global mesh forecasts ten days of weather in a minute."
  },
  "graves-act-2016": {
   "id": "graves-act-2016",
   "title": "Adaptive Computation Time for Recurrent Neural Networks",
   "title_en": "Adaptive Computation Time for Recurrent Neural Networks",
   "url": "https://arxiv.org/abs/1603.08983",
   "author": "Alex Graves",
   "sponsored": false,
   "why": "Klasyczna reguła: sieć sama wybiera liczbę kroków i płaci za zbędne.",
   "why_en": "The classic rule: the network picks its step count and pays for extras."
  },
  "great-expectations-docs": {
   "id": "great-expectations-docs",
   "title": "GX Core overview — Great Expectations (dokumentacja)",
   "title_en": "GX Core overview — Great Expectations (documentation)",
   "url": "https://docs.greatexpectations.io/docs/core/introduction/gx_overview",
   "author": "Great Expectations (strona nie podaje autora)",
   "sponsored": false,
   "why": "Dowiesz się, jak definiować sprawdzalne oczekiwania wobec danych i uruchamiać z nich proces walidacji.",
   "why_en": "Learn how to define verifiable data expectations and build validation workflows from them."
  },
  "grinsztajn-tabular-2022": {
   "id": "grinsztajn-tabular-2022",
   "title": "Why do tree-based models still outperform deep learning on tabular data?",
   "title_en": "Why do tree-based models still outperform deep learning on tabular data?",
   "url": "https://arxiv.org/abs/2207.08815",
   "author": "Léo Grinsztajn, Edouard Oyallon, Gaël Varoquaux",
   "sponsored": false,
   "why": "Poznasz porównanie drzew i sieci neuronowych na danych tabelarycznych oraz analizę ich różnych preferencji indukcyjnych.",
   "why_en": "Explore comparisons of trees and neural networks on tabular data and their differing inductive biases."
  },
  "grootendorst-bertopic-2022": {
   "id": "grootendorst-bertopic-2022",
   "title": "BERTopic: Neural topic modeling with a class-based TF-IDF procedure",
   "url": "https://arxiv.org/abs/2203.05794",
   "author": "Maarten Grootendorst",
   "sponsored": false,
   "why": "Wyjaśnia współczesne, oparte na embeddingach podejście do wykrywania tematów w tekstach.",
   "why_en": "Explains the modern, embedding-based approach to finding topics in text collections."
  },
  "gu-kelly-xiu-2020": {
   "id": "gu-kelly-xiu-2020",
   "title": "Empirical Asset Pricing via Machine Learning",
   "title_en": "Empirical Asset Pricing via Machine Learning",
   "url": "https://www.nber.org/papers/w25398",
   "author": "Shihao Gu, Bryan Kelly, Dacheng Xiu",
   "sponsored": false,
   "why": "Najczęściej cytowane porównanie metod ML w przewidywaniu zwrotów z akcji i wskazanie najważniejszych sygnałów.",
   "why_en": "The most-cited comparison of ML methods for predicting stock returns, naming the key signals."
  },
  "guha-legalbench-2023": {
   "id": "guha-legalbench-2023",
   "title": "LegalBench: A Collaboratively Built Benchmark for Measuring Legal Reasoning in Large Language Models",
   "url": "https://arxiv.org/abs/2308.11462",
   "author": "Neel Guha, Julian Nyarko, Daniel E. Ho, Christopher Ré i in. (39 autorów)",
   "sponsored": false,
   "why": "Pokazuje, jak rozbić rozumowanie prawnicze na sześć mierzalnych umiejętności modelu.",
   "why_en": "Shows how to break legal reasoning into six measurable model skills."
  },
  "gulrajani-wgangp-2017": {
   "id": "gulrajani-wgangp-2017",
   "title": "Improved Training of Wasserstein GANs",
   "title_en": "Improved Training of Wasserstein GANs",
   "url": "https://arxiv.org/abs/1704.00028",
   "author": "Ishaan Gulrajani, Faruk Ahmed, Martin Arjovsky, Vincent Dumoulin, Aaron Courville",
   "sponsored": false,
   "why": "Dowiesz się, czemu przycinanie wag psuło trening GAN i jak naprawia to kara gradientu.",
   "why_en": "Learn why weight clipping hurt GAN training and how a gradient penalty fixes it."
  },
  "guo-calibration-2017": {
   "id": "guo-calibration-2017",
   "title": "On Calibration of Modern Neural Networks",
   "title_en": "On Calibration of Modern Neural Networks",
   "url": "https://arxiv.org/abs/1706.04599",
   "author": "Chuan Guo, Geoff Pleiss, Yu Sun, Kilian Q. Weinberger",
   "sponsored": false,
   "why": "Zrozumiesz rozbieżność między pewnością i poprawnością sieci oraz kalibrację przez skalowanie temperatury.",
   "why_en": "Understand network confidence-correctness mismatch and calibration through temperature scaling."
  },
  "gupta-xbd-2019": {
   "id": "gupta-xbd-2019",
   "title": "xBD: A Dataset for Assessing Building Damage from Satellite Imagery",
   "url": "https://arxiv.org/abs/1911.09296",
   "author": "Ritwik Gupta, Richard Hosfelt, Sandra Sajeev, Nirav Patel, Bryce Goodman, et al.",
   "sponsored": false,
   "why": "Najważniejszy otwarty zbiór do nauki oceny szkód budynków po katastrofach ze zdjęć satelitarnych.",
   "why_en": "The key open dataset for learning to assess building damage after disasters from satellite images."
  },
  "gururangan-2018-nli-artifacts": {
   "id": "gururangan-2018-nli-artifacts",
   "title": "Annotation Artifacts in Natural Language Inference Data",
   "title_en": "Annotation Artifacts in Natural Language Inference Data",
   "url": "https://arxiv.org/abs/1803.02324",
   "author": "Suchin Gururangan, Swabha Swayamdipta, Omer Levy, Roy Schwartz, Samuel R. Bowman, Noah A. Smith",
   "sponsored": false,
   "why": "Pokazuje, że etykietę NLI można częściowo zgadywać z samej hipotezy przez ślady procesu anotacji.",
   "why_en": "Shows that NLI labels can partly be guessed from the hypothesis alone because of annotation-process clues."
  },
  "gymnasium-docs": {
   "id": "gymnasium-docs",
   "title": "Gymnasium — dokumentacja (Farama Foundation)",
   "title_en": "Gymnasium documentation (Farama Foundation)",
   "url": "https://gymnasium.farama.org/",
   "author": "Farama Foundation",
   "sponsored": false,
   "why": "Przećwiczysz interfejs środowiska łączący działania agenta z obserwacjami, nagrodami i zakończeniem epizodu.",
   "why_en": "Practise an environment interface connecting agent actions with observations, rewards and episode termination."
  },
  "gz-decals-2021": {
   "id": "gz-decals-2021",
   "title": "Galaxy Zoo DECaLS: Detailed Visual Morphology Measurements from Volunteers and Deep Learning for 314,000 Galaxies",
   "title_en": "Galaxy Zoo DECaLS: Detailed Visual Morphology Measurements from Volunteers and Deep Learning for 314,000 Galaxies",
   "url": "https://arxiv.org/abs/2102.08414",
   "author": "Mike Walmsley, Chris Lintott i in.",
   "sponsored": false,
   "why": "Pokazuje, jak głosy tysięcy ochotników uczą sieć opisywać kształty setek tysięcy galaktyk.",
   "why_en": "Shows how thousands of volunteers' votes teach a network to describe hundreds of thousands of galaxies."
  },
  "h2o-2024": {
   "id": "h2o-2024",
   "title": "Learning Human-to-Humanoid Real-Time Whole-Body Teleoperation",
   "title_en": "Learning Human-to-Humanoid Real-Time Whole-Body Teleoperation",
   "url": "https://arxiv.org/abs/2403.04436",
   "author": "T. He, Z. Luo, W. Xiao, C. Zhang i in.",
   "sponsored": false,
   "why": "Dowiesz się, jak humanoid w czasie rzeczywistym powtarza ruchy człowieka widzianego zwykłą kamerą.",
   "why_en": "Learn how a humanoid repeats, in real time, the movements of a person seen by an ordinary camera."
  },
  "haas-pigeon-2023": {
   "id": "haas-pigeon-2023",
   "title": "PIGEON: Predicting Image Geolocations",
   "url": "https://arxiv.org/abs/2307.05845",
   "author": "Lukas Haas, Michal Skreta, Silas Alberti, Chelsea Finn",
   "sponsored": false,
   "why": "Opisuje skuteczną geolokalizację zdjęć wraz z jej ryzykiem dla prywatności.",
   "why_en": "Describes effective photo geolocation together with its privacy risks."
  },
  "habibzadeh-llm-soc-survey-2025": {
   "id": "habibzadeh-llm-soc-survey-2025",
   "title": "Large Language Models for Security Operations Centers: A Comprehensive Survey",
   "title_en": "Large Language Models for Security Operations Centers: A Comprehensive Survey",
   "url": "https://arxiv.org/abs/2509.10858",
   "author": "Ali Habibzadeh, Farid Feyzi, Reza Ebrahimi Atani",
   "sponsored": false,
   "why": "Daje przegląd zadań w centrum operacji bezpieczeństwa, które już dziś przejmują modele językowe.",
   "why_en": "Surveys the security operations tasks that language models are already taking on."
  },
  "hallucination-survey-2023": {
   "id": "hallucination-survey-2023",
   "title": "A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions",
   "title_en": "A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions",
   "url": "https://arxiv.org/abs/2311.05232",
   "author": "Lei Huang, Weijiang Yu, Weitao Ma, Weihong Zhong, Zhangyin Feng, Haotian Wang, Qianglong Chen, Weihua Peng, Xiaocheng Feng, Bing Qin, Ting Liu",
   "sponsored": false,
   "why": "Poznasz typy halucynacji, ich możliwe przyczyny oraz metody wykrywania i ograniczania w modelach językowych.",
   "why_en": "Explore hallucination types, potential causes and detection and mitigation methods for language models."
  },
  "hamel-evals-faq": {
   "id": "hamel-evals-faq",
   "title": "AI Evals: Everything You Need to Know",
   "url": "https://hamel.dev/blog/posts/evals-faq/",
   "author": "Hamel Husain, Shreya Shankar",
   "sponsored": false,
   "why": "Praktycy pokażą organizowanie ewaluacji produktu, analizę błędów i iterowanie testów na rzeczywistych śladach.",
   "why_en": "Practitioners explain organising product evaluations, analysing errors and iterating tests using real traces."
  },
  "hamel-faq-erroranalysis": {
   "id": "hamel-faq-erroranalysis",
   "title": "Why is \"error analysis\" so important in AI evals, and how is it performed? (AI Evals FAQ)",
   "url": "https://hamel.dev/blog/posts/evals-faq/why-is-error-analysis-so-important-in-llm-evals-and-how-is-it-performed.html",
   "author": "Hamel Husain, Shreya Shankar",
   "sponsored": false,
   "why": "Krok po kroku: jak z notatek do prawdziwych rozmów zbudować listę kategorii błędów.",
   "why_en": "Step by step: how to turn notes on real conversations into a list of failure categories."
  },
  "hamel-faq-syntheticdata": {
   "id": "hamel-faq-syntheticdata",
   "title": "What is the best approach for generating synthetic data? (AI Evals FAQ)",
   "url": "https://hamel.dev/blog/posts/evals-faq/what-is-the-best-approach-for-generating-synthetic-data.html",
   "author": "Hamel Husain, Shreya Shankar",
   "sponsored": false,
   "why": "Przepis na różnorodne pytania testowe z wymiarów i krotek zamiast przypadkowych przykładów.",
   "why_en": "A recipe for varied test questions built from dimensions and tuples instead of random examples."
  },
  "han-pei-yin-fpgrowth-2000": {
   "id": "han-pei-yin-fpgrowth-2000",
   "title": "Mining Frequent Patterns without Candidate Generation",
   "url": "https://www.cs.sfu.ca/~jpei/publications/sigmod00.pdf",
   "author": "Jiawei Han, Jian Pei, Yiwen Yin",
   "sponsored": false,
   "why": "Pierwotna publikacja FP-growth pokazuje alternatywę dla Apriori bez generowania kandydatów.",
   "why_en": "The original FP-growth paper presents a candidate-free alternative to Apriori."
  },
  "han-unicorn-provenance-apt-2020": {
   "id": "han-unicorn-provenance-apt-2020",
   "title": "UNICORN: Runtime Provenance-Based Detector for Advanced Persistent Threats",
   "title_en": "UNICORN: Runtime Provenance-Based Detector for Advanced Persistent Threats",
   "url": "https://arxiv.org/abs/2001.01525",
   "author": "Xueyuan Han, Thomas Pasquier, Adam Bates, James Mickens, Margo Seltzer",
   "sponsored": false,
   "why": "Pokazuje, jak z zapisu działań systemów zbudować graf i wykrywać na nim powolne, ukryte ataki.",
   "why_en": "Shows how to build a graph from system activity records and detect slow, hidden attacks on it."
  },
  "hansen-coco-2016": {
   "id": "hansen-coco-2016",
   "title": "COCO: A Platform for Comparing Continuous Optimizers in a Black-Box Setting",
   "url": "https://arxiv.org/abs/1603.08785",
   "author": "Nikolaus Hansen, Anne Auger, Raymond Ros, Olaf Mersmann, Tea Tušar, Dimo Brockhoff",
   "sponsored": false,
   "why": "Opisuje, jak uczciwie mierzyć i porównywać optymalizatory na wspólnym zestawie zadań.",
   "why_en": "Describes how to fairly measure and compare optimisers on a shared task suite."
  },
  "hao-coconut-2024": {
   "id": "hao-coconut-2024",
   "title": "Training Large Language Models to Reason in a Continuous Latent Space",
   "title_en": "Training Large Language Models to Reason in a Continuous Latent Space",
   "url": "https://arxiv.org/abs/2412.06769",
   "author": "Shibo Hao, Sainbayar Sukhbaatar, DiJia Su, Xian Li, Zhiting Hu, Jason Weston, Yuandong Tian",
   "sponsored": false,
   "why": "Czym jest ciągła myśl i czym różni się od łańcucha słów.",
   "why_en": "What a continuous thought is and how it differs from a word chain."
  },
  "harnessadaptrl-2026": {
   "id": "harnessadaptrl-2026",
   "title": "Training the Whole Agent, Not Just the Model",
   "title_en": "Training the Whole Agent, Not Just the Model",
   "url": "https://arxiv.org/abs/2610.28069",
   "author": "Lingxiao Tang, Wei Tao, Yiwen Guo, Lingfeng Bao",
   "sponsored": false,
   "why": "Opisuje wspólną adaptację polityki i uprzęży w trakcie RL.",
   "why_en": "Describes joint adaptation of policy and harness during RL."
  },
  "harnesslearning-2026": {
   "id": "harnesslearning-2026",
   "title": "Harness Learning Enables Generalizable Test-Time Adaptation",
   "title_en": "Harness Learning Enables Generalizable Test-Time Adaptation",
   "url": "https://arxiv.org/abs/2609.35738",
   "author": "Alvin Zhang, Xuecheng Liu, Zixuan Wang, Fahim Tajwar, Daman Arora, Ruslan Salakhutdinov, Daniel Khashabi, Yuda Song, Andrea Zanette",
   "sponsored": false,
   "why": "Opisuje uczenie proposera do rewizji uprzęży i adaptację w czasie testu.",
   "why_en": "Describes training a proposer to revise harnesses and test-time adaptation."
  },
  "harnessscaling-2026": {
   "id": "harnessscaling-2026",
   "title": "Harness Scaling for Generalizable Agentic Reinforcement Learning",
   "title_en": "Harness Scaling for Generalizable Agentic Reinforcement Learning",
   "url": "https://arxiv.org/abs/2610.29458",
   "author": "Fei Bai, Huatong Song, Chuan Hao, Ran Tao, Jian Yang, Bryan Dai, Wayne Xin Zhao, Ji-Rong Wen",
   "sponsored": false,
   "why": "Opisuje metodę skalowania agenticnego RL przez różnorodność uprzęży.",
   "why_en": "Describes the method of scaling agentic RL through harness diversity."
  },
  "hartmann-mor-digital-twins-2018": {
   "id": "hartmann-mor-digital-twins-2018",
   "title": "Model Order Reduction a Key Technology for Digital Twins",
   "url": "https://doi.org/10.1007/978-3-319-75319-5_8",
   "author": "Dirk Hartmann, Matthias Herz, Utz Wever",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego bliźniak działający na żywo potrzebuje uproszczonych, szybkich modeli symulacji.",
   "why_en": "Explains why a live twin needs simplified, fast simulation models."
  },
  "hauschild-pelikan-eda-2011": {
   "id": "hauschild-pelikan-eda-2011",
   "title": "An introduction and survey of estimation of distribution algorithms",
   "url": "https://doi.org/10.1016/j.swevo.2011.08.003",
   "author": "Mark Hauschild, Martin Pelikan",
   "sponsored": false,
   "why": "Wprowadzenie do algorytmów, które zamiast krzyżować rozwiązania, uczą się ich rozkładu.",
   "why_en": "An introduction to algorithms that learn the distribution of good solutions instead of crossing them."
  },
  "hax-guidelines-2019": {
   "id": "hax-guidelines-2019",
   "title": "Guidelines for Human-AI Interaction",
   "title_en": "Guidelines for Human-AI Interaction",
   "url": "https://www.microsoft.com/en-us/research/publication/guidelines-for-human-ai-interaction/",
   "author": "S. Amershi, D. Weld, M. Vorvoreanu, A. Fourney, B. Nushi, P. Collisson, J. Suh, S. Iqbal, P. Bennett, K. Inkpen, J. Teevan, R. Kikin-Gil, E. Horvitz (Microsoft)",
   "sponsored": false,
   "why": "Poznasz wskazówki projektowania interakcji z AI na początku użycia, podczas pracy, po błędach i z czasem.",
   "why_en": "Explore AI-interaction design guidelines for initial use, ongoing interaction, failures and changes over time."
  },
  "hdit-2024": {
   "id": "hdit-2024",
   "title": "Scalable High-Resolution Pixel-Space Image Synthesis with Hourglass Diffusion Transformers",
   "title_en": "Scalable High-Resolution Pixel-Space Image Synthesis with Hourglass Diffusion Transformers",
   "url": "https://arxiv.org/abs/2401.11605",
   "author": "Katherine Crowson, Stefan Andreas Baumann, Alex Birch, Tanishq Mathew Abraham, Daniel Z. Kaplan, Enrico Shippole",
   "sponsored": false,
   "why": "Zobaczysz architekturę, która trenuje wysoką rozdzielczość w pikselach bez autoenkodera i bez kaskady.",
   "why_en": "See an architecture that trains high resolution in pixels without an autoencoder or a cascade."
  },
  "hdmapnet-2021": {
   "id": "hdmapnet-2021",
   "title": "HDMapNet: An Online HD Map Construction and Evaluation Framework",
   "title_en": "HDMapNet: An Online HD Map Construction and Evaluation Framework",
   "url": "https://arxiv.org/abs/2107.06307",
   "author": "Qi Li, Yue Wang, Yilun Wang, Hang Zhao",
   "sponsored": false,
   "why": "Wyjaśnia, czemu gotowe mapy HD są problemem i jak auto może rysować mapę samo.",
   "why_en": "Explains why ready-made HD maps are a problem and how a car can draw its own map."
  },
  "he-2024-emilia": {
   "id": "he-2024-emilia",
   "title": "Emilia: An Extensive, Multilingual, and Diverse Speech Dataset for Large-Scale Speech Generation",
   "url": "https://arxiv.org/html/2407.05361v3",
   "author": "Haorui He, Zengqiang Shang, Chaoren Wang, Xuyuan Li, Yicheng Gu, Hua Hua, Liwei Liu, Chen Yang, Jiaqi Li, Peiyang Shi, Yuancheng Wang, Kai Chen, Pengyuan Zhang, Zhizheng Wu",
   "sponsored": false,
   "why": "Opisuje kompletny, otwarty pipeline zamiany nagrań „z życia” w dane do syntezy mowy.",
   "why_en": "Describes a complete open pipeline turning in-the-wild recordings into speech generation data."
  },
  "he-mae-2021": {
   "id": "he-mae-2021",
   "title": "Masked Autoencoders Are Scalable Vision Learners (MAE)",
   "title_en": "Masked Autoencoders Are Scalable Vision Learners (MAE)",
   "url": "https://arxiv.org/abs/2111.06377",
   "author": "Kaiming He, Xinlei Chen, Saining Xie, Yanghao Li, Piotr Dollár, Ross Girshick",
   "sponsored": false,
   "why": "Dowiesz się, jak odtwarzanie zasłoniętych łatek obrazu uczy reprezentacje wizyjne bez ręcznych etykiet.",
   "why_en": "Learn how reconstructing masked image patches teaches visual representations without manual labels."
  },
  "healthbench-2025": {
   "id": "healthbench-2025",
   "title": "HealthBench: Evaluating Large Language Models Towards Improved Human Health",
   "title_en": "HealthBench: Evaluating Large Language Models Towards Improved Human Health",
   "url": "https://arxiv.org/abs/2505.08775",
   "author": "Rahul K. Arora, Jason Wei, Rebecca Soskin Hicks i in. (OpenAI), Karan Singhal",
   "sponsored": true,
   "why": "Pokazuje, jak lekarze ocenili tysiące rozmów z modelami według szczegółowych kryteriów.",
   "why_en": "Shows how doctors scored thousands of model conversations against detailed criteria."
  },
  "heimersheim-nanda-patching-2024": {
   "id": "heimersheim-nanda-patching-2024",
   "title": "How to use and interpret activation patching",
   "title_en": "How to use and interpret activation patching",
   "url": "https://arxiv.org/abs/2404.15255",
   "author": "Stefan Heimersheim, Neel Nanda",
   "sponsored": false,
   "why": "Dowiesz się, jak projektować eksperymenty podmiany aktywacji i ostrożnie interpretować ich wyniki.",
   "why_en": "Learn how to design activation-patching experiments and interpret their results carefully."
  },
  "hendrycks-cuad-2021": {
   "id": "hendrycks-cuad-2021",
   "title": "CUAD: An Expert-Annotated NLP Dataset for Legal Contract Review",
   "url": "https://arxiv.org/abs/2103.06268",
   "author": "Dan Hendrycks, Collin Burns, Anya Chen, Spencer Ball",
   "sponsored": false,
   "why": "Przedstawia podstawowy zbiór umów z oznaczonymi przez prawników klauzulami do trenowania i testów.",
   "why_en": "Presents the core dataset of contracts with lawyer-labelled clauses for training and testing."
  },
  "hendy-2023-gpt-mt": {
   "id": "hendy-2023-gpt-mt",
   "title": "How Good Are GPT Models at Machine Translation? A Comprehensive Evaluation",
   "title_en": "How Good Are GPT Models at Machine Translation? A Comprehensive Evaluation",
   "url": "https://arxiv.org/abs/2302.09210",
   "author": "Amr Hendy, Mohamed Abdelrehim, Amr Sharaf, Vikas Raunak, Mohamed Gabr, Hitokazu Matsushita, Young Jin Kim, Mohamed Afify, Hany Hassan Awadalla (Microsoft)",
   "sponsored": false,
   "why": "Pokazuje, jak dobrze duże modele językowe tłumaczą i gdzie wciąż zawodzą.",
   "why_en": "Shows how well large language models translate and where they still fall short."
  },
  "her-2017": {
   "id": "her-2017",
   "title": "Hindsight Experience Replay",
   "title_en": "Hindsight Experience Replay",
   "url": "https://papers.nips.cc/paper_files/paper/2017/file/453fadbd8a1a3af50a9df4df899537b5-Paper.pdf",
   "author": "M. Andrychowicz, F. Wolski, A. Ray, J. Schneider, R. Fong, P. Welinder, B. McGrew, J. Tobin, P. Abbeel, W. Zaremba",
   "sponsored": false,
   "why": "Dowiesz się, jak przepisywanie celu w zapisanych próbach pozwala uczyć się przy nagrodzie przyznawanej wyłącznie za sukces.",
   "why_en": "Learn how relabelling goals in stored attempts enables learning when reward is given only for success."
  },
  "herbrich-trueskill-2006": {
   "id": "herbrich-trueskill-2006",
   "title": "TrueSkill™: A Bayesian Skill Rating System",
   "title_en": "TrueSkill™: A Bayesian Skill Rating System",
   "url": "https://www.microsoft.com/en-us/research/publication/trueskilltm-a-bayesian-skill-rating-system/",
   "author": "Ralf Herbrich, Tom Minka, Thore Graepel",
   "sponsored": false,
   "why": "Poznasz bayesowskie podejście do oceny graczy, które uwzględnia niepewność i wyniki całych drużyn.",
   "why_en": "Learn the Bayesian approach to rating players that accounts for uncertainty and whole-team results."
  },
  "herzig-2020-tapas": {
   "id": "herzig-2020-tapas",
   "title": "TAPAS: Weakly Supervised Table Parsing via Pre-training",
   "title_en": "TAPAS: Weakly Supervised Table Parsing via Pre-training",
   "url": "https://arxiv.org/abs/2004.02349",
   "author": "Jonathan Herzig, Paweł Krzysztof Nowak, Thomas Müller, Francesco Piccinno, Julian Martin Eisenschlos",
   "sponsored": false,
   "why": "Pokazuje, jak model odpowiada na pytania o tabelę, wybierając komórki i licząc na nich.",
   "why_en": "Shows how a model answers questions about a table by picking cells and computing over them."
  },
  "hewing-learning-mpc-2020": {
   "id": "hewing-learning-mpc-2020",
   "title": "Learning-Based Model Predictive Control: Toward Safe Learning in Control",
   "url": "https://doi.org/10.1146/annurev-control-090419-075625",
   "author": "Lukas Hewing, Kim P. Wabersich, Marcel Menner, Melanie N. Zeilinger",
   "sponsored": false,
   "why": "Porządkuje trzy główne sposoby łączenia sterowania predykcyjnego z uczeniem maszynowym.",
   "why_en": "Lays out the three main ways of combining predictive control with machine learning."
  },
  "hf-audio-course-unit4": {
   "id": "hf-audio-course-unit4",
   "title": "Unit 4. Build a music genre classifier — Hugging Face Audio Course",
   "title_en": "Unit 4. Build a music genre classifier — Hugging Face Audio Course",
   "url": "https://huggingface.co/learn/audio-course/chapter4/introduction",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Praktyczny kurs budowy programu rozpoznającego gatunek muzyki.",
   "why_en": "A hands-on course on building a music-genre recogniser."
  },
  "hf-causal-lm": {
   "id": "hf-causal-lm",
   "title": "Training a causal language model from scratch (Hugging Face LLM Course, rozdz. 7.6)",
   "title_en": "Training a causal language model from scratch (Hugging Face LLM Course, ch. 7.6)",
   "url": "https://huggingface.co/learn/llm-course/chapter7/6",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Przećwiczysz przygotowanie danych i pętlę treningu małego modelu przewidującego następny token.",
   "why_en": "Practise data preparation and training loops for a small next-token prediction model."
  },
  "hf-cv-course": {
   "id": "hf-cv-course",
   "title": "Hugging Face · Community Computer Vision Course — sylabus",
   "title_en": "Hugging Face · Community Computer Vision Course — syllabus",
   "url": "https://huggingface.co/learn/computer-vision-course/unit0/welcome/welcome",
   "author": "Hugging Face i społeczność",
   "sponsored": false,
   "why": "Kurs uporządkuje klasyfikację, detekcję, segmentację i modele generatywne oraz multimodalne w widzeniu komputerowym.",
   "why_en": "The course organises classification, detection, segmentation and generative and multimodal models in computer vision."
  },
  "hf-cv-course-3d-vision": {
   "id": "hf-cv-course-3d-vision",
   "title": "Neural Radiance Fields (NeRFs) — Unit 8 „3D Vision, Scene Rendering and Reconstruction”, Community Computer Vision Course",
   "title_en": "Neural Radiance Fields (NeRFs) — Unit 8 “3D Vision, Scene Rendering and Reconstruction”, Community Computer Vision Course",
   "url": "https://huggingface.co/learn/computer-vision-course/en/unit8/nerf",
   "author": "Hugging Face (społeczność)",
   "sponsored": false,
   "why": "Przystępnie tłumaczy, jak sieć neuronowa może przechowywać całą scenę 3D.",
   "why_en": "Explains accessibly how a neural network can store a whole 3D scene."
  },
  "hf-datasets-load-hub": {
   "id": "hf-datasets-load-hub",
   "title": "Hugging Face Datasets: wyszukiwanie, karty i strumieniowe ładowanie zbiorów",
   "title_en": "Hugging Face Datasets: discovery, dataset cards and streaming",
   "url": "https://huggingface.co/docs/datasets/index",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Praktycznie pokazuje, jak obejrzeć opis, podziały i warianty zbioru przed jego pobraniem.",
   "why_en": "Shows in practice how to inspect a dataset's description, splits and variants before downloading."
  },
  "hf-deep-rl-course": {
   "id": "hf-deep-rl-course",
   "title": "Hugging Face Deep Reinforcement Learning Course — spis jednostek",
   "title_en": "Hugging Face Deep Reinforcement Learning Course — unit list",
   "url": "https://huggingface.co/learn/deep-rl-course/unit0/introduction",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Przejdziesz od Q-learningu przez gradient polityki i actor–critic do PPO, imitacji oraz systemów wieloagentowych.",
   "why_en": "Progress from Q-learning through policy gradients and actor–critic to PPO, imitation and multi-agent systems."
  },
  "hf-diffusers-controlnet": {
   "id": "hf-diffusers-controlnet",
   "title": "ControlNet (Diffusers docs)",
   "title_en": "ControlNet (Diffusers docs)",
   "url": "https://huggingface.co/docs/diffusers/using-diffusers/controlnet",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Pokazuje w praktyce, jak łączyć kilka warunków sterujących obrazem.",
   "why_en": "Shows in practice how to combine several image-steering conditions."
  },
  "hf-diffusers-dreambooth": {
   "id": "hf-diffusers-dreambooth",
   "title": "DreamBooth (Diffusers training docs)",
   "title_en": "DreamBooth (Diffusers training docs)",
   "url": "https://huggingface.co/docs/diffusers/training/dreambooth",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Praktyczny przewodnik po douczaniu generatora na własnych zdjęciach.",
   "why_en": "A practical guide to fine-tuning a generator on your own photos."
  },
  "hf-diffusers-inpaint": {
   "id": "hf-diffusers-inpaint",
   "title": "Inpainting (Diffusers docs)",
   "title_en": "Inpainting (Diffusers docs)",
   "url": "https://huggingface.co/docs/diffusers/using-diffusers/inpaint",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Wyjaśnia, jak przegenerować tylko zaznaczony kawałek zdjęcia.",
   "why_en": "Explains how to regenerate just a marked part of a photo."
  },
  "hf-diffusers-text-to-image": {
   "id": "hf-diffusers-text-to-image",
   "title": "Text-to-image (Diffusers docs)",
   "title_en": "Text-to-image (Diffusers docs)",
   "url": "https://huggingface.co/docs/diffusers/using-diffusers/conditional_image_generation",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Pokazuje w praktyce, które ustawienia wpływają na wygenerowany obraz.",
   "why_en": "Shows in practice which settings shape the generated image."
  },
  "hf-diffusers-video": {
   "id": "hf-diffusers-video",
   "title": "Video generation (Diffusers docs)",
   "title_en": "Video generation (Diffusers docs)",
   "url": "https://huggingface.co/docs/diffusers/using-diffusers/text-img2vid",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Pokazuje w praktyce dwa główne sposoby tworzenia wideo przez AI.",
   "why_en": "Shows in practice the two main ways AI creates video."
  },
  "hf-diffusion-course": {
   "id": "hf-diffusion-course",
   "title": "Hugging Face Diffusion Models Course — sylabus",
   "title_en": "Hugging Face Diffusion Models Course — syllabus",
   "url": "https://huggingface.co/learn/diffusion-course/unit0/1",
   "author": "Jonathan Whitaker, Lewis Tunstall (Hugging Face)",
   "sponsored": true,
   "why": "Przećwiczysz podstawy dyfuzji, dostrajanie, guidance i generowanie w przestrzeni ukrytej.",
   "why_en": "Practise diffusion foundations, fine-tuning, guidance and generation in latent space."
  },
  "hf-gguf-docs": {
   "id": "hf-gguf-docs",
   "title": "GGUF — dokumentacja Hugging Face Hub",
   "title_en": "GGUF — Hugging Face Hub docs",
   "url": "https://huggingface.co/docs/hub/gguf",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Poznasz format przechowujący tensory, metadane i warianty kwantyzacji potrzebne do lokalnego uruchamiania modeli.",
   "why_en": "Explore a format storing tensors, metadata and quantisation variants needed for local model execution."
  },
  "hf-llm-course-tokenizers": {
   "id": "hf-llm-course-tokenizers",
   "title": "Hugging Face LLM Course, rozdz. 6: biblioteka Tokenizers (BPE, WordPiece, Unigram)",
   "title_en": "Hugging Face LLM Course, chapter 6: the Tokenizers library (BPE, WordPiece, Unigram)",
   "url": "https://huggingface.co/learn/llm-course/chapter6/5",
   "author": "Hugging Face",
   "sponsored": true,
   "why": "Porównasz tworzenie słownika i segmentację tekstu w algorytmach BPE, WordPiece oraz Unigram.",
   "why_en": "Compare vocabulary construction and text segmentation in BPE, WordPiece and Unigram algorithms."
  },
  "hf-llm-course-transformer-arch": {
   "id": "hf-llm-course-transformer-arch",
   "title": "Hugging Face LLM Course, rozdz. 1: „How do Transformers work?” i „Transformer Architectures”",
   "title_en": "Hugging Face LLM Course, chapter 1: 'How do Transformers work?' and 'Transformer Architectures'",
   "url": "https://huggingface.co/learn/llm-course/chapter1/6",
   "author": "Hugging Face",
   "sponsored": true,
   "why": "Rozróżnisz enkodery, dekodery i architektury enkoder–dekoder według kierunku uwagi, celu treningu oraz zastosowań.",
   "why_en": "Distinguish encoders, decoders and encoder–decoder architectures by attention direction, training objectives and applications."
  },
  "hf-ml-for-3d-course-unit3": {
   "id": "hf-ml-for-3d-course-unit3",
   "title": "ML for 3D Course — Unit 3: Introduction (Gaussian Splatting)",
   "title_en": "ML for 3D Course — Unit 3: Introduction (Gaussian Splatting)",
   "url": "https://huggingface.co/learn/ml-for-3d-course/en/unit3/introduction",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Pokazuje, jak przebiega tworzenie obiektu 3D przez AI krok po kroku.",
   "why_en": "Shows step by step how AI creates a 3D object."
  },
  "hf-moe-explained-2023": {
   "id": "hf-moe-explained-2023",
   "title": "Mixture of Experts Explained",
   "title_en": "Mixture of Experts Explained",
   "url": "https://huggingface.co/blog/moe",
   "author": "Omar Sanseviero, Lewis Tunstall, Philipp Schmid, Sourab Mangrulkar, Younes Belkada, Pedro Cuenca (Hugging Face)",
   "sponsored": true,
   "why": "Dowiesz się, jak router wybiera ekspertów dla tokenów i dlaczego równoważenie obciążenia wpływa na trening.",
   "why_en": "Learn how routers select token experts and why load balancing affects training."
  },
  "hf-peft-docs": {
   "id": "hf-peft-docs",
   "title": "Hugging Face PEFT — dokumentacja biblioteki",
   "title_en": "Hugging Face PEFT — library documentation",
   "url": "https://huggingface.co/docs/peft/index",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Poznasz dostępne rodziny oszczędnego dostrajania: uczone prompty, adaptery i aktualizacje niskiego rzędu.",
   "why_en": "Explore available parameter-efficient tuning families: learned prompts, adapters and low-rank updates."
  },
  "hf-task-image-to-image": {
   "id": "hf-task-image-to-image",
   "title": "Image-to-Image (Hugging Face Tasks)",
   "title_en": "Image-to-Image (Hugging Face Tasks)",
   "url": "https://huggingface.co/tasks/image-to-image",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Pokazuje rodzinę zadań, w których z jednego obrazu powstaje inny.",
   "why_en": "Shows the family of tasks that turn one image into another."
  },
  "hf-task-question-answering": {
   "id": "hf-task-question-answering",
   "title": "Question Answering (Hugging Face Tasks)",
   "title_en": "Question Answering (Hugging Face Tasks)",
   "url": "https://huggingface.co/tasks/question-answering",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Pokazuje trzy sposoby, w jakie program może odpowiadać na pytania.",
   "why_en": "Shows three ways software can answer questions."
  },
  "hf-task-summarization": {
   "id": "hf-task-summarization",
   "title": "Summarization (Hugging Face Tasks)",
   "title_en": "Summarization (Hugging Face Tasks)",
   "url": "https://huggingface.co/tasks/summarization",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Wyjaśnia różnicę między streszczeniem wycinającym zdania a piszącym tekst od nowa.",
   "why_en": "Explains the difference between summaries that cut out sentences and ones that rewrite."
  },
  "hf-task-text-classification": {
   "id": "hf-task-text-classification",
   "title": "Text Classification (Hugging Face Tasks)",
   "title_en": "Text Classification (Hugging Face Tasks)",
   "url": "https://huggingface.co/tasks/text-classification",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Wyjaśnia, czym jest klasyfikacja tekstu i jakie ma odmiany, od sentymentu po wnioskowanie.",
   "why_en": "Explains what text classification is and its variants, from sentiment to inference."
  },
  "hf-task-text-to-image": {
   "id": "hf-task-text-to-image",
   "title": "Text-to-Image (Hugging Face Tasks)",
   "title_en": "Text-to-Image (Hugging Face Tasks)",
   "url": "https://huggingface.co/tasks/text-to-image",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Wyjaśnia zadanie tworzenia obrazów z opisu i jego odmiany.",
   "why_en": "Explains the task of making images from a description and its variants."
  },
  "hf-task-token-classification": {
   "id": "hf-task-token-classification",
   "title": "Token Classification (Hugging Face Tasks)",
   "title_en": "Token Classification (Hugging Face Tasks)",
   "url": "https://huggingface.co/tasks/token-classification",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Wyjaśnia, jak model oznacza w tekście nazwiska, miejsca i daty słowo po słowie.",
   "why_en": "Explains how a model tags names, places and dates in text word by word."
  },
  "hf-task-zero-shot-classification": {
   "id": "hf-task-zero-shot-classification",
   "title": "Zero-Shot Classification (Hugging Face Tasks)",
   "title_en": "Zero-Shot Classification (Hugging Face Tasks)",
   "url": "https://huggingface.co/tasks/zero-shot-classification",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Pokazuje, jak klasyfikować teksty bez zbierania przykładów do treningu.",
   "why_en": "Shows how to classify texts without collecting training examples."
  },
  "hf-tasks-audio-classification": {
   "id": "hf-tasks-audio-classification",
   "title": "Audio Classification (Hugging Face Tasks)",
   "title_en": "Audio Classification (Hugging Face Tasks)",
   "url": "https://huggingface.co/tasks/audio-classification",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Pokazuje, do czego w praktyce służy rozpoznawanie dźwięków i mowy.",
   "why_en": "Shows what sound and speech recognition is used for in practice."
  },
  "hf-tasks-depth-estimation": {
   "id": "hf-tasks-depth-estimation",
   "title": "Depth Estimation (Hugging Face Tasks)",
   "title_en": "Depth Estimation (Hugging Face Tasks)",
   "url": "https://huggingface.co/tasks/depth-estimation",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Wyjaśnia, czym jest mapa głębi i czym różni się głębia względna od metrycznej.",
   "why_en": "Explains what a depth map is and how relative depth differs from metric depth."
  },
  "hf-tasks-nlp": {
   "id": "hf-tasks-nlp",
   "title": "Hugging Face Tasks — przetwarzanie języka naturalnego",
   "title_en": "Hugging Face Tasks — natural language processing",
   "url": "https://huggingface.co/tasks",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Pokazuje, na jakie typowe zadania dzieli się dziś praca z tekstem.",
   "why_en": "Shows the standard tasks that text processing is split into today."
  },
  "hf-vlms-2025": {
   "id": "hf-vlms-2025",
   "title": "Vision Language Models (Better, faster, stronger)",
   "title_en": "Vision Language Models (Better, faster, stronger)",
   "url": "https://huggingface.co/blog/vlms-2025",
   "author": "Merve Noyan, Sergio Paniego, Aritra Roy Gosthipaty, Pedro Cuenca, Andres Marafioti (Hugging Face)",
   "sponsored": false,
   "why": "Pokazuje, w którą stronę modele widzące rozwinęły się w 2025 roku.",
   "why_en": "Shows where seeing models headed in 2025."
  },
  "hf-vlms-explained-2024": {
   "id": "hf-vlms-explained-2024",
   "title": "Vision Language Models Explained",
   "title_en": "Vision Language Models Explained",
   "url": "https://huggingface.co/blog/vlms",
   "author": "Merve Noyan, Edward Beeching (Hugging Face)",
   "sponsored": false,
   "why": "Przystępnie tłumaczy, jak zbudowane są modele rozumiejące obraz i tekst.",
   "why_en": "Explains accessibly how models that understand images and text are built."
  },
  "higgins-betavae-2017": {
   "id": "higgins-betavae-2017",
   "title": "beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework",
   "title_en": "beta-VAE: Learning Basic Visual Concepts with a Constrained Variational Framework",
   "url": "https://openreview.net/forum?id=Sy2fzU9gl",
   "author": "Irina Higgins, Loic Matthey, Arka Pal, Christopher Burgess, Xavier Glorot, Matthew Botvinick, Shakir Mohamed, Alexander Lerchner",
   "sponsored": false,
   "why": "Dowiesz się, jak jedna waga w funkcji celu wymusza rozplątanie cech kosztem rekonstrukcji.",
   "why_en": "Learn how one weight in the objective forces disentangled features at the cost of reconstruction."
  },
  "hil-serl-2024": {
   "id": "hil-serl-2024",
   "title": "Precise and Dexterous Robotic Manipulation via Human-in-the-Loop Reinforcement Learning",
   "title_en": "Precise and Dexterous Robotic Manipulation via Human-in-the-Loop Reinforcement Learning",
   "url": "https://arxiv.org/abs/2410.21845",
   "author": "J. Luo, C. Xu, J. Wu, S. Levine (UC Berkeley)",
   "sponsored": false,
   "why": "Zobaczysz, jak kilka godzin RL z poprawkami człowieka daje robotowi niemal bezbłędne wykonanie zadania.",
   "why_en": "See how a few hours of RL with human corrections give a robot near-flawless task performance."
  },
  "hinterding-adaptation-1997": {
   "id": "hinterding-adaptation-1997",
   "title": "Adaptation in Evolutionary Computation: A Survey",
   "url": "https://cs.adelaide.edu.au/~zbyszek/Papers/p34.pdf",
   "author": "Robert Hinterding, Zbigniew Michalewicz, Agoston E. Eiben",
   "sponsored": false,
   "why": "Wyjaśnia trzy sposoby zmieniania parametrów algorytmu ewolucyjnego w trakcie działania.",
   "why_en": "Explains three ways of changing an evolutionary algorithm's parameters during a run."
  },
  "hinton-autoencoder-2006": {
   "id": "hinton-autoencoder-2006",
   "title": "Reducing the Dimensionality of Data with Neural Networks",
   "title_en": "Reducing the Dimensionality of Data with Neural Networks",
   "url": "https://www.science.org/doi/10.1126/science.1127647",
   "author": "Geoffrey E. Hinton, Ruslan R. Salakhutdinov",
   "sponsored": false,
   "why": "Poznasz klasyczną pracę pokazującą głęboki autoenkoder jako nieliniową alternatywę dla PCA.",
   "why_en": "Meet the classic paper presenting the deep autoencoder as a nonlinear alternative to PCA."
  },
  "hinton-kd-2015": {
   "id": "hinton-kd-2015",
   "title": "Distilling the Knowledge in a Neural Network",
   "title_en": "Distilling the Knowledge in a Neural Network",
   "url": "https://arxiv.org/abs/1503.02531",
   "author": "Geoffrey Hinton, Oriol Vinyals, Jeff Dean",
   "sponsored": false,
   "why": "Dowiesz się, jak przenosić zachowanie zespołu modeli do pojedynczej sieci łatwiejszej do wdrożenia.",
   "why_en": "Learn how to transfer an ensemble's behaviour into a single network easier to deploy."
  },
  "hle-2025": {
   "id": "hle-2025",
   "title": "Humanity's Last Exam",
   "title_en": "Humanity's Last Exam",
   "url": "https://arxiv.org/abs/2501.14249",
   "author": "Long Phan, Alice Gatti, Ziwen Han, Nathaniel Li, Josephina Hu, Hugh Zhang i wielu in. (afiliacja w metadanych nieustalona; wg wiedzy modelu CAIS i Scale AI)",
   "sponsored": false,
   "why": "Poznasz konstrukcję trudnego benchmarku wiedzy dziedzinowej, zaprojektowanego wobec nasycenia wcześniejszych testów.",
   "why_en": "Explore a difficult domain-knowledge benchmark designed in response to saturation of earlier tests."
  },
  "hmm-mapmatching-2009": {
   "id": "hmm-mapmatching-2009",
   "title": "Hidden Markov Map Matching Through Noise and Sparseness",
   "title_en": "Hidden Markov Map Matching Through Noise and Sparseness",
   "url": "https://www.microsoft.com/research/publication/hidden-markov-map-matching-noise-sparseness/",
   "author": "Paul Newson; John Krumm",
   "sponsored": false,
   "why": "Klasyczne źródło metody HMM, od której zaczyna się większość narzędzi dopasowania do mapy.",
   "why_en": "The classic source of the HMM method most map-matching tools start from."
  },
  "hoffmann-chinchilla-2022": {
   "id": "hoffmann-chinchilla-2022",
   "title": "Training Compute-Optimal Large Language Models",
   "title_en": "Training Compute-Optimal Large Language Models",
   "url": "https://arxiv.org/abs/2203.15556",
   "author": "Jordan Hoffmann, Sebastian Borgeaud, Arthur Mensch i in. (DeepMind)",
   "sponsored": false,
   "why": "Zrozumiesz eksperymentalne dobieranie proporcji rozmiaru modelu i ilości danych przy stałym budżecie treningu.",
   "why_en": "Understand experimentally balancing model size and data volume under a fixed training budget."
  },
  "holden-learned-motion-matching-2020": {
   "id": "holden-learned-motion-matching-2020",
   "title": "Introducing Learned Motion Matching",
   "title_en": "Introducing Learned Motion Matching",
   "url": "https://www.ubisoft.com/en-us/studio/laforge/news/6xXL85Q3bF2vEj76xmnmIu/introducing-learned-motion-matching",
   "author": "Daniel Holden (Ubisoft La Forge)",
   "sponsored": false,
   "why": "Przystępnie tłumaczy motion matching i sposób, w jaki sieci neuronowe zmniejszają jego apetyt na pamięć.",
   "why_en": "Clearly explains motion matching and how neural networks cut its appetite for memory."
  },
  "holden-pfnn-2017": {
   "id": "holden-pfnn-2017",
   "title": "Phase-Functioned Neural Networks for Character Control",
   "title_en": "Phase-Functioned Neural Networks for Character Control",
   "url": "https://theorangeduck.com/page/phase-functioned-neural-networks-character-control",
   "author": "Daniel Holden, Taku Komura, Jun Saito",
   "sponsored": false,
   "why": "Poznasz sieć, która uczy się ruchu z nagrań i dopasowuje kroki postaci do nierównego terenu w czasie rzeczywistym.",
   "why_en": "Learn about a network that learns motion from recordings and fits a character's steps to rough terrain in real time."
  },
  "hollmann-tabpfn-nature-2025": {
   "id": "hollmann-tabpfn-nature-2025",
   "title": "Accurate predictions on small data with a tabular foundation model",
   "title_en": "Accurate predictions on small data with a tabular foundation model",
   "url": "https://www.nature.com/articles/s41586-024-08328-6",
   "author": "Noah Hollmann, Samuel Müller, Lennart Purucker, Arjun Krishnakumar, Max Körfer, Shi Bin Hoo, Robin Tibor Schirrmeister, Frank Hutter",
   "sponsored": false,
   "why": "Dowiesz się, jak pretraining na syntetycznych tabelach umożliwia predykcję z przykładów bez aktualizowania wag.",
   "why_en": "Learn how pretraining on synthetic tables enables prediction from examples without weight updates."
  },
  "holzenberger-sara-2020": {
   "id": "holzenberger-sara-2020",
   "title": "A Dataset for Statutory Reasoning in Tax Law Entailment and Question Answering",
   "url": "https://arxiv.org/abs/2005.05257",
   "author": "Nils Holzenberger, Andrew Blair-Stanek, Benjamin Van Durme",
   "sponsored": false,
   "why": "Definiuje zadanie stosowania przepisów podatkowych do faktów i pokazuje, że zwykłe modele go nie rozwiązują.",
   "why_en": "Defines the task of applying tax rules to facts and shows ordinary models fail at it."
  },
  "hong-2024-orpo": {
   "id": "hong-2024-orpo",
   "title": "ORPO: Monolithic Preference Optimization without Reference Model",
   "url": "https://arxiv.org/abs/2403.07691",
   "author": "Jiwoo Hong, Noah Lee, James Thorne",
   "sponsored": false,
   "why": "Źródłowy opis łączenia dostrajania i nauki preferencji w jeden etap bez modelu odniesienia.",
   "why_en": "The original description of merging fine-tuning and preference learning in one reference-free stage."
  },
  "horace-he-brrr-2022": {
   "id": "horace-he-brrr-2022",
   "title": "Making Deep Learning Go Brrrr From First Principles",
   "title_en": "Making Deep Learning Go Brrrr From First Principles",
   "url": "https://horace.io/brrr_intro.html",
   "author": "Horace He",
   "sponsored": false,
   "why": "Rozróżnisz ograniczenia obliczeń, przepustowości pamięci i narzutu wykonania oraz zrozumiesz korzyści fuzji operatorów.",
   "why_en": "Distinguish compute, memory-bandwidth and execution-overhead limits and understand benefits of operator fusion."
  },
  "houlsby-adapters-2019": {
   "id": "houlsby-adapters-2019",
   "title": "Parameter-Efficient Transfer Learning for NLP",
   "title_en": "Parameter-Efficient Transfer Learning for NLP",
   "url": "https://arxiv.org/abs/1902.00751",
   "author": "Neil Houlsby, Andrei Giurgiu, Stanislaw Jastrzebski i in.",
   "sponsored": false,
   "why": "Poznasz adaptację zamrożonej sieci przez małe moduły trenowane osobno dla kolejnych zadań.",
   "why_en": "Explore adapting a frozen network through small modules trained separately for successive tasks."
  },
  "howard-ews-2017": {
   "id": "howard-ews-2017",
   "title": "Contrasting Prediction Methods for Early Warning Systems at Undergraduate Level",
   "title_en": "Contrasting Prediction Methods for Early Warning Systems at Undergraduate Level",
   "url": "https://arxiv.org/abs/1612.05735",
   "author": "Emma Howard, Maria Meehan, Andrew Parnell",
   "sponsored": false,
   "why": "Pokazuje na prawdziwym kursie, który tydzień semestru daje najlepszy kompromis między trafnością prognozy a czasem na pomoc.",
   "why_en": "Shows on a real course which week of term best balances prediction accuracy and time left to help."
  },
  "hri-llm-review-2026": {
   "id": "hri-llm-review-2026",
   "title": "How Do We Research Human-Robot Interaction in the Age of Large Language Models? A Systematic Review",
   "title_en": "How Do We Research Human-Robot Interaction in the Age of Large Language Models? A Systematic Review",
   "url": "https://arxiv.org/abs/2602.15063",
   "author": "Y. Wang, Y. Xu, A. Nikolova, Y. Wang, J. Wang, C. Wang, X. Tong",
   "sponsored": false,
   "why": "Zobaczysz, jak modele językowe zmieniają badania interakcji ludzi z robotami i czego wciąż brakuje.",
   "why_en": "See how language models are changing human-robot interaction research and what is still missing."
  },
  "hsi-dl-overview-2019": {
   "id": "hsi-dl-overview-2019",
   "title": "Deep Learning for Hyperspectral Image Classification: An Overview",
   "title_en": "Deep Learning for Hyperspectral Image Classification: An Overview",
   "url": "https://arxiv.org/abs/1910.12861",
   "author": "Shutao Li; Weiwei Song; Leyuan Fang; Yushi Chen; Pedram Ghamisi; Jón Atli Benediktsson",
   "sponsored": false,
   "why": "Porządkuje rodziny sieci do zdjęć hiperspektralnych i sposoby radzenia sobie z małą liczbą etykiet.",
   "why_en": "Organises network families for hyperspectral images and ways to cope with few labels."
  },
  "hu-anomalydiffusion-2023": {
   "id": "hu-anomalydiffusion-2023",
   "title": "AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model",
   "url": "https://arxiv.org/abs/2312.05767",
   "author": "Teng Hu, Jiangning Zhang, Ran Yi, Yuzhen Du, Xu Chen, Liang Liu, Yabiao Wang, Chengjie Wang",
   "sponsored": false,
   "why": "Pokazuje, jak model dyfuzyjny dorysowuje realistyczne wady w wybranym miejscu zdjęcia z kilku przykładów.",
   "why_en": "Shows how a diffusion model paints realistic defects at a chosen spot from a few examples."
  },
  "humanoid-hlm-survey-2026": {
   "id": "humanoid-hlm-survey-2026",
   "title": "Humanoid Locomotion and Manipulation: Current Progress and Challenges in Control, Planning, and Learning",
   "title_en": "Humanoid Locomotion and Manipulation: Current Progress and Challenges in Control, Planning, and Learning",
   "url": "https://arxiv.org/abs/2501.02116",
   "author": "Z. Gu, J. Li, W. Shen, W. Yu, Z. Xie i in. (m.in. C. K. Liu, X. B. Peng, Y. Zhu, G. Shi, Y. Zhao)",
   "sponsored": false,
   "why": "Aktualny przegląd łączący klasyczne sterowanie humanoidów z uczeniem przez wzmacnianie, imitacją i modelami bazowymi.",
   "why_en": "A current review connecting classical humanoid control with reinforcement learning, imitation and foundation models."
  },
  "humanplus-2024": {
   "id": "humanplus-2024",
   "title": "HumanPlus: Humanoid Shadowing and Imitation from Humans",
   "title_en": "HumanPlus: Humanoid Shadowing and Imitation from Humans",
   "url": "https://arxiv.org/abs/2406.10454",
   "author": "Z. Fu, Q. Zhao, Q. Wu, G. Wetzstein, C. Finn",
   "sponsored": false,
   "why": "Zobaczysz, jak naśladowanie ruchu człowieka służy humanoidowi do zbierania pokazów i nauki zadań.",
   "why_en": "See how imitating human motion lets a humanoid collect demonstrations and learn tasks."
  },
  "humphreys-htn-gaipro-2013": {
   "id": "humphreys-htn-gaipro-2013",
   "title": "Exploring HTN Planners through Example (Game AI Pro, rozdz. 12)",
   "title_en": "Exploring HTN Planners through Example (Game AI Pro, ch. 12)",
   "url": "http://www.gameaipro.com/GameAIPro/GameAIPro_Chapter12_Exploring_HTN_Planners_through_Example.pdf",
   "author": "Troy Humphreys",
   "sponsored": false,
   "why": "Na przykładzie trolla z maczugą z pnia pokazuje, jak zbudować i uruchomić planer HTN w prawdziwej grze.",
   "why_en": "Using a troll with a tree-trunk club, shows how to build and run an HTN planner in a real game."
  },
  "hunyuan3d-2-1-2025": {
   "id": "hunyuan3d-2-1-2025",
   "title": "Hunyuan3D 2.1: From Images to High-Fidelity 3D Assets with Production-Ready PBR Material",
   "title_en": "Hunyuan3D 2.1: From Images to High-Fidelity 3D Assets with Production-Ready PBR Material",
   "url": "https://arxiv.org/abs/2506.15442",
   "author": "Team Hunyuan3D (Shuhui Yang, Mingxin Yang, Yifei Feng, Xin Huang i 36 innych; Tencent)",
   "sponsored": true,
   "why": "Pokazuje, jak ze zdjęcia powstaje obiekt 3D z teksturami do gier.",
   "why_en": "Shows how a photo becomes a 3D object with game-ready textures."
  },
  "hunyuanvideo-2024": {
   "id": "hunyuanvideo-2024",
   "title": "HunyuanVideo: A Systematic Framework For Large Video Generative Models",
   "title_en": "HunyuanVideo: A Systematic Framework For Large Video Generative Models",
   "url": "https://arxiv.org/abs/2412.03603",
   "author": "Weijie Kong, Qi Tian, Zijian Zhang, Caesar Zhong i in. (Tencent)",
   "sponsored": true,
   "why": "Opisuje, z jakich elementów składa się duży system generowania wideo.",
   "why_en": "Describes the building blocks of a large video-generation system."
  },
  "huyen-ai-engineering-ch10": {
   "id": "huyen-ai-engineering-ch10",
   "title": "AI Engineering — rozdz. 10: AI Engineering Architecture and User Feedback",
   "title_en": "AI Engineering — Chapter 10: AI Engineering Architecture and User Feedback",
   "url": "https://www.oreilly.com/library/view/ai-engineering/9781098166298/ch10.html",
   "author": "Chip Huyen",
   "sponsored": false,
   "why": "Spis rozdziału uporządkuje architekturę aplikacji AI, obserwowalność, orkiestrację i zbieranie informacji zwrotnej użytkowników.",
   "why_en": "The chapter outline organises AI-application architecture, observability, orchestration and user-feedback collection."
  },
  "huyen-genai-platform-2024": {
   "id": "huyen-genai-platform-2024",
   "title": "Building A Generative AI Platform",
   "title_en": "Building A Generative AI Platform",
   "url": "https://huyenchip.com/2024/07/25/genai-platform.html",
   "author": "Chip Huyen",
   "sponsored": false,
   "why": "Dowiesz się, jak wspólna brama modeli centralizuje dostęp, koszty, limity, obsługę awarii i obserwowalność.",
   "why_en": "Learn how a shared model gateway centralises access, costs, limits, failure handling and observability."
  },
  "hyndman-fpp3": {
   "id": "hyndman-fpp3",
   "title": "Forecasting: Principles and Practice (3rd ed.)",
   "title_en": "Forecasting: Principles and Practice (3rd ed.)",
   "url": "https://otexts.com/fpp3/",
   "author": "Rob J Hyndman, George Athanasopoulos",
   "sponsored": false,
   "why": "Poznasz klasyczne prognozowanie szeregów przez dekompozycję, regresję, wygładzanie i modele autoregresyjne.",
   "why_en": "Explore classical time-series forecasting through decomposition, regression, smoothing and autoregressive models."
  },
  "hyperneat-2009": {
   "id": "hyperneat-2009",
   "title": "A Hypercube-Based Encoding for Evolving Large-Scale Neural Networks",
   "url": "https://stars.library.ucf.edu/facultybib2000/2178",
   "author": "Kenneth O. Stanley, David B. D'Ambrosio, Jason Gauci",
   "sponsored": false,
   "why": "Artykuł wprowadza kodowanie pośrednie, dzięki któremu ewolucja tworzy regularne wzory połączeń bardzo dużych sieci.",
   "why_en": "The paper introduces indirect encoding that lets evolution create regular connection patterns for very large networks."
  },
  "hypervolume-survey-2020": {
   "id": "hypervolume-survey-2020",
   "title": "The Hypervolume Indicator: Problems and Algorithms",
   "url": "https://arxiv.org/abs/2005.00515",
   "author": "Andreia P. Guerreiro, Carlos M. Fonseca, Luís Paquete",
   "sponsored": false,
   "why": "Przegląd wyjaśnia, czym jest hiperobjętość, dlaczego jest tak popularna i jak kosztowne jest jej liczenie.",
   "why_en": "The survey explains what hypervolume is, why it is so popular and how costly it is to compute."
  },
  "icm-curiosity-2017": {
   "id": "icm-curiosity-2017",
   "title": "Curiosity-driven Exploration by Self-supervised Prediction",
   "title_en": "Curiosity-driven Exploration by Self-supervised Prediction",
   "url": "https://arxiv.org/abs/1705.05363",
   "author": "Deepak Pathak, Pulkit Agrawal, Alexei A. Efros, Trevor Darrell",
   "sponsored": false,
   "why": "Zrozumiesz nagradzanie eksploracji przez błąd przewidywania skutków własnych działań w uczonej przestrzeni cech.",
   "why_en": "Understand rewarding exploration through prediction errors for action consequences in a learned feature space."
  },
  "idxdr-pivotal-2018": {
   "id": "idxdr-pivotal-2018",
   "title": "Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices",
   "title_en": "Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices",
   "url": "https://www.nature.com/articles/s41746-018-0040-6",
   "author": "Michael D. Abràmoff, Philip T. Lavin, Michele Birch, Nilay Shah, James C. Folk",
   "sponsored": true,
   "why": "Pokazuje, jak testowano pierwszy system AI stawiający diagnozę bez lekarza i z jakim wynikiem.",
   "why_en": "Shows how the first AI system to diagnose without a doctor was tested and how it performed."
  },
  "iec-2026": {
   "id": "iec-2026",
   "title": "Do Tool Calls Execute as Intended? Measuring and Repairing Intent-Execution Correspondence in LLM Agents",
   "title_en": "Do Tool Calls Execute as Intended? Measuring and Repairing Intent-Execution Correspondence in LLM Agents",
   "url": "https://arxiv.org/abs/2610.04375",
   "author": "Boyang Yang, Zhenhao Li, Ziyao Yang, Kanghui Jia, Xin Yin, Mingmou Liu, Haoye Tian",
   "sponsored": false,
   "why": "Definiuje zgodność intencji z wykonaniem dla wywołań narzędzi, lokalizuje pierwszą warstwę zmieniającą działanie i ocenia naprawę IntAct.",
   "why_en": "Defines intent–execution correspondence for tool calls, locates the first layer that changes the action, and evaluates the IntAct repair."
  },
  "ieeg-seizure-review-2025": {
   "id": "ieeg-seizure-review-2025",
   "title": "Deep learning in intracranial EEG for seizure detection: advances, challenges, and clinical applications",
   "title_en": "Deep learning in intracranial EEG for seizure detection: advances, challenges, and clinical applications",
   "url": "https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2025.1677898",
   "author": "Wasi Ur Rehman Qamar, Min-Ho Lee, Berdakh Abibullaev",
   "sponsored": false,
   "why": "Zbiera architektury sieci do wykrywania napadów i wyjaśnia, dlaczego fałszywe alarmy są głównym problemem.",
   "why_en": "Collects network designs for seizure detection and explains why false alarms are the main problem."
  },
  "ihbench-voice": {
   "id": "ihbench-voice",
   "title": "IHBench: odzyskiwanie toku zadania po przerwaniu agenta głosowego",
   "title_en": "IHBench: Evaluating Post-Interruption Recovery in Voice Agents with Structured Workflows",
   "url": "https://github.com/boson-ai/ihbench",
   "author": "Ahmad Salimi i współautorzy (Boson AI)",
   "sponsored": false,
   "why": "Poznasz osobne ocenianie wykonania zadania i poprawnego wznowienia rozmowy po przerwaniu agenta głosowego.",
   "why_en": "Explore separately evaluating task completion and correct conversation resumption after voice-agent interruption."
  },
  "il-contactrich-survey-2025": {
   "id": "il-contactrich-survey-2025",
   "title": "A Survey on Imitation Learning for Contact-Rich Tasks in Robotics",
   "title_en": "A Survey on Imitation Learning for Contact-Rich Tasks in Robotics",
   "url": "https://arxiv.org/abs/2506.13498",
   "author": "T. Tsuji, Y. Kato, G. Solak, H. Zhang, T. Petrič, F. Nori, A. Ajoudani",
   "sponsored": false,
   "why": "Dowiesz się, jak zbierać demonstracje z siłą i dotykiem do uczenia precyzyjnych zadań z kontaktem.",
   "why_en": "Learn how to collect force and touch demonstrations for learning precise contact tasks."
  },
  "ilse-abmil-2018": {
   "id": "ilse-abmil-2018",
   "title": "Attention-based Deep Multiple Instance Learning",
   "url": "https://arxiv.org/abs/1802.04712",
   "author": "Maximilian Ilse, Jakub M. Tomczak, Max Welling",
   "sponsored": false,
   "why": "Kluczowa praca o głębokim MIL z poolingiem uwagowym, punkt wyjścia wielu współczesnych metod.",
   "why_en": "A key paper on deep MIL with attention pooling, the starting point for many modern methods."
  },
  "in-context-scheming-2024": {
   "id": "in-context-scheming-2024",
   "title": "Frontier Models are Capable of In-context Scheming",
   "title_en": "Frontier Models are Capable of In-context Scheming",
   "url": "https://arxiv.org/abs/2412.04984",
   "author": "A. Meinke, B. Schoen, J. Scheurer, M. Balesni, R. Shah, M. Hobbhahn (Apollo Research)",
   "sponsored": false,
   "why": "Poznasz kontrolowane scenariusze badające ukrywanie zamiarów i obchodzenie nadzoru przy celach podanych modelowi w kontekście.",
   "why_en": "Explore controlled scenarios testing intent concealment and oversight evasion under goals supplied in model context."
  },
  "indirect-prompt-injection-greshake-2023": {
   "id": "indirect-prompt-injection-greshake-2023",
   "title": "Not what you've signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection",
   "title_en": "Not what you've signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection",
   "url": "https://arxiv.org/abs/2302.12173",
   "author": "K. Greshake, S. Abdelnabi, S. Mishra, C. Endres, T. Holz, M. Fritz",
   "sponsored": false,
   "why": "Zrozumiesz, jak instrukcje umieszczone w zewnętrznych danych mogą zmieniać zachowanie aplikacji językowej.",
   "why_en": "Understand how instructions placed in external data can change a language application's behaviour."
  },
  "insar-volcano-dl-2018": {
   "id": "insar-volcano-dl-2018",
   "title": "Detecting Volcano Deformation in InSAR using Deep Learning",
   "title_en": "Detecting Volcano Deformation in InSAR using Deep Learning",
   "url": "https://arxiv.org/abs/1803.00380",
   "author": "N. Anantrasirichai; F. Albino; P. Hill; D. Bull; J. Biggs",
   "sponsored": false,
   "why": "Pokazuje, jak sieć konwolucyjna przegląda tysiące interferogramów w poszukiwaniu ruchów wulkanów.",
   "why_en": "Shows how a convolutional network scans thousands of interferograms for volcanic ground motion."
  },
  "inspect-aisi-docs": {
   "id": "inspect-aisi-docs",
   "title": "Inspect: An LLM Evaluation Framework (dokumentacja)",
   "title_en": "Inspect: An LLM Evaluation Framework (documentation)",
   "url": "https://inspect.aisi.org.uk/",
   "author": "UK AI Security Institute, Meridian Labs",
   "sponsored": false,
   "why": "Przećwiczysz składanie ewaluacji z danych, solverów wykonujących zadanie i scorerów oceniających wynik.",
   "why_en": "Practise assembling evaluations from datasets, task-running solvers and result-assessing scorers."
  },
  "instructgpt-2022": {
   "id": "instructgpt-2022",
   "title": "Training language models to follow instructions with human feedback",
   "title_en": "Training language models to follow instructions with human feedback",
   "url": "https://arxiv.org/abs/2203.02155",
   "author": "Long Ouyang, Jeff Wu, Xu Jiang i in. (OpenAI)",
   "sponsored": false,
   "why": "Poznasz dostrajanie instrukcyjne przez demonstracje, ludzkie rankingi odpowiedzi i dalsze uczenie ze wzmocnieniem.",
   "why_en": "Explore instruction tuning through demonstrations, human response rankings and subsequent reinforcement learning."
  },
  "instructpix2pix-2022": {
   "id": "instructpix2pix-2022",
   "title": "InstructPix2Pix: Learning to Follow Image Editing Instructions",
   "title_en": "InstructPix2Pix: Learning to Follow Image Editing Instructions",
   "url": "https://arxiv.org/abs/2211.09800",
   "author": "Tim Brooks, Aleksander Holynski, Alexei A. Efros",
   "sponsored": false,
   "why": "Praca, która pokazała, że zdjęcie można zmieniać zwykłym poleceniem słownym.",
   "why_en": "The paper that showed a photo can be changed with a plain spoken-style instruction."
  },
  "international-ai-safety-report-2026": {
   "id": "international-ai-safety-report-2026",
   "title": "International AI Safety Report 2026",
   "title_en": "International AI Safety Report 2026",
   "url": "https://internationalaisafetyreport.org/publication/international-ai-safety-report-2026",
   "author": "Panel ponad 100 ekspertów pod przewodnictwem Yoshuy Bengio; Expert Advisory Panel z przedstawicielami 30+ państw i organizacji",
   "sponsored": false,
   "why": "Spis raportu uporządkuje zdolności modeli, ryzyka złośliwego użycia, awarii i skutków systemowych oraz metody ograniczania zagrożeń.",
   "why_en": "The report outline organises model capabilities, misuse, failure and systemic risks alongside risk-mitigation approaches."
  },
  "ip-adapter-2023": {
   "id": "ip-adapter-2023",
   "title": "IP-Adapter: Text Compatible Image Prompt Adapter for Text-to-Image Diffusion Models",
   "title_en": "IP-Adapter: Text Compatible Image Prompt Adapter for Text-to-Image Diffusion Models",
   "url": "https://arxiv.org/abs/2308.06721",
   "author": "Hu Ye, Jun Zhang, Sibo Liu, Xiao Han, Wei Yang",
   "sponsored": false,
   "why": "Pokazuje, jak podać modelowi obraz-wzór zamiast długiego opisu stylu.",
   "why_en": "Shows how to give the model a reference image instead of a long style description."
  },
  "iris3b-2026": {
   "id": "iris3b-2026",
   "title": "Iris-3B: Going Beyond the Latent with Pixel-Space Diffusion Training, Conversion and Fine-Tuning",
   "title_en": "Iris-3B: Going Beyond the Latent with Pixel-Space Diffusion Training, Conversion and Fine-Tuning",
   "url": "https://arxiv.org/abs/2610.09450",
   "author": "Hanqiu Li Cai, Chema Garabito (SperidLabs)",
   "sponsored": true,
   "why": "Zobaczysz aktualny test tezy, że piksele pomagają w zadaniach wtórnych, i negatywny wynik tego testu.",
   "why_en": "See a current test of whether pixels help downstream tasks, and that test's negative result."
  },
  "isal-what-is-alife": {
   "id": "isal-what-is-alife",
   "title": "What is Artificial Life? (International Society for Artificial Life)",
   "url": "https://alife.org/?p=3020",
   "author": "International Society for Artificial Life (ISAL)",
   "sponsored": false,
   "why": "Oficjalny opis dziedziny sztucznego życia i jej trzech nurtów od międzynarodowego stowarzyszenia.",
   "why_en": "The international society's official description of artificial life and its three strands."
  },
  "island-topology-izzo-2010": {
   "id": "island-topology-izzo-2010",
   "title": "On the Impact of the Migration Topology on the Island Model",
   "url": "https://arxiv.org/abs/1004.4541",
   "author": "Marek Ruciński, Dario Izzo, Francesco Biscani (ESA Advanced Concepts Team)",
   "sponsored": false,
   "why": "Eksperymenty pokazują, jak topologia migracji i liczba wysp zmieniają jakość i tempo równoległej ewolucji.",
   "why_en": "Experiments show how migration topology and island count change the quality and pace of parallel evolution."
  },
  "iso-iec-30107-3-2023": {
   "id": "iso-iec-30107-3-2023",
   "title": "ISO/IEC 30107-3:2023 Information technology — Biometric presentation attack detection — Part 3: Testing and reporting",
   "title_en": "ISO/IEC 30107-3:2023 Information technology — Biometric presentation attack detection — Part 3: Testing and reporting",
   "url": "https://www.iso.org/standard/79520.html",
   "author": "ISO/IEC JTC 1/SC 37",
   "sponsored": false,
   "why": "Wskazuje normę, według której testuje się odporność weryfikacji twarzy na zdjęcia, maski i nagrania.",
   "why_en": "Points to the standard used to test how face checks withstand photos, masks and replays."
  },
  "iso-iec-42001-2023": {
   "id": "iso-iec-42001-2023",
   "title": "ISO/IEC 42001:2023 — system zarządzania sztuczną inteligencją",
   "title_en": "ISO/IEC 42001:2023 — Artificial intelligence management system",
   "url": "https://www.iso.org/standard/42001",
   "author": "ISO/IEC",
   "sponsored": false,
   "why": "Poznasz zakres normy dotyczącej ustanowienia, utrzymania i doskonalenia organizacyjnego systemu zarządzania AI.",
   "why_en": "Explore the standard's scope for establishing, maintaining and improving an organisational AI management system."
  },
  "iso21448-2022": {
   "id": "iso21448-2022",
   "title": "ISO 21448:2022 Road vehicles — Safety of the intended functionality",
   "title_en": "ISO 21448:2022 Road vehicles — Safety of the intended functionality",
   "url": "https://www.iso.org/standard/77490.html",
   "author": "ISO/TC 22/SC 32",
   "sponsored": false,
   "why": "Wyjaśnia, czym jest bezpieczeństwo auta, gdy nic się nie psuje, ale system czegoś nie rozumie.",
   "why_en": "Explains what car safety means when nothing breaks but the system misunderstands something."
  },
  "jailbroken-wei-2023": {
   "id": "jailbroken-wei-2023",
   "title": "Jailbroken: How Does LLM Safety Training Fail?",
   "title_en": "Jailbroken: How Does LLM Safety Training Fail?",
   "url": "https://arxiv.org/abs/2307.02483",
   "author": "A. Wei, N. Haghtalab, J. Steinhardt",
   "sponsored": false,
   "why": "Zrozumiesz analizę porażek treningu bezpieczeństwa wynikających z konkurujących celów i niedopasowanej generalizacji.",
   "why_en": "Understand safety-training failures analysed through competing objectives and mismatched generalisation."
  },
  "jamba-2024": {
   "id": "jamba-2024",
   "title": "Jamba: A Hybrid Transformer-Mamba Language Model",
   "title_en": "Jamba: A Hybrid Transformer-Mamba Language Model",
   "url": "https://arxiv.org/abs/2403.19887",
   "author": "Opher Lieber, Barak Lenz, Hofit Bata i in. (AI21 Labs)",
   "sponsored": true,
   "why": "Poznasz architekturę przeplatającą uwagę i modele przestrzeni stanów z warstwami ekspertów.",
   "why_en": "Explore an architecture interleaving attention and state-space models with expert layers."
  },
  "jangra-hintgen-survey-2024": {
   "id": "jangra-hintgen-survey-2024",
   "title": "Navigating the Landscape of Hint Generation Research: From the Past to the Future",
   "title_en": "Navigating the Landscape of Hint Generation Research: From the Past to the Future",
   "url": "https://arxiv.org/abs/2404.04728",
   "author": "Anubhav Jangra, Jamshid Mozafari, Adam Jatowt, Smaranda Muresan",
   "sponsored": false,
   "why": "Łączy badania edukacyjne i prace z AI nad podpowiedziami oraz definiuje to zadanie.",
   "why_en": "Connects education research and AI work on hints and defines the task."
  },
  "janowicz-geoai-2020": {
   "id": "janowicz-geoai-2020",
   "title": "GeoAI: spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond",
   "url": "https://people.geog.ucsb.edu/~jano/GeoAI_editorial_19.pdf",
   "author": "Krzysztof Janowicz, Song Gao, Grant McKenzie, Yingjie Hu, Budhendra Bhaduri",
   "sponsored": false,
   "why": "Definiuje GeoAI i wyjaśnia, kiedy model AI naprawdę uwzględnia przestrzeń.",
   "why_en": "Defines GeoAI and explains when an AI model genuinely takes space into account."
  },
  "jean-poverty-2016-news": {
   "id": "jean-poverty-2016-news",
   "title": "Combining satellite imagery and machine learning to predict poverty",
   "title_en": "Combining satellite imagery and machine learning to predict poverty",
   "url": "https://www.science.org/doi/10.1126/science.aaf7894",
   "author": "Neal Jean; Marshall Burke; Michael Xie; W. Matthew Alampay Davis; David B. Lobell; Stefano Ermon",
   "sponsored": false,
   "why": "Przystępnie opisuje pomysł łączenia zdjęć dziennych, świateł nocnych i ankiet do mapowania ubóstwa.",
   "why_en": "Accessibly explains combining daytime images, night lights and surveys to map poverty."
  },
  "jeong-winclip-2023": {
   "id": "jeong-winclip-2023",
   "title": "WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation",
   "url": "https://arxiv.org/abs/2303.14814",
   "author": "Jongheon Jeong, Yang Zou, Taewan Kim, Dongqing Zhang, Avinash Ravichandran, Onkar Dabeer",
   "sponsored": false,
   "why": "Pokazuje, jak model łączący obraz i tekst wykrywa wady bez uczenia na danym produkcie.",
   "why_en": "Shows how a model joining images and text detects defects without training on the product."
  },
  "jepaanything-arxiv-2026": {
   "id": "jepaanything-arxiv-2026",
   "title": "JEPA-Anything: Learning Predictive Models across Different Worlds",
   "title_en": "JEPA-Anything: Learning Predictive Models across Different Worlds",
   "url": "https://arxiv.org/abs/2609.20800",
   "author": "Taoyong Cui, Zhongyao Wang, Xinyue Xu, Weiyang Liu et al. (PhAI Labs i współpracownicy)",
   "sponsored": false,
   "why": "Poznasz nową, domenowo-agnostyczną metodę budowania predykcyjnych modeli świata opartą na JEPA.",
   "why_en": "Learn about a new domain-agnostic method for building predictive world models based on JEPA."
  },
  "jiang-lilac-llm-log-parsing-2024": {
   "id": "jiang-lilac-llm-log-parsing-2024",
   "title": "LILAC: Log Parsing using LLMs with Adaptive Parsing Cache",
   "title_en": "LILAC: Log Parsing using LLMs with Adaptive Parsing Cache",
   "url": "https://arxiv.org/abs/2310.01796",
   "author": "Zhihan Jiang, Jinyang Liu, Zhuangbin Chen, Yichen Li, Junjie Huang, Yintong Huo, Pinjia He, Jiazhen Gu, Michael R. Lyu",
   "sponsored": false,
   "why": "Pokazuje, jak użyć modelu językowego do parsowania logów tanio i spójnie dzięki pamięci szablonów.",
   "why_en": "Shows how to use a language model for log parsing cheaply and consistently with a template cache."
  },
  "jin-softwaregym-2026": {
   "id": "jin-softwaregym-2026",
   "title": "SoftwareGym: Scaling Computer-Use Agent Training with Diverse Synthesized Software Environments",
   "title_en": "SoftwareGym: Scaling Computer-Use Agent Training with Diverse Synthesized Software Environments",
   "url": "https://arxiv.org/abs/2610.12611",
   "author": "Tian Jin; Wenhao Wang; Jing Kang; Haoting Shi; Rui Ye; Yijun Lu; Siheng Chen",
   "sponsored": false,
   "why": "Pierwotny opis pipeline syntezy środowisk GUI i transferu do OSWorld dla treningu agentów.",
   "why_en": "Primary description of the GUI environment synthesis pipeline and transfer to OSWorld for agent training."
  },
  "jin-surrogate-2011": {
   "id": "jin-surrogate-2011",
   "title": "Surrogate-assisted evolutionary computation: Recent advances and future challenges",
   "url": "https://doi.org/10.1016/j.swevo.2011.05.001",
   "author": "Yaochu Jin",
   "sponsored": false,
   "why": "Przegląd, jak przyspieszyć ewolucję, gdy każda ocena rozwiązania jest bardzo kosztowna.",
   "why_en": "A review of how to speed up evolution when each solution evaluation is very costly."
  },
  "jurafsky-martin-slp3": {
   "id": "jurafsky-martin-slp3",
   "title": "Speech and Language Processing (wyd. 3, szkic) — spis treści",
   "title_en": "Speech and Language Processing (3rd ed. draft) — table of contents",
   "url": "https://web.stanford.edu/~jurafsky/slp3/",
   "author": "Daniel Jurafsky, James H. Martin",
   "sponsored": false,
   "why": "Pokazuje, jak standardowy podręcznik dzieli dziś przetwarzanie języka w erze dużych modeli.",
   "why_en": "Shows how the standard textbook now divides language processing in the era of large models."
  },
  "jurayj-tax-logic-programs-2025": {
   "id": "jurayj-tax-logic-programs-2025",
   "title": "Language Models and Logic Programs for Trustworthy Tax Reasoning",
   "url": "https://arxiv.org/abs/2508.21051",
   "author": "William Jurayj, Nils Holzenberger, Benjamin Van Durme",
   "sponsored": false,
   "why": "Pokazuje, jak połączenie modelu językowego z solverem logicznym daje pewniejsze rozliczenia podatkowe.",
   "why_en": "Shows how pairing a language model with a logic solver yields more reliable tax calculations."
  },
  "kaelbling-pomdp-1998": {
   "id": "kaelbling-pomdp-1998",
   "title": "Planning and acting in partially observable stochastic domains",
   "title_en": "Planning and acting in partially observable stochastic domains",
   "url": "https://doi.org/10.1016/S0004-3702(98)00023-X",
   "author": "Leslie Pack Kaelbling, Michael L. Littman, Anthony R. Cassandra",
   "sponsored": false,
   "why": "Zobaczysz, jak agent bez pełnego widoku świata prowadzi rozkład prawdopodobieństwa nad stanami i dlaczego dokładne planowanie w takich zadaniach jest tak kosztowne.",
   "why_en": "See how an agent without a full view of the world keeps a probability distribution over states, and why exact planning in such tasks is so costly."
  },
  "kalamkar-bfloat16-2019": {
   "id": "kalamkar-bfloat16-2019",
   "title": "A Study of BFLOAT16 for Deep Learning Training",
   "title_en": "A Study of BFLOAT16 for Deep Learning Training",
   "url": "https://arxiv.org/abs/1905.12322",
   "author": "Dhiraj Kalamkar, Dheevatsa Mudigere, Naveen Mellempudi i in.",
   "sponsored": false,
   "why": "Dowiesz się, jak format o szerokim zakresie i mniejszej precyzji sprawdza się w treningu różnych sieci.",
   "why_en": "Learn how a wide-range, reduced-precision format performs when training different networks."
  },
  "kalamkar-indian-legal-ner-2022": {
   "id": "kalamkar-indian-legal-ner-2022",
   "title": "Named Entity Recognition in Indian court judgments",
   "url": "https://arxiv.org/abs/2211.03442",
   "author": "Prathamesh Kalamkar, Astha Agarwal, Aman Tiwari, Smita Gupta, Saurabh Karn, Vivek Raghavan",
   "sponsored": false,
   "why": "Pokazuje, jakie rodzaje nazw rozpoznaje się w wyrokach i dlaczego ogólne kategorie nie wystarczają.",
   "why_en": "Shows which kinds of names are recognised in rulings and why general categories are not enough."
  },
  "kalamkar-legal-structuring-2022": {
   "id": "kalamkar-legal-structuring-2022",
   "title": "Corpus for Automatic Structuring of Legal Documents",
   "url": "https://arxiv.org/abs/2201.13125",
   "author": "Prathamesh Kalamkar, Aman Tiwari, Astha Agarwal, Saurabh Karn, Smita Gupta, Vivek Raghavan, Ashutosh Modi",
   "sponsored": false,
   "why": "Pokazuje, na jakie części dzieli się wyrok i jak model uczy się je rozpoznawać.",
   "why_en": "Shows which parts a judgment is divided into and how a model learns to recognise them."
  },
  "kambhampati2024llmmodulo": {
   "id": "kambhampati2024llmmodulo",
   "title": "LLMs Can't Plan, But Can Help Planning in LLM-Modulo Frameworks",
   "title_en": "LLMs Can't Plan, But Can Help Planning in LLM-Modulo Frameworks",
   "url": "https://arxiv.org/abs/2402.01817",
   "author": "Subbarao Kambhampati, Karthik Valmeekam, Lin Guan, Mudit Verma, Kaya Stechly, Siddhant Bhambri, Lucas Saldyt, Anil Murthy",
   "sponsored": false,
   "why": "Poznasz stanowisko proponujące łączenie modelu językowego z zewnętrznymi weryfikatorami do planowania.",
   "why_en": "Explore a position proposing language models combined with external verifiers for planning."
  },
  "kansal-selfdirection-2026": {
   "id": "kansal-selfdirection-2026",
   "title": "Don't Forget What You Just Learned: Self-Directed Repair Turns Agent Mistakes Into Lasting Lessons",
   "title_en": "Don't Forget What You Just Learned: Self-Directed Repair Turns Agent Mistakes Into Lasting Lessons",
   "url": "https://arxiv.org/abs/2610.31846",
   "author": "Yuval Kansal, Karen Ullrich, Polina Kirichenko, Ilia Kulikov, Niraj K. Jha, Mohammad Pezeshki, Mark Ibrahim",
   "sponsored": false,
   "why": "Poznasz, jak agent destyluje lekcję z błędnej trajektorii do adaptera LoRA i trzyma ją w bibliotece.",
   "why_en": "Learn how an agent distils a lesson from a failed trajectory into a LoRA adapter and stores it in a library."
  },
  "kaplan-scaling-2020": {
   "id": "kaplan-scaling-2020",
   "title": "Scaling Laws for Neural Language Models",
   "title_en": "Scaling Laws for Neural Language Models",
   "url": "https://arxiv.org/abs/2001.08361",
   "author": "Jared Kaplan, Sam McCandlish, Tom Henighan i in. (OpenAI)",
   "sponsored": false,
   "why": "Zrozumiesz empiryczne zależności między stratą modelu językowego, rozmiarem danych, parametrami i budżetem obliczeń.",
   "why_en": "Understand empirical relationships between language-model loss, data volume, parameters and compute budgets."
  },
  "kapoor-leakage-2022": {
   "id": "kapoor-leakage-2022",
   "title": "Leakage and the Reproducibility Crisis in ML-based Science",
   "title_en": "Leakage and the Reproducibility Crisis in ML-based Science",
   "url": "https://arxiv.org/abs/2207.07048",
   "author": "Sayash Kapoor, Arvind Narayanan",
   "sponsored": false,
   "why": "Poznasz typy wycieku danych i ich wpływ na odtwarzalność wyników naukowych opartych na uczeniu maszynowym.",
   "why_en": "Explore data-leakage types and their effects on reproducibility in machine-learning-based science."
  },
  "kapoor-legal-ai-pitfalls-2024": {
   "id": "kapoor-legal-ai-pitfalls-2024",
   "title": "Promises and pitfalls of artificial intelligence for legal applications",
   "url": "https://arxiv.org/abs/2402.01656",
   "author": "Sayash Kapoor, Peter Henderson, Arvind Narayanan",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego najbardziej obiecujące zastosowania AI w prawie najtrudniej rzetelnie sprawdzić.",
   "why_en": "Explains why the most promising legal AI uses are the hardest to evaluate reliably."
  },
  "kapteyn-pgm-digital-twins-2021": {
   "id": "kapteyn-pgm-digital-twins-2021",
   "title": "A Probabilistic Graphical Model Foundation for Enabling Predictive Digital Twins at Scale",
   "url": "https://arxiv.org/abs/2012.05841",
   "author": "Michael G. Kapteyn, Jacob V. R. Pretorius, Karen E. Willcox",
   "sponsored": false,
   "why": "Pokazuje, jak matematycznie opisać ciągłe aktualizowanie bliźniaka danymi z czujników.",
   "why_en": "Shows how to describe mathematically the continuous updating of a twin with sensor data."
  },
  "karpathy-minbpe": {
   "id": "karpathy-minbpe",
   "title": "minbpe — minimalna implementacja BPE na bajtach",
   "title_en": "minbpe — minimal byte-level BPE",
   "url": "https://github.com/karpathy/minbpe",
   "author": "Andrej Karpathy",
   "sponsored": false,
   "why": "Prześledzisz minimalną implementację tokenizacji bajtowej, trening słownika i obsługę tokenów specjalnych.",
   "why_en": "Follow a minimal byte-tokenisation implementation, vocabulary training and special-token handling."
  },
  "karpathy-zero-to-hero": {
   "id": "karpathy-zero-to-hero",
   "title": "Neural Networks: Zero to Hero (repozytorium kursu)",
   "title_en": "Neural Networks: Zero to Hero (course repository)",
   "url": "https://github.com/karpathy/nn-zero-to-hero",
   "author": "Andrej Karpathy",
   "sponsored": false,
   "why": "Zbudujesz kolejne elementy sieci: propagację gradientów, perceptron, normalizację, transformer i tokenizer.",
   "why_en": "Build successive network components: gradient propagation, perceptrons, normalisation, transformers and tokenisers."
  },
  "karras-stylegan-2018": {
   "id": "karras-stylegan-2018",
   "title": "A Style-Based Generator Architecture for Generative Adversarial Networks",
   "title_en": "A Style-Based Generator Architecture for Generative Adversarial Networks",
   "url": "https://arxiv.org/abs/1812.04948",
   "author": "Tero Karras, Samuli Laine, Timo Aila",
   "sponsored": false,
   "why": "Zobaczysz, jak generator rozdziela ogólne cechy obrazu od drobnych, losowych szczegółów.",
   "why_en": "See how a generator separates an image's broad attributes from small random details."
  },
  "ke-ng-aes-survey-2019": {
   "id": "ke-ng-aes-survey-2019",
   "title": "Automated Essay Scoring: A Survey of the State of the Art",
   "title_en": "Automated Essay Scoring: A Survey of the State of the Art",
   "url": "https://www.ijcai.org/proceedings/2019/0879.pdf",
   "author": "Zixuan Ke, Vincent Ng",
   "sponsored": false,
   "why": "Porządkuje metody automatycznej oceny wypracowań, zbiory danych i otwarte problemy sprzed ery dużych modeli.",
   "why_en": "Organises automated essay scoring methods, datasets and open problems from before the large-model era."
  },
  "kestin-ai-tutor-2025": {
   "id": "kestin-ai-tutor-2025",
   "title": "AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting",
   "title_en": "AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting",
   "url": "https://www.nature.com/articles/s41598-025-97652-6",
   "author": "Greg Kestin, Kelly Miller, Anna Klales, Timothy Milbourne, Gregorio Ponti",
   "sponsored": false,
   "why": "Pokazuje, jak zbudowano tutora AI, który w badaniu dał większy przyrost wiedzy niż zajęcia w sali.",
   "why_en": "Shows how an AI tutor was built that produced larger learning gains than a classroom session in a trial."
  },
  "keystroke-dynamics-survey-2023": {
   "id": "keystroke-dynamics-survey-2023",
   "title": "Keystroke Dynamics: Concepts, Techniques, and Applications",
   "title_en": "Keystroke Dynamics: Concepts, Techniques, and Applications",
   "url": "https://arxiv.org/abs/2303.04605",
   "author": "Rashik Shadman, Ahmed Anu Wahab, Michael Manno, Matthew Lukaszewski, Daqing Hou, Faraz Hussain",
   "sponsored": false,
   "why": "Wyjaśnia, jakie cechy pisania rozpoznają użytkownika i dlaczego bywają zawodne.",
   "why_en": "Explains which typing features identify a user and why they can be unreliable."
  },
  "kim-rush-seqkd-2016": {
   "id": "kim-rush-seqkd-2016",
   "title": "Sequence-Level Knowledge Distillation",
   "title_en": "Sequence-Level Knowledge Distillation",
   "url": "https://arxiv.org/abs/1606.07947",
   "author": "Yoon Kim, Alexander M. Rush",
   "sponsored": false,
   "why": "Poznasz destylację całych sekwencji odpowiedzi i jej zastosowanie do uproszczenia dekodowania tłumaczeń.",
   "why_en": "Explore distillation of complete response sequences and its use in simplifying translation decoding."
  },
  "kingma-glow-2018": {
   "id": "kingma-glow-2018",
   "title": "Glow: Generative Flow with Invertible 1x1 Convolutions",
   "title_en": "Glow: Generative Flow with Invertible 1x1 Convolutions",
   "url": "https://arxiv.org/abs/1807.03039",
   "author": "Diederik P. Kingma, Prafulla Dhariwal",
   "sponsored": false,
   "why": "Zrozumiesz, jak odwracalne warstwy dają dokładne prawdopodobieństwo i pozwalają generować duże obrazy.",
   "why_en": "Understand how invertible layers give exact likelihood and allow generating large images."
  },
  "kirillov-panoptic-2018": {
   "id": "kirillov-panoptic-2018",
   "title": "Panoptic Segmentation",
   "title_en": "Panoptic Segmentation",
   "url": "https://arxiv.org/abs/1801.00868",
   "author": "Alexander Kirillov, Kaiming He, Ross Girshick, Carsten Rother, Piotr Dollár",
   "sponsored": false,
   "why": "Rozróżnisz segmentację semantyczną, instancji i panoptyczną oraz poznasz miarę oceny wspólnego zadania.",
   "why_en": "Distinguish semantic, instance and panoptic segmentation and explore a metric for the combined task."
  },
  "kirillov-sam-2023": {
   "id": "kirillov-sam-2023",
   "title": "Segment Anything",
   "title_en": "Segment Anything",
   "url": "https://arxiv.org/abs/2304.02643",
   "author": "Alexander Kirillov, Eric Mintun, Nikhila Ravi, Hanzi Mao, Chloe Rolland i in. (Meta AI)",
   "sponsored": false,
   "why": "Dowiesz się, jak model segmentacji reaguje na wskazania i przenosi się na nowe obrazy.",
   "why_en": "Learn how a segmentation model responds to prompts and transfers to new images."
  },
  "klemmer-satclip-2023": {
   "id": "klemmer-satclip-2023",
   "title": "SatCLIP: Global, General-Purpose Location Embeddings with Satellite Imagery",
   "url": "https://arxiv.org/abs/2311.17179",
   "author": "Konstantin Klemmer, Esther Rolf, Caleb Robinson, Lester Mackey, Marc Rußwurm",
   "sponsored": false,
   "why": "Pokazuje, jak nauczyć sieć opisywać dowolne miejsce na Ziemi wektorem dzięki zdjęciom satelitarnym.",
   "why_en": "Shows how a network learns to describe any place on Earth as a vector using satellite images."
  },
  "knowledge-editing-study-2024": {
   "id": "knowledge-editing-study-2024",
   "title": "A Comprehensive Study of Knowledge Editing for Large Language Models",
   "title_en": "A Comprehensive Study of Knowledge Editing for Large Language Models",
   "url": "https://arxiv.org/abs/2401.01286",
   "author": "Ningyu Zhang, Yunzhi Yao, Bozhong Tian i in.",
   "sponsored": false,
   "why": "Porównasz edycję wewnętrznych wag, wprowadzanie nowej wiedzy i korzystanie z zewnętrznej pamięci modelu.",
   "why_en": "Compare internal-weight editing, knowledge insertion and use of external model memory."
  },
  "koh-liang-2017-influence": {
   "id": "koh-liang-2017-influence",
   "title": "Understanding Black-box Predictions via Influence Functions",
   "url": "https://arxiv.org/abs/1703.04730",
   "author": "Pang Wei Koh, Percy Liang",
   "sponsored": false,
   "why": "Klasyczny artykuł wprowadzający funkcje wpływu do uczenia maszynowego i ich praktyczne zastosowania.",
   "why_en": "The classic paper bringing influence functions to machine learning, with practical uses."
  },
  "kohavi-experiments-2020": {
   "id": "kohavi-experiments-2020",
   "title": "Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing",
   "title_en": "Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing",
   "url": "https://experimentguide.com/",
   "author": "Ron Kohavi, Diane Tang, Ya Xu",
   "sponsored": false,
   "why": "Poznasz projektowanie testów A/B, wybór głównej miary, metryki ochronne i pułapki interpretacji eksperymentów.",
   "why_en": "Explore A/B-test design, primary-metric selection, guardrail metrics and experiment-interpretation pitfalls."
  },
  "kojima-zeroshot-cot-2022": {
   "id": "kojima-zeroshot-cot-2022",
   "title": "Large Language Models are Zero-Shot Reasoners",
   "title_en": "Large Language Models are Zero-Shot Reasoners",
   "url": "https://arxiv.org/abs/2205.11916",
   "author": "Takeshi Kojima, Shixiang Shane Gu, Machel Reid, Yutaka Matsuo, Yusuke Iwasawa",
   "sponsored": false,
   "why": "Poznasz eksperymenty, w których zachęta do rozumowania krokowego zmienia wyniki bez przykładów w prompcie.",
   "why_en": "Explore experiments where stepwise-reasoning prompts change results without providing examples."
  },
  "koreeda-contractnli-2021": {
   "id": "koreeda-contractnli-2021",
   "title": "ContractNLI: A Dataset for Document-level Natural Language Inference for Contracts",
   "url": "https://arxiv.org/abs/2110.01799",
   "author": "Yuta Koreeda, Christopher D. Manning",
   "sponsored": false,
   "why": "Definiuje zadanie sprawdzania twierdzeń o umowie ze wskazaniem dowodu w tekście.",
   "why_en": "Defines the task of checking statements about a contract while pointing to evidence in the text."
  },
  "krell-2021-packing": {
   "id": "krell-2021-packing",
   "title": "Efficient Sequence Packing without Cross-contamination: Accelerating Large Language Models without Impacting Performance",
   "url": "https://arxiv.org/abs/2107.02027",
   "author": "Mario Michael Krell, Matej Kosec, Sergio P. Perez, Andrew Fitzgibbon",
   "sponsored": false,
   "why": "Pokazuje, ile obliczeń marnuje padding i jak pakować przykłady bez przecieku między nimi.",
   "why_en": "Shows how much compute padding wastes and how to pack examples without cross-contamination."
  },
  "kristensen-burelli-churn-2022": {
   "id": "kristensen-burelli-churn-2022",
   "title": "Combining Sequential and Aggregated Data for Churn Prediction in Casual Freemium Games",
   "url": "https://arxiv.org/abs/2209.03184",
   "author": "Jeppe Theiss Kristensen, Paolo Burelli",
   "sponsored": false,
   "why": "Pokazuje, jak łączyć historię sesji z podsumowaniami, by przewidzieć, że gracz porzuci grę.",
   "why_en": "Shows how to combine session history with summary features to predict that a player will quit."
  },
  "kritzinger-digital-twin-2018": {
   "id": "kritzinger-digital-twin-2018",
   "title": "Digital Twin in manufacturing: A categorical literature review and classification",
   "url": "https://www.sciencedirect.com/science/article/pii/S2405896318316021",
   "author": "Werner Kritzinger, Matthias Karner, Georg Traar, Jan Henjes, Wilfried Sihn",
   "sponsored": false,
   "why": "Rozróżnia model cyfrowy, cyfrowy cień i pełny cyfrowy bliźniak według kierunku i automatyzacji przepływu danych.",
   "why_en": "Distinguishes a digital model, digital shadow and full digital twin by the direction and automation of data exchange."
  },
  "kschischang-factorgraphs-2001": {
   "id": "kschischang-factorgraphs-2001",
   "title": "Kschischang, Frey, Loeliger · Factor Graphs and the Sum-Product Algorithm",
   "title_en": "Kschischang, Frey & Loeliger · Factor Graphs and the Sum-Product Algorithm",
   "url": "https://doi.org/10.1109/18.910572",
   "author": "Frank R. Kschischang, Brendan J. Frey, Hans-Andrea Loeliger",
   "sponsored": false,
   "why": "Pokazuje, że wiele znanych algorytmów to jeden schemat przekazywania wiadomości na grafie czynników.",
   "why_en": "Shows that many well-known algorithms are one message-passing scheme on a factor graph."
  },
  "kserve-kpa-autoscaling": {
   "id": "kserve-kpa-autoscaling",
   "title": "Autoscaling with Knative Pod Autoscaler — dokumentacja KServe",
   "title_en": "Autoscaling with Knative Pod Autoscaler — KServe docs",
   "url": "https://kserve.github.io/website/docs/model-serving/predictive-inference/autoscaling/kpa-autoscaler",
   "author": "KServe (CNCF)",
   "sponsored": true,
   "why": "Dowiesz się, jak metryki ruchu sterują skalowaniem usługi modelu i jakie koszty powoduje zimny start.",
   "why_en": "Learn how traffic metrics control model-service scaling and what costs cold starts introduce."
  },
  "kuckreja-geochat-2023": {
   "id": "kuckreja-geochat-2023",
   "title": "GeoChat: Grounded Large Vision-Language Model for Remote Sensing",
   "url": "https://arxiv.org/abs/2311.15826",
   "author": "Kartik Kuckreja, Muhammad Sohail Danish, Muzammal Naseer, Abhijit Das, Salman Khan, Fahad Shahbaz Khan",
   "sponsored": false,
   "why": "Przykład, jak z ogólnego modelu wizja–język robi się asystenta do zdjęć satelitarnych i gdzie zawodzi.",
   "why_en": "Shows how a general vision-language model becomes a satellite-image assistant, and where it fails."
  },
  "lacomis-dire-2019": {
   "id": "lacomis-dire-2019",
   "title": "DIRE: A Neural Approach to Decompiled Identifier Naming",
   "title_en": "DIRE: A Neural Approach to Decompiled Identifier Naming",
   "url": "https://arxiv.org/abs/1909.09029",
   "author": "Jeremy Lacomis, Pengcheng Yin, Edward J. Schwartz, Miltiadis Allamanis, Claire Le Goues, Graham Neubig, Bogdan Vasilescu",
   "sponsored": false,
   "why": "Wprowadza pomysł uczenia modelu odgadywania nazw zmiennych na kodzie skompilowanym i zdekompilowanym.",
   "why_en": "Introduces training a model to guess variable names on compiled-then-decompiled code."
  },
  "laion-clap-2022": {
   "id": "laion-clap-2022",
   "title": "Large-scale Contrastive Language-Audio Pretraining with Feature Fusion and Keyword-to-Caption Augmentation (CLAP)",
   "title_en": "Large-scale Contrastive Language-Audio Pretraining with Feature Fusion and Keyword-to-Caption Augmentation (CLAP)",
   "url": "https://arxiv.org/abs/2211.06687",
   "author": "Yusong Wu, Ke Chen, Tianyu Zhang, Yuchen Hui, Marianna Nezhurina, Taylor Berg-Kirkpatrick, Shlomo Dubnov",
   "sponsored": false,
   "why": "Pokazuje, jak nauczyć model łączenia dźwięków z ich słownymi opisami.",
   "why_en": "Shows how to teach a model to match sounds with their written descriptions."
  },
  "lam-llm-contract-drafting-2023": {
   "id": "lam-llm-contract-drafting-2023",
   "title": "Applying Large Language Models for Enhancing Contract Drafting",
   "url": "https://ceur-ws.org/Vol-3423/paper7.pdf",
   "author": "Kwok-Yan Lam, Victor C. W. Cheng, Zee Kin Yeong",
   "sponsored": false,
   "why": "Pokazuje, jak generować klauzule i automatycznie sprawdzać, czego w nich brakuje względem wzorców.",
   "why_en": "Shows how to generate clauses and automatically check what they lack compared with precedents."
  },
  "landauer-log-anomaly-survey-2022": {
   "id": "landauer-log-anomaly-survey-2022",
   "title": "Deep Learning for Anomaly Detection in Log Data: A Survey",
   "title_en": "Deep Learning for Anomaly Detection in Log Data: A Survey",
   "url": "https://arxiv.org/abs/2207.03820",
   "author": "Max Landauer, Sebastian Onder, Florian Skopik, Markus Wurzenberger",
   "sponsored": false,
   "why": "Przegląda metody głębokiego uczenia dla logów i pokazuje, dlaczego ich wyniki trudno porównać.",
   "why_en": "Reviews deep learning methods for logs and shows why their results are hard to compare."
  },
  "lang-canopy-height-2023": {
   "id": "lang-canopy-height-2023",
   "title": "A high-resolution canopy height model of the Earth",
   "url": "https://arxiv.org/abs/2204.08322",
   "author": "Nico Lang, Walter Jetz, Konrad Schindler, Jan Dirk Wegner",
   "sponsored": false,
   "why": "Pokazuje, jak z rzadkich pomiarów laserowych i zdjęć satelitarnych powstała globalna mapa wysokości drzew.",
   "why_en": "Shows how a global tree-height map was built from sparse laser measurements and satellite images."
  },
  "langfuse-prompt-management": {
   "id": "langfuse-prompt-management",
   "title": "Open Source Prompt Management — Langfuse",
   "title_en": "Open Source Prompt Management — Langfuse",
   "url": "https://langfuse.com/docs/prompt-management/overview",
   "author": "Langfuse",
   "sponsored": true,
   "why": "Poznasz wersjonowanie promptów poza kodem, etykiety wdrożonych wersji i powiązanie zmian ze śladami wykonania.",
   "why_en": "Explore prompt versioning outside code, deployed-version labels and linking changes to execution traces."
  },
  "latent-diffusion-2021": {
   "id": "latent-diffusion-2021",
   "title": "High-Resolution Image Synthesis with Latent Diffusion Models",
   "title_en": "High-Resolution Image Synthesis with Latent Diffusion Models",
   "url": "https://arxiv.org/abs/2112.10752",
   "author": "Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, Björn Ommer",
   "sponsored": false,
   "why": "Zrozumiesz generowanie obrazów przez dyfuzję w przestrzeni autoenkodera i warunkowanie mechanizmem cross-attention.",
   "why_en": "Understand image generation through diffusion in autoencoder space and cross-attention conditioning."
  },
  "laurer-2023-nli-universal-classifiers": {
   "id": "laurer-2023-nli-universal-classifiers",
   "title": "Building Efficient Universal Classifiers with Natural Language Inference",
   "title_en": "Building Efficient Universal Classifiers with Natural Language Inference",
   "url": "https://arxiv.org/html/2312.17543v2",
   "author": "Moritz Laurer, Wouter van Atteveldt, Andreu Casas, Kasper Welbers",
   "sponsored": false,
   "why": "Krok po kroku pokazuje, jak zamienić sprawdzanie wynikania zdań w klasyfikator do dowolnych kategorii.",
   "why_en": "Shows step by step how to turn sentence-entailment checking into a classifier for any categories."
  },
  "lawrence-ml-industrial-sensing-control-2024": {
   "id": "lawrence-ml-industrial-sensing-control-2024",
   "title": "Machine learning for industrial sensing and control: A survey and practical perspective",
   "url": "https://arxiv.org/abs/2401.13836",
   "author": "Nathan P. Lawrence, Seshu Kumar Damarla, Jong Woo Kim, Aditya Tulsyan, Faraz Amjad, Kai Wang, Benoit Chachuat, Jong Min Lee, Biao Huang, R. Bhushan Gopaluni",
   "sponsored": false,
   "why": "Przegląd tego, co z uczenia maszynowego naprawdę działa w pomiarach i sterowaniu instalacji przemysłowych.",
   "why_en": "Reviews which machine learning methods actually work for sensing and control in industrial plants."
  },
  "layernorm-2016": {
   "id": "layernorm-2016",
   "title": "Layer Normalization",
   "title_en": "Layer Normalization",
   "url": "https://arxiv.org/abs/1607.06450",
   "author": "Jimmy Lei Ba, Jamie Ryan Kiros, Geoffrey E. Hinton",
   "sponsored": false,
   "why": "Dowiesz się, jak normalizacja pojedynczego przykładu różni się od używania statystyk całej partii.",
   "why_en": "Learn how normalising individual examples differs from using whole-batch statistics."
  },
  "layoutlmv3-2022": {
   "id": "layoutlmv3-2022",
   "title": "LayoutLMv3: Pre-training for Document AI with Unified Text and Image Masking",
   "title_en": "LayoutLMv3: Pre-training for Document AI with Unified Text and Image Masking",
   "url": "https://arxiv.org/abs/2204.08387",
   "author": "Yupan Huang, Tengchao Lv, Lei Cui, Yutong Lu, Furu Wei (Microsoft Research)",
   "sponsored": true,
   "why": "Wyjaśnia, jak model łączy tekst, jego położenie na stronie i obraz, by rozumieć formularze i paragony.",
   "why_en": "Explains how a model combines text, its page position and the image to understand forms and receipts."
  },
  "lazer-agentic-ai-cybersecurity-2026": {
   "id": "lazer-agentic-ai-cybersecurity-2026",
   "title": "A Survey of Agentic AI and Cybersecurity: Challenges, Opportunities and Use-case Prototypes",
   "title_en": "A Survey of Agentic AI and Cybersecurity: Challenges, Opportunities and Use-case Prototypes",
   "url": "https://arxiv.org/abs/2601.05293",
   "author": "Sahaya Jestus Lazer, Kshitiz Aryal, Maanak Gupta, Elisa Bertino",
   "sponsored": false,
   "why": "Wyjaśnia, jak agenci AI zmieniają zarówno obronę, jak i ataki w cyberprzestrzeni.",
   "why_en": "Explains how AI agents are changing both cyber defence and cyber attacks."
  },
  "leaderboard-illusion-2025": {
   "id": "leaderboard-illusion-2025",
   "title": "The Leaderboard Illusion",
   "title_en": "The Leaderboard Illusion",
   "url": "https://arxiv.org/abs/2504.20879",
   "author": "Shivalika Singh, Yiyang Nan, Alex Wang, Daniel D'Souza, Sayash Kapoor, Ahmet Üstün, Sanmi Koyejo, Yuntian Deng, Shayne Longpre, Noah A. Smith, Beyza Ermis, Marzieh Fadaee, Sara Hooker",
   "sponsored": false,
   "why": "Poznasz analizę wpływu prywatnych testów, selektywnej publikacji i nierównego dostępu do danych na rankingi modeli.",
   "why_en": "Explore analysis of private testing, selective publication and unequal data access affecting model leaderboards."
  },
  "lean-reference-kernel": {
   "id": "lean-reference-kernel",
   "title": "Dokumentacja Lean — jądro i sprawdzanie termów dowodowych",
   "title_en": "Lean Reference Manual — the kernel and proof-term checking",
   "url": "https://lean-lang.org/doc/reference/latest/Elaboration-and-Compilation/#the-kernel",
   "author": "Lean Project",
   "sponsored": false,
   "why": "Zrozumiesz rolę zaufanego jądra w sprawdzaniu formalnych dowodów i zakres wynikającej z tego gwarancji.",
   "why_en": "Understand a trusted kernel's role in checking formal proofs and the scope of the resulting guarantee."
  },
  "learnlm-2024": {
   "id": "learnlm-2024",
   "title": "LearnLM: Improving Gemini for Learning",
   "title_en": "LearnLM: Improving Gemini for Learning",
   "url": "https://arxiv.org/abs/2412.16429",
   "author": "LearnLM Team (Google)",
   "sponsored": true,
   "why": "Wyjaśnia, jak dostraja się model językowy, by zachowywał się jak nauczyciel według podanych zasad.",
   "why_en": "Explains how a language model is tuned to behave like a teacher following given principles."
  },
  "lee-2017-e2e-coreference": {
   "id": "lee-2017-e2e-coreference",
   "title": "End-to-end Neural Coreference Resolution",
   "title_en": "End-to-end Neural Coreference Resolution",
   "url": "https://arxiv.org/pdf/1707.07045",
   "author": "Kenton Lee, Luheng He, Mike Lewis, Luke Zettlemoyer",
   "sponsored": false,
   "why": "Pokazuje, jak model sam uczy się łączyć zaimki i nazwy z osobami, bez ręcznych reguł.",
   "why_en": "Shows how a model learns to tie pronouns and names to people without hand-written rules."
  },
  "lee-industrial-ai-book-2020": {
   "id": "lee-industrial-ai-book-2020",
   "title": "Industrial AI: Applications with Sustainable Performance",
   "url": "https://link.springer.com/book/10.1007/978-981-15-2144-7",
   "author": "Jay Lee",
   "sponsored": false,
   "why": "Pokazuje, czym jest AI w przemyśle jako osobna dyscyplina i jakie są jej główne zastosowania.",
   "why_en": "Shows what industrial AI is as a discipline and what its main applications are."
  },
  "legged-gym-2021": {
   "id": "legged-gym-2021",
   "title": "Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning",
   "title_en": "Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning",
   "url": "https://arxiv.org/abs/2109.11978",
   "author": "N. Rudin, D. Hoeller, P. Reist, M. Hutter",
   "sponsored": false,
   "why": "Dowiesz się, jak równoległe symulacje i stopniowanie trudności uczą chodu przenoszonego na rzeczywistego robota.",
   "why_en": "Learn how parallel simulations and difficulty curricula teach locomotion transferred to real robots."
  },
  "leitner-german-ler-2020": {
   "id": "leitner-german-ler-2020",
   "title": "A Dataset of German Legal Documents for Named Entity Recognition",
   "url": "https://arxiv.org/abs/2003.13016",
   "author": "Elena Leitner, Georg Rehm, Julián Moreno-Schneider",
   "sponsored": false,
   "why": "Opisuje otwarty, niemieckojęzyczny zbiór wyroków z bardzo drobnym podziałem nazw prawniczych.",
   "why_en": "Describes an open German-language corpus of rulings with very fine-grained legal entity classes."
  },
  "lerobot-docs": {
   "id": "lerobot-docs",
   "title": "LeRobot — dokumentacja",
   "title_en": "LeRobot documentation",
   "url": "https://huggingface.co/docs/lerobot/index",
   "author": "Hugging Face",
   "sponsored": false,
   "why": "Przećwiczysz zbieranie zsynchronizowanych demonstracji, trening polityki imitacyjnej i uruchamianie jej na robocie.",
   "why_en": "Practise collecting synchronised demonstrations, training imitation policies and running them on robots."
  },
  "less-2024": {
   "id": "less-2024",
   "title": "LESS: Selecting Influential Data for Targeted Instruction Tuning",
   "title_en": "LESS: Selecting Influential Data for Targeted Instruction Tuning",
   "url": "https://arxiv.org/abs/2402.04333",
   "author": "Mengzhou Xia, Sadhika Malladi, Suchin Gururangan, Sanjeev Arora, Danqi Chen",
   "sponsored": false,
   "why": "Dowiesz się, jak podobieństwo gradientów pomaga wybierać przykłady dostrajania pod konkretne zadanie.",
   "why_en": "Learn how gradient similarity helps select fine-tuning examples for specific tasks."
  },
  "lessmann-credit-benchmark-2015": {
   "id": "lessmann-credit-benchmark-2015",
   "title": "Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research",
   "title_en": "Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research",
   "url": "https://ideas.repec.org/a/eee/ejores/v247y2015i1p124-136.html",
   "author": "Stefan Lessmann, Bart Baesens, Hsin-Vonn Seow, Lyn C. Thomas",
   "sponsored": false,
   "why": "Porównuje wiele metod scoringu i ostrzega, że wyższa trafność nie zawsze daje lepsze decyzje kredytowe.",
   "why_en": "Compares many scoring methods and warns that higher accuracy does not always mean better credit decisions."
  },
  "li-2018-ner-deep-survey": {
   "id": "li-2018-ner-deep-survey",
   "title": "A Survey on Deep Learning for Named Entity Recognition",
   "title_en": "A Survey on Deep Learning for Named Entity Recognition",
   "url": "https://arxiv.org/abs/1812.09449",
   "author": "Jing Li, Aixin Sun, Jianglei Han, Chenliang Li",
   "sponsored": false,
   "why": "Układa metody rozpoznawania nazw w tekście w prosty schemat: wejście, kontekst, etykiety.",
   "why_en": "Organises named-entity methods into a simple scheme: input, context, labels."
  },
  "li-2021-trocr": {
   "id": "li-2021-trocr",
   "title": "TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models",
   "title_en": "TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models",
   "url": "https://arxiv.org/abs/2109.10282",
   "author": "Minghao Li, Tengchao Lv, Jingye Chen, Lei Cui, Yijuan Lu, Dinei Florencio, Cha Zhang, Zhoujun Li, Furu Wei",
   "sponsored": false,
   "why": "Pokazuje, jak nowoczesny model odczytuje druk, pismo ręczne i napisy na zdjęciach w jednym kroku.",
   "why_en": "Shows how a modern model reads print, handwriting and text in photos in a single step."
  },
  "li-2022-blip": {
   "id": "li-2022-blip",
   "title": "BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation",
   "title_en": "BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation",
   "url": "https://arxiv.org/abs/2201.12086",
   "author": "Junnan Li, Dongxu Li, Caiming Xiong, Steven Hoi",
   "sponsored": false,
   "why": "Pokazuje, jak model uczy się opisywać zdjęcia i odpowiadać na pytania o nie na danych z internetu.",
   "why_en": "Shows how a model learns to caption photos and answer questions about them from web data."
  },
  "li-2024-recap-datacomp": {
   "id": "li-2024-recap-datacomp",
   "title": "What If We Recaption Billions of Web Images with LLaMA-3?",
   "url": "https://arxiv.org/abs/2406.08478",
   "author": "Xianhang Li, Haoqin Tu, Mude Hui, Zeyu Wang, Bingchen Zhao, Junfei Xiao, Sucheng Ren, Jieru Mei, Qing Liu, Huangjie Zheng, Yuyin Zhou, Cihang Xie",
   "sponsored": false,
   "why": "Pokazuje na dużej skali, że ponowne opisanie zdjęć modelem poprawia modele obraz–tekst i generatory.",
   "why_en": "Shows at scale that recaptioning images with a model improves image–text models and generators."
  },
  "li-diffusionlm-2022": {
   "id": "li-diffusionlm-2022",
   "title": "Diffusion-LM Improves Controllable Text Generation",
   "title_en": "Diffusion-LM Improves Controllable Text Generation",
   "url": "https://arxiv.org/abs/2205.14217",
   "author": "Xiang Lisa Li, John Thickstun, Ishaan Gulrajani, Percy Liang, Tatsunori B. Hashimoto",
   "sponsored": false,
   "why": "Ciągła dyfuzja na zanurzeniach słów, zaokrąglenie do tokenu i sterowanie gradientem.",
   "why_en": "Continuous diffusion on word embeddings, rounding to a token, and gradient-based control."
  },
  "li-legalagentbench-2024": {
   "id": "li-legalagentbench-2024",
   "title": "LegalAgentBench: Evaluating LLM Agents in Legal Domain",
   "url": "https://arxiv.org/abs/2412.17259",
   "author": "Haitao Li i in.",
   "sponsored": false,
   "why": "Pokazuje, jak sprawdza się agentów prawniczych na wieloetapowych zadaniach z narzędziami.",
   "why_en": "Shows how legal agents are tested on multi-step tasks with tools."
  },
  "li-llm-manufacturing-2024": {
   "id": "li-llm-manufacturing-2024",
   "title": "Large Language Models for Manufacturing",
   "url": "https://arxiv.org/abs/2410.21418",
   "author": "Yiwei Li, Huaqin Zhao, Hanqi Jiang i in. (24 autorów, kier. Tianming Liu)",
   "sponsored": false,
   "why": "Przegląd, do czego w fabrykach używa się modeli językowych i gdzie jeszcze zawodzą.",
   "why_en": "Reviews what language models are used for in factories and where they still fall short."
  },
  "li-niching-2017": {
   "id": "li-niching-2017",
   "title": "Seeking multiple solutions: an updated survey on niching methods and their applications",
   "url": "https://eprints.lancs.ac.uk/83738/1/Seeking_multiple_solutionsLEDE2016.pdf",
   "author": "Xiaodong Li, Michael G. Epitropakis, Kalyanmoy Deb, Andries Engelbrecht",
   "sponsored": false,
   "why": "Przegląd metod niszowych: jak znaleźć kilka różnych dobrych rozwiązań w jednym przebiegu.",
   "why_en": "A survey of niching methods: how to find several different good solutions in one run."
  },
  "lightman-verify-step-2023": {
   "id": "lightman-verify-step-2023",
   "title": "Let's Verify Step by Step",
   "title_en": "Let's Verify Step by Step",
   "url": "https://arxiv.org/abs/2305.20050",
   "author": "Hunter Lightman, Vineet Kosaraju, Yura Burda i in. (OpenAI)",
   "sponsored": false,
   "why": "Porównasz trenowanie modeli nagrody z oceną każdego kroku rozumowania i tylko końcowego wyniku.",
   "why_en": "Compare reward-model training using ratings of every reasoning step versus only final outcomes."
  },
  "lilianweng-diffusion-2021": {
   "id": "lilianweng-diffusion-2021",
   "title": "What are Diffusion Models?",
   "title_en": "What are Diffusion Models?",
   "url": "https://lilianweng.github.io/posts/2021-07-11-diffusion-models/",
   "author": "Lilian Weng",
   "sponsored": false,
   "why": "Prześledzisz proces zaszumiania, odszumianie, cele treningowe, warunkowanie i przyspieszanie generowania w modelach dyfuzyjnych.",
   "why_en": "Follow corruption, denoising, training objectives, conditioning and generation acceleration in diffusion models."
  },
  "lilianweng-flow-models-2018": {
   "id": "lilianweng-flow-models-2018",
   "title": "Flow-based Deep Generative Models",
   "title_en": "Flow-based Deep Generative Models",
   "url": "https://lilianweng.github.io/posts/2018-10-13-flow-models/",
   "author": "Lilian Weng",
   "sponsored": false,
   "why": "Zrozumiesz modelowanie gęstości przez odwracalne przekształcenia oraz różnice względem autoenkoderów wariacyjnych i modeli adwersarialnych.",
   "why_en": "Understand density modelling through invertible transformations and differences from variational autoencoders and adversarial models."
  },
  "lima-2023": {
   "id": "lima-2023",
   "title": "LIMA: Less Is More for Alignment",
   "title_en": "LIMA: Less Is More for Alignment",
   "url": "https://arxiv.org/abs/2305.11206",
   "author": "Chunting Zhou, Pengfei Liu, Puxin Xu, Srini Iyer, Jiao Sun, Yuning Mao, Xuezhe Ma, Avia Efrat, Ping Yu, Lili Yu, Susan Zhang, Gargi Ghosh, Mike Lewis, Luke Zettlemoyer, Omer Levy",
   "sponsored": false,
   "why": "Poznasz eksperyment dostrajania na małym, starannie dobranym zbiorze demonstracji bez uczenia z nagrodą.",
   "why_en": "Explore fine-tuning on a small, carefully curated demonstration set without reward-based learning."
  },
  "lin-phishpedia-2021": {
   "id": "lin-phishpedia-2021",
   "title": "Phishpedia: A Hybrid Deep Learning Based Approach to Visually Identify Phishing Webpages",
   "title_en": "Phishpedia: A Hybrid Deep Learning Based Approach to Visually Identify Phishing Webpages",
   "url": "https://www.usenix.org/conference/usenixsecurity21/presentation/lin",
   "author": "Yun Lin, Ruofan Liu, Dinil Mon Divakaran, Jun Yang Ng, Qing Zhou Chan, Yiwen Lu, Yuxuan Si, Fan Zhang, Jin Song Dong",
   "sponsored": false,
   "why": "Wyjaśnia, jak rozpoznać fałszywą stronę po podrobionym logo znanej marki.",
   "why_en": "Explains how to spot a fake webpage by its imitation of a known brand's logo."
  },
  "lin-rouge-2004": {
   "id": "lin-rouge-2004",
   "title": "ROUGE: A Package for Automatic Evaluation of Summaries",
   "title_en": "ROUGE: A Package for Automatic Evaluation of Summaries",
   "url": "https://aclanthology.org/W04-1013/",
   "author": "Chin-Yew Lin",
   "sponsored": false,
   "why": "Dowiesz się, jak nakładanie n-gramów i innych jednostek tekstu służy do automatycznej oceny streszczeń.",
   "why_en": "Learn how overlap of n-grams and other text units supports automatic summary evaluation."
  },
  "litellm-proxy": {
   "id": "litellm-proxy",
   "title": "LiteLLM AI Gateway (LLM Proxy)",
   "title_en": "LiteLLM AI Gateway (LLM Proxy)",
   "url": "https://docs.litellm.ai/docs/simple_proxy",
   "author": "LiteLLM (BerriAI)",
   "sponsored": true,
   "why": "Poznasz wspólny interfejs modeli, zarządzanie kluczami, budżetami, limitami i obsługą niedostępności dostawcy.",
   "why_en": "Explore a shared model interface, key management, budgets, limits and provider-unavailability handling."
  },
  "litert-overview": {
   "id": "litert-overview",
   "title": "LiteRT (dawniej TensorFlow Lite) — przegląd",
   "title_en": "LiteRT (formerly TensorFlow Lite) — overview",
   "url": "https://developers.google.com/edge/litert",
   "author": "Google AI Edge",
   "sponsored": true,
   "why": "Dowiesz się, jak konwersja modeli i akceleracja sprzętowa umożliwiają inferencję na różnych urządzeniach.",
   "why_en": "Learn how model conversion and hardware acceleration enable inference across devices."
  },
  "liu-2022-ia3": {
   "id": "liu-2022-ia3",
   "title": "Few-Shot Parameter-Efficient Fine-Tuning is Better and Cheaper than In-Context Learning",
   "url": "https://arxiv.org/abs/2205.05638",
   "author": "Haokun Liu, Derek Tam, Mohammed Muqeeth, Jay Mohta, Tenghao Huang, Mohit Bansal, Colin Raffel",
   "sponsored": false,
   "why": "Źródło metody IA³ i argumentu, że lekkie dostrajanie bywa tańsze od długich promptów z przykładami.",
   "why_en": "Source of IA³ and the argument that light fine-tuning can be cheaper than long example prompts."
  },
  "liu-2024-apigen": {
   "id": "liu-2024-apigen",
   "title": "APIGen: Automated Pipeline for Generating Verifiable and Diverse Function-Calling Datasets",
   "url": "https://arxiv.org/abs/2406.18518",
   "author": "Zuxin Liu, Thai Hoang, Jianguo Zhang, Ming Zhu, Tian Lan, Shirley Kokane, Juntao Tan, Weiran Yao, Zhiwei Liu, Yihao Feng, Rithesh Murthy, Liangwei Yang, Silvio Savarese, Juan Carlos Niebles, Huan Wang, Shelby Heinecke, Caiming Xiong",
   "sponsored": false,
   "why": "Konkretny przykład generowania i wieloetapowej weryfikacji danych do wywoływania funkcji przez agentów.",
   "why_en": "A concrete example of generating and multi-stage verifying function-calling data for agents."
  },
  "liu-contracteval-2025": {
   "id": "liu-contracteval-2025",
   "title": "ContractEval: Benchmarking LLMs for Clause-Level Legal Risk Identification in Commercial Contracts",
   "url": "https://arxiv.org/abs/2508.03080",
   "author": "Shuang Liu, Zelong Li, Ruoyun Ma, Haiyan Zhao, Mengnan Du",
   "sponsored": false,
   "why": "Porównuje modele językowe w szukaniu ryzykownych klauzul i pokazuje ich typowe błędy.",
   "why_en": "Compares language models at finding risky clauses and shows their typical mistakes."
  },
  "liu-grounding-dino-2023": {
   "id": "liu-grounding-dino-2023",
   "title": "Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection",
   "title_en": "Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection",
   "url": "https://arxiv.org/abs/2303.05499",
   "author": "Shilong Liu, Zhaoyang Zeng, Tianhe Ren, Feng Li, Hao Zhang i in.",
   "sponsored": false,
   "why": "Dowiesz się, jak łączenie języka i obrazu pozwala wykrywać obiekty wskazane opisem tekstowym.",
   "why_en": "Learn how combining language and images enables detecting objects specified by textual descriptions."
  },
  "liu-ideascientist-2026": {
   "id": "liu-ideascientist-2026",
   "title": "IdeaScientist: Orchestrating Agents for Grounded Scientific Ideation",
   "title_en": "IdeaScientist: Orchestrating Agents for Grounded Scientific Ideation",
   "url": "https://arxiv.org/abs/2610.04074",
   "author": "Jiarui Liu; Renjie Tao; Yiwei Liao; Chuanyang Jin; Kai Sun; Xiao Yang; Xinyuan Zhang; Xilun Chen; Zhuangqun Huang; Lechen Zhang; Yongjin Yang; Yinghui He; Weihao Xuan; Rakesh Wanga; Anuj Kumar; Mona T. Diab; Wen-tau Yih; Xin Luna Dong",
   "sponsored": false,
   "why": "Źródło dekompozycji ideacji na szukanie luk i transfer analogii, z treningiem RL.",
   "why_en": "Source for decomposing ideation into gap finding and analogy transfer, with RL training."
  },
  "liu-loopcd-2026": {
   "id": "liu-loopcd-2026",
   "title": "Decoding Looped Transformers Better for (Almost) Free",
   "title_en": "Decoding Looped Transformers Better for (Almost) Free",
   "url": "https://arxiv.org/abs/2610.02185",
   "author": "Weihao Liu, Huangjie Zheng, Tianrong Chen, Rohit Dilip, Richard He Bai, Yizhu Jiao, Yuyang Wang, Ruixiang Zhang",
   "sponsored": false,
   "why": "Potwierdzenie, że pętle są u kilku rodzin, nie u jednej pracy.",
   "why_en": "Confirms loops exist across several families, not one paper."
  },
  "liu-rectifiedflow-2022": {
   "id": "liu-rectifiedflow-2022",
   "title": "Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow",
   "title_en": "Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow",
   "url": "https://arxiv.org/abs/2209.03003",
   "author": "Xingchao Liu, Chengyue Gong, Qiang Liu",
   "sponsored": false,
   "why": "Dowiesz się, czemu proste ścieżki od szumu do danych pozwalają generować w jednym kroku.",
   "why_en": "Learn why straight paths from noise to data enable one-step generation."
  },
  "livekit-agent-simulations": {
   "id": "livekit-agent-simulations",
   "title": "LiveKit: symulacje agentów z rozmową audio",
   "title_en": "LiveKit: Agent Simulations",
   "url": "https://docs.livekit.io/testing/simulations/",
   "author": "LiveKit",
   "sponsored": false,
   "why": "Poznasz różnice między testami tekstowymi i symulacją rozmowy audio oraz ocenę końcowego stanu zadania.",
   "why_en": "Explore differences between text tests and audio-conversation simulations and assessment of final task state."
  },
  "livekit-turn-detector": {
   "id": "livekit-turn-detector",
   "title": "LiveKit: model rozpoznający koniec tury",
   "title_en": "LiveKit: Turn detector",
   "url": "https://docs.livekit.io/agents/logic/turns/turn-detector/",
   "author": "LiveKit",
   "sponsored": false,
   "why": "Dowiesz się, jak wskazówki semantyczne i prozodyczne pomagają rozpoznawać koniec tury w rozmowie.",
   "why_en": "Learn how semantic and prosodic cues help detect conversational turn endings."
  },
  "livekit-turns-guide": {
   "id": "livekit-turns-guide",
   "title": "LiveKit: strojenie tur rozmowy",
   "title_en": "LiveKit: Turn-taking tuning",
   "url": "https://docs.livekit.io/agents/logic/turns/tuning/",
   "author": "LiveKit",
   "sponsored": false,
   "why": "Przećwiczysz strojenie końca wypowiedzi, przerwań i wyprzedzającego generowania w agencie głosowym.",
   "why_en": "Practise tuning utterance endings, interruptions and pre-emptive generation in voice agents."
  },
  "llama-cpp-readme": {
   "id": "llama-cpp-readme",
   "title": "llama.cpp — README (ggml-org/llama.cpp)",
   "title_en": "llama.cpp — README (ggml-org/llama.cpp)",
   "url": "https://github.com/ggml-org/llama.cpp",
   "author": "ggml-org (Georgi Gerganov i współtwórcy)",
   "sponsored": true,
   "why": "Poznasz konwersję i lokalne uruchamianie modeli skwantowanych na różnych procesorach oraz wystawianie usługi inferencji.",
   "why_en": "Explore converting and locally running quantised models across processors and exposing inference services."
  },
  "llama-guard-2023": {
   "id": "llama-guard-2023",
   "title": "Llama Guard: LLM-based Input-Output Safeguard for Human-AI Conversations",
   "title_en": "Llama Guard: LLM-based Input-Output Safeguard for Human-AI Conversations",
   "url": "https://arxiv.org/abs/2312.06674",
   "author": "H. Inan, K. Upasani, J. Chi, R. Rungta i in. (11 autorów; Meta), M. Khabsa",
   "sponsored": false,
   "why": "Dowiesz się, jak dostrojony model klasyfikuje wejścia i odpowiedzi według taksonomii ryzyk rozmowy.",
   "why_en": "Learn how a fine-tuned model classifies inputs and responses using a conversation-risk taxonomy."
  },
  "llava-2023": {
   "id": "llava-2023",
   "title": "Visual Instruction Tuning (LLaVA)",
   "title_en": "Visual Instruction Tuning (LLaVA)",
   "url": "https://arxiv.org/abs/2304.08485",
   "author": "Haotian Liu, Chunyuan Li, Qingyang Wu, Yong Jae Lee",
   "sponsored": false,
   "why": "Praca, która spopularyzowała tani sposób dodania widzenia do modelu tekstowego.",
   "why_en": "The paper that popularised a cheap way to add vision to a text model."
  },
  "llm-annotation-survey-2024": {
   "id": "llm-annotation-survey-2024",
   "title": "Large Language Models for Data Annotation and Synthesis: A Survey",
   "title_en": "Large Language Models for Data Annotation and Synthesis: A Survey",
   "url": "https://aclanthology.org/2024.emnlp-main.54/",
   "author": "Zhen Tan, Dawei Li, Song Wang, Alimohammad Beigi, Bohan Jiang, Amrita Bhattacharjee, Mansooreh Karami, Jundong Li, Lu Cheng, Huan Liu",
   "sponsored": false,
   "why": "Porównasz generowanie, ocenianie i wykorzystanie adnotacji tworzonych przez modele językowe.",
   "why_en": "Compare generation, evaluation and use of annotations created by language models."
  },
  "llm-ddx-2023": {
   "id": "llm-ddx-2023",
   "title": "Towards Accurate Differential Diagnosis with Large Language Models",
   "title_en": "Towards Accurate Differential Diagnosis with Large Language Models",
   "url": "https://arxiv.org/abs/2312.00164",
   "author": "Daniel McDuff, Mike Schaekermann, Tao Tu i in.",
   "sponsored": true,
   "why": "Pokazuje, jak mierzy się pomoc modelu językowego w trudnych diagnozach i jakie daje wyniki.",
   "why_en": "Shows how language-model help with hard diagnoses is measured and what it achieves."
  },
  "llm-multirobot-survey-2025": {
   "id": "llm-multirobot-survey-2025",
   "title": "Large Language Models for Multi-Robot Systems: A Survey",
   "title_en": "Large Language Models for Multi-Robot Systems: A Survey",
   "url": "https://arxiv.org/abs/2502.03814",
   "author": "P. Li, Z. An, S. Abrar, L. Zhou",
   "sponsored": false,
   "why": "Zobaczysz, na jakich poziomach koordynacji wielu robotów wykorzystuje się dziś modele językowe.",
   "why_en": "See at which levels of multi-robot coordination language models are used today."
  },
  "llm-unlearning-liu-2024": {
   "id": "llm-unlearning-liu-2024",
   "title": "Rethinking Machine Unlearning for Large Language Models",
   "title_en": "Rethinking Machine Unlearning for Large Language Models",
   "url": "https://arxiv.org/abs/2402.08787",
   "author": "S. Liu, Y. Yao, J. Jia, S. Casper, N. Baracaldo, P. Hase i in. (14 autorów), Y. Liu",
   "sponsored": false,
   "why": "Poznasz metody i miary ograniczania wpływu niepożądanych danych przy zachowaniu pozostałych zdolności modelu.",
   "why_en": "Explore methods and measures for reducing unwanted-data influence while retaining other model capabilities."
  },
  "llm-x-data-survey-2025": {
   "id": "llm-x-data-survey-2025",
   "title": "A Survey of LLM × DATA",
   "title_en": "A Survey of LLM × DATA",
   "url": "https://arxiv.org/abs/2505.18458",
   "author": "Xuanhe Zhou, Junxuan He, Wei Zhou, Haodong Chen, Zirui Tang, Haoyu Zhao, Xin Tong, Guoliang Li i in. (17 autorów)",
   "sponsored": false,
   "why": "Przegląd pokaże infrastrukturę danych dla modeli językowych i wykorzystanie modeli do zarządzania danymi.",
   "why_en": "The review covers data infrastructure for language models and models used for data management."
  },
  "llmp2023": {
   "id": "llmp2023",
   "title": "LLM+P: Empowering Large Language Models with Optimal Planning Proficiency",
   "title_en": "LLM+P: Empowering Large Language Models with Optimal Planning Proficiency",
   "url": "https://arxiv.org/abs/2304.11477",
   "author": "Bo Liu, Yuqian Jiang, Xiaohan Zhang, Qiang Liu, Shiqi Zhang, Joydeep Biswas, Peter Stone",
   "sponsored": false,
   "why": "Dowiesz się, jak tłumaczenie problemu na formalny język pozwala połączyć model językowy z klasycznym planerem.",
   "why_en": "Learn how translating problems into a formal language connects language models with classical planners."
  },
  "lm-eval-harness-lessons-2024": {
   "id": "lm-eval-harness-lessons-2024",
   "title": "Lessons from the Trenches on Reproducible Evaluation of Language Models",
   "title_en": "Lessons from the Trenches on Reproducible Evaluation of Language Models",
   "url": "https://arxiv.org/abs/2405.14782",
   "author": "Stella Biderman, Hailey Schoelkopf, Lintang Sutawika, Leo Gao, Jonathan Tow i in. (ok. 25 autorów, EleutherAI — afiliacja z wiedzy modelu)",
   "sponsored": false,
   "why": "Zrozumiesz, jak ustawienia ewaluacji, przejrzystość i odtwarzalność wpływają na rzetelne porównanie modeli językowych.",
   "why_en": "Understand how evaluation settings, transparency and reproducibility affect reliable language-model comparisons."
  },
  "lmx-2023": {
   "id": "lmx-2023",
   "title": "Language Model Crossover: Variation through Few-Shot Prompting",
   "url": "https://arxiv.org/abs/2302.12170",
   "author": "Elliot Meyerson, Mark J. Nelson, Herbie Bradley, Adam Gaier, Arash Moradi, Amy K. Hoover, Joel Lehman",
   "sponsored": false,
   "why": "Artykuł pokazuje, jak model językowy łączy kilku rodziców zapisanych tekstem w nowego potomka.",
   "why_en": "The paper shows how a language model blends several text-encoded parents into a new offspring."
  },
  "locatello-disentanglement-2019": {
   "id": "locatello-disentanglement-2019",
   "title": "Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations",
   "title_en": "Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations",
   "url": "https://arxiv.org/abs/1811.12359",
   "author": "Francesco Locatello, Stefan Bauer, Mario Lucic, Gunnar Rätsch, Sylvain Gelly, Bernhard Schölkopf, Olivier Bachem",
   "sponsored": false,
   "why": "Dowiesz się, dlaczego rozplątania bez nadzoru nie można zagwarantować bez dodatkowych założeń i jak wrażliwe są wyniki na wybór modelu.",
   "why_en": "Learn why unsupervised disentanglement cannot be guaranteed without additional assumptions and how sensitive results are to model selection."
  },
  "locke-zuccon-caselaw-2022": {
   "id": "locke-zuccon-caselaw-2022",
   "title": "Case law retrieval: problems, methods, challenges and evaluations in the last 20 years",
   "url": "https://arxiv.org/abs/2202.07209",
   "author": "Daniel Locke, Guido Zuccon",
   "sponsored": false,
   "why": "Pokazuje, czemu wyszukiwanie orzeczeń jest trudne do porównania i jakie metody stosowano przez 20 lat.",
   "why_en": "Shows why case law retrieval is hard to benchmark and which methods were used over 20 years."
  },
  "longformer-2020": {
   "id": "longformer-2020",
   "title": "Longformer: The Long-Document Transformer",
   "title_en": "Longformer: The Long-Document Transformer",
   "url": "https://arxiv.org/abs/2004.05150",
   "author": "Iz Beltagy, Matthew E. Peters, Arman Cohan",
   "sponsored": false,
   "why": "Poznasz łączenie lokalnej uwagi okienkowej z uwagą globalną do przetwarzania długich dokumentów.",
   "why_en": "Explore combining local windowed attention with global attention for long-document processing."
  },
  "lookahead-arxiv-2610-24379": {
   "id": "lookahead-arxiv-2610-24379",
   "title": "Defending Against Dormant Poisoning Attacks Across Language and Multimodal Agents",
   "title_en": "Defending Against Dormant Poisoning Attacks Across Language and Multimodal Agents",
   "url": "https://arxiv.org/abs/2610.24379",
   "author": "Wonjun Lee, Vaidehi Patil, Zaid Khan, Yue Zhang, Hyunji Lee, Suhyun Kim, Mohit Bansal",
   "sponsored": false,
   "why": "Mechanizm LookAhead Defense i Safety Buffer oraz wyniki redukcji aktywacji zatrucia w agentach.",
   "why_en": "Mechanism of LookAhead Defense and Safety Buffer, and results reducing poison activation in agents."
  },
  "lora-forgets-less-2024": {
   "id": "lora-forgets-less-2024",
   "title": "LoRA Learns Less and Forgets Less",
   "title_en": "LoRA Learns Less and Forgets Less",
   "url": "https://arxiv.org/abs/2405.09673",
   "author": "Dan Biderman, Jacob Portes, Jose Javier Gonzalez Ortiz i in. (głównie Databricks)",
   "sponsored": false,
   "why": "Porównasz LoRA i pełne dostrajanie pod względem adaptacji do zadania oraz zachowania wcześniejszych zdolności.",
   "why_en": "Compare LoRA and full fine-tuning for task adaptation and retention of earlier capabilities."
  },
  "loraplus-2024": {
   "id": "loraplus-2024",
   "title": "LoRA+: Efficient Low Rank Adaptation of Large Models",
   "title_en": "LoRA+: Efficient Low Rank Adaptation of Large Models",
   "url": "https://arxiv.org/abs/2402.12354",
   "author": "Soufiane Hayou, Nikhil Ghosh, Bin Yu",
   "sponsored": false,
   "why": "Dowiesz się, dlaczego oddzielne kroki uczenia dla czynników LoRA zmieniają przebieg dostrajania.",
   "why_en": "Learn why separate learning rates for LoRA factors change fine-tuning behaviour."
  },
  "loss-of-plasticity-nature-2024": {
   "id": "loss-of-plasticity-nature-2024",
   "title": "Utrata plastyczności w głębokim uczeniu ciągłym",
   "title_en": "Loss of plasticity in deep continual learning",
   "url": "https://www.nature.com/articles/s41586-024-07711-7",
   "author": "Shibhansh Dohare; J. Fernando Hernandez-Garcia; Qingfeng Lan; Parash Rahman; A. Rupam Mahmood; Richard S. Sutton",
   "sponsored": false,
   "why": "Dowiesz się, dlaczego sieci trenowane bez końca tracą zdolność uczenia i jak ją przywracać.",
   "why_en": "Learn why endlessly trained networks lose the ability to learn and how to restore it."
  },
  "lost-in-the-middle-2023": {
   "id": "lost-in-the-middle-2023",
   "title": "Lost in the Middle: How Language Models Use Long Contexts",
   "title_en": "Lost in the Middle: How Language Models Use Long Contexts",
   "url": "https://arxiv.org/abs/2307.03172",
   "author": "Nelson F. Liu, Kevin Lin, John Hewitt, Ashwin Paranjape, Michele Bevilacqua, Fabio Petroni, Percy Liang",
   "sponsored": false,
   "why": "Pokazuje, że położenie informacji w długim tekście wpływa na to, czy model ją wykorzysta.",
   "why_en": "Shows that where information sits in a long text affects whether the model uses it."
  },
  "lou-sedd-2023": {
   "id": "lou-sedd-2023",
   "title": "Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution",
   "title_en": "Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution",
   "url": "https://arxiv.org/abs/2310.16834",
   "author": "Aaron Lou, Chenlin Meng, Stefano Ermon",
   "sponsored": false,
   "why": "Strata score entropy i dyfuzja dyskretna przez stosunki prawdopodobieństw, z uzupełnianiem luk.",
   "why_en": "The score-entropy loss and discrete diffusion via probability ratios, including gap filling."
  },
  "lss-2020": {
   "id": "lss-2020",
   "title": "Lift, Splat, Shoot: Encoding Images From Arbitrary Camera Rigs by Implicitly Unprojecting to 3D",
   "title_en": "Lift, Splat, Shoot: Encoding Images From Arbitrary Camera Rigs by Implicitly Unprojecting to 3D",
   "url": "https://arxiv.org/abs/2008.05711",
   "author": "Jonah Philion, Sanja Fidler",
   "sponsored": false,
   "why": "Klasyczna praca o tym, jak z płaskich zdjęć zbudować mapę okolicy widzianą z góry.",
   "why_en": "The classic paper on building a top-down map of the surroundings from flat camera images."
  },
  "lu-dpmsolver-2022": {
   "id": "lu-dpmsolver-2022",
   "title": "DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps",
   "title_en": "DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps",
   "url": "https://arxiv.org/abs/2206.00927",
   "author": "Cheng Lu, Yuhao Zhou, Fan Bao, Jianfei Chen, Chongxuan Li, Jun Zhu",
   "sponsored": false,
   "why": "Zobaczysz, jak solver wyższego rzędu przyspiesza gotowy model dyfuzyjny do około 10–20 wywołań sieci bez ponownego treningu.",
   "why_en": "See how a high-order solver accelerates a pretrained diffusion model to roughly 10–20 network evaluations without retraining."
  },
  "lukens-rag-fault-diagnosis-manuals-2025": {
   "id": "lukens-rag-fault-diagnosis-manuals-2025",
   "title": "An Evaluation Framework for Fault Diagnosis Using Technical Manuals in Retrieval-Augmented LLMs",
   "url": "https://papers.phmsociety.org/index.php/phmconf/article/download/4549/phmc_25_4549",
   "author": "Sarah Lukens, Matthew Bishof, Nadir Siddiqui, Destiny West",
   "sponsored": false,
   "why": "Pokazuje na liczbach, kiedy asystent oparty na instrukcjach pomaga, a kiedy wystarcza zwykłe wyszukiwanie.",
   "why_en": "Shows with numbers when a manual-grounded assistant helps and when plain search is enough."
  },
  "lundberg-lee-shap-2017": {
   "id": "lundberg-lee-shap-2017",
   "title": "A Unified Approach to Interpreting Model Predictions",
   "title_en": "A Unified Approach to Interpreting Model Predictions",
   "url": "https://arxiv.org/abs/1705.07874",
   "author": "Scott M. Lundberg, Su-In Lee",
   "sponsored": false,
   "why": "Zrozumiesz addytywne przypisywanie wkładu cech do pojedynczej predykcji i jego ujednolicenie przez wartości Shapleya.",
   "why_en": "Understand additive feature-contribution attribution for individual predictions and its unification through Shapley values."
  },
  "luo-rl-cooling-2022": {
   "id": "luo-rl-cooling-2022",
   "title": "Controlling Commercial Cooling Systems Using Reinforcement Learning",
   "url": "https://arxiv.org/abs/2211.07357",
   "author": "Jerry Luo, Cosmin Paduraru, Octavian Voicu i in. (DeepMind, Google, Trane Technologies)",
   "sponsored": true,
   "why": "Opisuje prawdziwe wdrożenie uczenia ze wzmocnieniem w chłodzeniu budynków i napotkane trudności.",
   "why_en": "Describes a real deployment of reinforcement learning for building cooling and the difficulties met."
  },
  "ma2025causal-llm": {
   "id": "ma2025causal-llm",
   "title": "Causal Inference with Large Language Model: A Survey",
   "title_en": "Causal Inference with Large Language Model: A Survey",
   "url": "https://arxiv.org/abs/2409.09822",
   "author": "Jing Ma",
   "sponsored": false,
   "why": "Przegląd pokaże zastosowania modeli językowych w zadaniach wnioskowania przyczynowego i związane z nimi wyzwania.",
   "why_en": "The review covers language-model applications to causal-inference tasks and their associated challenges."
  },
  "mace-2022": {
   "id": "mace-2022",
   "title": "MACE: Higher Order Equivariant Message Passing Neural Networks for Fast and Accurate Force Fields",
   "title_en": "MACE: Higher Order Equivariant Message Passing Neural Networks for Fast and Accurate Force Fields",
   "url": "https://arxiv.org/abs/2206.07697",
   "author": "Ilyes Batatia, Dávid Péter Kovács, Gregor N. C. Simm, Christoph Ortner, Gábor Csányi",
   "sponsored": false,
   "why": "Pokazuje, jak równoważne sieci grafowe liczą siły między atomami szybko i dokładnie.",
   "why_en": "Shows how equivariant graph networks compute interatomic forces quickly and accurately."
  },
  "machina-x-agents": {
   "id": "machina-x-agents",
   "title": "How to build your first team of agents",
   "title_en": "How to build your first team of agents",
   "author": "Machina (X)",
   "kind": "artykuł na X · materiał sponsorowany (Raft)",
   "kind_en": "X article · sponsored (Raft)",
   "note": "Oryginalny link nieodnaleziony; plik zapisany przez użytkownika. Wzięta tylko struktura, bez liczb i bez produktu.",
   "note_en": "Original link not found; file saved by the user. Structure only — no statistics, no product claims.",
   "sponsored": true,
   "retrieved": "2026-09-20",
   "why": "Artykuł proponuje organizację zespołu agentów przez podział ról, trwałą pamięć i recenzowanie pracy przez osobnego agenta.",
   "why_en": "The article proposes agent-team organisation through roles, persistent memory and work review by a separate agent."
  },
  "maddpg-2017": {
   "id": "maddpg-2017",
   "title": "Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments",
   "title_en": "Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments",
   "url": "https://arxiv.org/abs/1706.02275",
   "author": "Ryan Lowe; Yi Wu; Aviv Tamar; Jean Harb; Pieter Abbeel; Igor Mordatch",
   "sponsored": false,
   "why": "Zrozumiesz, dlaczego zwykłe metody zawodzą przy wielu agentach i jak pomaga krytyk widzący wszystkich.",
   "why_en": "Understand why standard methods fail with many agents and how a critic that sees everyone helps."
  },
  "magesh-legal-rag-hallucination-2024": {
   "id": "magesh-legal-rag-hallucination-2024",
   "title": "Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools",
   "url": "https://arxiv.org/abs/2405.20362",
   "author": "Varun Magesh, Faiz Surani, Matthew Dahl, Mirac Suzgun, Christopher D. Manning, Daniel E. Ho",
   "sponsored": false,
   "why": "Pokazuje na pomiarach, że narzędzia prawnicze z wyszukiwaniem nadal zmyślają, choć rzadziej niż czatboty.",
   "why_en": "Shows with measurements that legal research tools with retrieval still fabricate, if less than chatbots."
  },
  "mai-location-encoding-review-2022": {
   "id": "mai-location-encoding-review-2022",
   "title": "A Review of Location Encoding for GeoAI: Methods and Applications",
   "url": "https://arxiv.org/abs/2111.04006",
   "author": "Gengchen Mai, Krzysztof Janowicz, Yingjie Hu, Song Gao, Bo Yan, et al.",
   "sponsored": false,
   "why": "Przegląd sposobów zamiany współrzędnych w cechy zrozumiałe dla sieci neuronowych.",
   "why_en": "Reviews ways to turn coordinates into features neural networks can use."
  },
  "mamba-2023": {
   "id": "mamba-2023",
   "title": "Mamba: Linear-Time Sequence Modeling with Selective State Spaces",
   "title_en": "Mamba: Linear-Time Sequence Modeling with Selective State Spaces",
   "url": "https://arxiv.org/abs/2312.00752",
   "author": "Albert Gu, Tri Dao",
   "sponsored": false,
   "why": "Zrozumiesz selektywne modele przestrzeni stanów oraz sposób dopasowania ich obliczeń do sprzętu.",
   "why_en": "Understand selective state-space models and how their computation is adapted to hardware."
  },
  "manipulation-in-contact-survey-2022": {
   "id": "manipulation-in-contact-survey-2022",
   "title": "A Survey of Robot Manipulation in Contact",
   "title_en": "A Survey of Robot Manipulation in Contact",
   "url": "https://arxiv.org/abs/2112.01942",
   "author": "M. Suomalainen, Y. Karayiannidis, V. Kyrki",
   "sponsored": false,
   "why": "Poznasz różnice między sterowaniem siłowym, impedancyjnym i admitancyjnym w zadaniach z kontaktem.",
   "why_en": "Learn the differences between force, impedance and admittance control in contact tasks."
  },
  "mapelites-2015": {
   "id": "mapelites-2015",
   "title": "Illuminating search spaces by mapping elites",
   "title_en": "Illuminating search spaces by mapping elites",
   "url": "https://arxiv.org/abs/1504.04909",
   "author": "Jean-Baptiste Mouret, Jeff Clune",
   "sponsored": false,
   "why": "Praca wprowadzająca algorytm pokazuje, jak mapować najlepsze rozwiązania w każdej kombinacji cech.",
   "why_en": "The introducing paper shows how to map the best solutions across every combination of traits."
  },
  "mapf-survey-2025": {
   "id": "mapf-survey-2025",
   "title": "Where Paths Collide: A Comprehensive Survey of Classic and Learning-Based Multi-Agent Pathfinding",
   "title_en": "Where Paths Collide: A Comprehensive Survey of Classic and Learning-Based Multi-Agent Pathfinding",
   "url": "https://arxiv.org/abs/2505.19219",
   "author": "S. Wang, H. Xu, Y. Zhang, J. Lin, C. Lu, X. Wang, W. Li",
   "sponsored": false,
   "why": "Poznasz klasyczne i uczone metody planowania tras wielu robotów oraz różnice w ich testowaniu.",
   "why_en": "Learn classical and learned multi-robot path planning methods and how their testing differs."
  },
  "mappo-2021": {
   "id": "mappo-2021",
   "title": "The Surprising Effectiveness of PPO in Cooperative, Multi-Agent Games",
   "title_en": "The Surprising Effectiveness of PPO in Cooperative, Multi-Agent Games",
   "url": "https://arxiv.org/abs/2103.01955",
   "author": "Chao Yu; Akash Velu; Eugene Vinitsky; Jiaxuan Gao; Yu Wang; Alexandre Bayen; Yi Wu",
   "sponsored": false,
   "why": "Dowiesz się, dlaczego prosty wspólny krytyk z PPO stał się mocnym punktem odniesienia dla zespołów agentów.",
   "why_en": "Learn why a simple shared-critic PPO became a strong baseline for teams of agents."
  },
  "maptr-2022": {
   "id": "maptr-2022",
   "title": "MapTR: Structured Modeling and Learning for Online Vectorized HD Map Construction",
   "title_en": "MapTR: Structured Modeling and Learning for Online Vectorized HD Map Construction",
   "url": "https://arxiv.org/abs/2208.14437",
   "author": "Bencheng Liao, Shaoyu Chen, Xinggang Wang, Tianheng Cheng, Qian Zhang, Wenyu Liu, Chang Huang",
   "sponsored": false,
   "why": "Pokazuje, jak model rysuje pasy i krawędzie drogi jako linie, a nie piksele.",
   "why_en": "Shows how a model draws lanes and road edges as lines rather than pixels."
  },
  "mark-modular-imaps-gaipro2-2015": {
   "id": "mark-modular-imaps-gaipro2-2015",
   "title": "Modular Tactical Influence Maps (Game AI Pro 2, rozdz. 30)",
   "title_en": "Modular Tactical Influence Maps (Game AI Pro 2, ch. 30)",
   "url": "https://www.gameaipro.com/GameAIPro2/GameAIPro2_Chapter30_Modular_Tactical_Influence_Maps.pdf",
   "author": "Dave Mark",
   "sponsored": false,
   "why": "Pokazuje praktyczną budowę warstw zagrożenia i bliskości oraz ich łączenie w taktyczne pytania postaci.",
   "why_en": "Shows how to build threat and proximity layers in practice and combine them into a character's tactical queries."
  },
  "marl-book-2024": {
   "id": "marl-book-2024",
   "title": "Multi-Agent Reinforcement Learning: Foundations and Modern Approaches",
   "title_en": "Multi-Agent Reinforcement Learning: Foundations and Modern Approaches",
   "url": "https://www.marl-book.com/",
   "author": "S. V. Albrecht, F. Christianos, L. Schäfer",
   "sponsored": false,
   "why": "Poznasz teorię gier, modele interakcji i algorytmy uczenia ze wzmocnieniem dla współpracujących oraz konkurujących agentów.",
   "why_en": "Explore game theory, interaction models and reinforcement-learning algorithms for cooperating and competing agents."
  },
  "martin-better-call-gpt-2024": {
   "id": "martin-better-call-gpt-2024",
   "title": "Better Call GPT, Comparing Large Language Models Against Lawyers",
   "url": "https://arxiv.org/abs/2401.16212",
   "author": "Lauren Martin, Nick Whitehouse, Stephanie Yiu, Lizzie Catterson, Rivindu Perera",
   "sponsored": true,
   "why": "Porównuje modele językowe z prawnikami w przeglądzie umów według listy firmowych zasad.",
   "why_en": "Compares language models with lawyers at reviewing contracts against a company checklist."
  },
  "mas-ai-mrm-2024-klgates": {
   "id": "mas-ai-mrm-2024-klgates",
   "title": "Artificial Intelligence (AI) Model Risk Management",
   "title_en": "Artificial Intelligence (AI) Model Risk Management",
   "url": "https://www.mas.gov.sg/-/media/mas-media-library/publications/monographs-or-information-paper/imd/2024/information-paper-on-ai-risk-management-final.pdf",
   "author": "Monetary Authority of Singapore",
   "sponsored": false,
   "why": "Pierwotny dokument nadzorcy opisujący dobre praktyki banków w zarządzaniu ryzykiem AI, GenAI i modeli dostawców.",
   "why_en": "Primary supervisory paper describing bank good practices for managing AI, GenAI and vendor-model risk."
  },
  "masai-lancet-2026": {
   "id": "masai-lancet-2026",
   "title": "Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study",
   "title_en": "Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study",
   "url": "https://pubmed.ncbi.nlm.nih.gov/41620232/",
   "author": "Jessie Gommers, Veronica Hernström, Viktoria Josefsson, Hanna Sartor, David Schmidt, Annie Hjelmgren, Anna-Maria Larsson, Solveig Hofvind, Ingvar Andersson, Aldana Rosso, Oskar Hagberg, Kristina Lång",
   "sponsored": false,
   "why": "Opisuje pierwsze duże badanie randomizowane, w którym AI pomagało radiologom w przesiewowej mammografii.",
   "why_en": "Describes the first large randomised trial in which AI helped radiologists with screening mammography."
  },
  "mass-arxiv-2610.12176": {
   "id": "mass-arxiv-2610.12176",
   "title": "Recursive Self-Improvement through Multi-Agent Self-Supervision",
   "title_en": "Recursive Self-Improvement through Multi-Agent Self-Supervision",
   "url": "https://arxiv.org/abs/2610.12176",
   "author": "Hyunin Lee, Jinglue Xu, Jeffrey Seely, Donghyun Lee, Somayeh Sojoudi, Matei Zaharia, Yujin Tang",
   "sponsored": false,
   "why": "Szczegółowy opis metody MASS, eksperymentów i wyników.",
   "why_en": "Detailed description of the MASS method, experiments and results."
  },
  "mass-github": {
   "id": "mass-github",
   "title": "SakanaAI/mass: Multi-Agent Self-Supervision",
   "title_en": "SakanaAI/mass: Multi-Agent Self-Supervision",
   "url": "https://github.com/SakanaAI/mass",
   "author": "Sakana AI",
   "sponsored": false,
   "why": "Publiczna implementacja badawcza pipeline MASS oraz konfiguracje eksperymentów.",
   "why_en": "Public research implementation of the MASS pipeline and experiment configurations."
  },
  "mass-sakana-blog": {
   "id": "mass-sakana-blog",
   "title": "MASS: Recursive Self-Improvement through Multi-Agent Self-Supervision",
   "title_en": "MASS: Recursive Self-Improvement through Multi-Agent Self-Supervision",
   "url": "https://pub.sakana.ai/mass/",
   "author": "Sakana AI",
   "sponsored": false,
   "why": "Przystępne podsumowanie metody i wyników od autorów.",
   "why_en": "Accessible summary of the method and results from the authors."
  },
  "mathworks-lgd-overview": {
   "id": "mathworks-lgd-overview",
   "title": "Overview of Loss Given Default Models",
   "title_en": "Overview of Loss Given Default Models",
   "url": "https://www.mathworks.com/help/risk/overview-of-loss-given-default.html",
   "author": "MathWorks (dokumentacja Risk Management Toolbox)",
   "sponsored": false,
   "why": "Zwięźle wyjaśnia wzór na oczekiwaną stratę i typowe modele LGD.",
   "why_en": "Concisely explains the expected-loss formula and typical LGD models."
  },
  "mattergen-2025": {
   "id": "mattergen-2025",
   "title": "A generative model for inorganic materials design (MatterGen)",
   "title_en": "A generative model for inorganic materials design (MatterGen)",
   "url": "https://www.nature.com/articles/s41586-025-08628-5",
   "author": "Microsoft Research AI for Science i współpracownicy",
   "sponsored": false,
   "why": "Wyjaśnia, jak model dyfuzyjny projektuje kryształy pod zadaną właściwość i jak to sprawdzono w laboratorium.",
   "why_en": "Explains how a diffusion model designs crystals for a target property and how this was lab-tested."
  },
  "mccandlish-2018-batch": {
   "id": "mccandlish-2018-batch",
   "title": "An Empirical Model of Large-Batch Training",
   "url": "https://arxiv.org/abs/1812.06162",
   "author": "Sam McCandlish, Jared Kaplan, Dario Amodei, OpenAI Dota Team",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego większy batch opłaca się tylko do pewnego progu i jak ten próg oszacować.",
   "why_en": "Explains why a bigger batch only pays off up to a threshold and how to estimate it."
  },
  "mcinnes-umap-2018": {
   "id": "mcinnes-umap-2018",
   "title": "UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction",
   "title_en": "UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction",
   "url": "https://arxiv.org/abs/1802.03426",
   "author": "Leland McInnes, John Healy, James Melville",
   "sponsored": false,
   "why": "Dowiesz się, jak struktura sąsiedztw wspiera redukcję wymiarowości i wizualizację danych metodą UMAP.",
   "why_en": "Learn how neighbourhood structure supports dimension reduction and data visualisation through UMAP."
  },
  "mckinsey-state-of-ai-2026": {
   "id": "mckinsey-state-of-ai-2026",
   "title": "The state of AI in 2026: On the Road to ROI",
   "title_en": "The state of AI in 2026: On the Road to ROI",
   "url": "https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai",
   "author": "McKinsey & Company (QuantumBlack)",
   "sponsored": false,
   "why": "Poznasz wyniki ankiety o wdrażaniu AI, przeprojektowaniu procesów i deklarowanych efektach biznesowych.",
   "why_en": "Explore survey findings on AI adoption, workflow redesign and reported business outcomes."
  },
  "mcp": {
   "id": "mcp",
   "title": "Model Context Protocol · Build a server",
   "url": "https://modelcontextprotocol.io/docs/develop/build-server",
   "kind": "reference",
   "note": "Narzędzia, zasoby i serwery MCP.",
   "sponsored": false,
   "why": "Przećwiczysz budowanie serwera udostępniającego narzędzia i zasoby aplikacjom korzystającym z modeli.",
   "why_en": "Practise building a server exposing tools and resources to model-powered applications."
  },
  "mcunet-2020": {
   "id": "mcunet-2020",
   "title": "MCUNet: Tiny Deep Learning on IoT Devices",
   "title_en": "MCUNet: Tiny Deep Learning on IoT Devices",
   "url": "https://arxiv.org/abs/2007.10319",
   "author": "Ji Lin, Wei-Ming Chen, Yujun Lin, John Cohn, Chuang Gan, Song Han (MIT, MIT-IBM Watson AI Lab)",
   "sponsored": false,
   "why": "Dowiesz się, jak wspólne projektowanie architektury i silnika inferencji umożliwia uczenie głębokie na mikrokontrolerach.",
   "why_en": "Learn how jointly designing architectures and inference engines enables deep learning on microcontrollers."
  },
  "mechsuits-arxiv-2026": {
   "id": "mechsuits-arxiv-2026",
   "title": "Agent MechSuits: Mechanistic Subspace Safety Steering for Multi-Turn CLI Agents",
   "title_en": "Agent MechSuits: Mechanistic Subspace Safety Steering for Multi-Turn CLI Agents",
   "url": "https://arxiv.org/abs/2606.22673",
   "author": "Weidi Luo, Qiming Zhang, Yihao Quan, Mingyu Jin, Jie Cai, Chaowei Xiao, Jingcheng Niu, Zhen Xiang",
   "sponsored": false,
   "why": "Poznasz mechanizm wykrywania i sterowania bezpieczeństwem agentów z wnętrza modelu, bez zmiany wag.",
   "why_en": "Learn how to detect and steer agent safety from model internals without changing weights."
  },
  "medpalm-2022": {
   "id": "medpalm-2022",
   "title": "Large Language Models Encode Clinical Knowledge (Med-PaLM)",
   "title_en": "Large Language Models Encode Clinical Knowledge (Med-PaLM)",
   "url": "https://arxiv.org/abs/2212.13138",
   "author": "Karan Singhal, Shekoofeh Azizi, Tao Tu i in. (Google Research, DeepMind)",
   "sponsored": true,
   "why": "Wyjaśnia, czym różni się zdany test medyczny od bezpiecznej odpowiedzi ocenianej przez lekarzy.",
   "why_en": "Explains the gap between passing a medical test and giving an answer doctors judge safe."
  },
  "medrag-2024": {
   "id": "medrag-2024",
   "title": "Benchmarking Retrieval-Augmented Generation for Medicine (MIRAGE, MedRAG)",
   "title_en": "Benchmarking Retrieval-Augmented Generation for Medicine (MIRAGE, MedRAG)",
   "url": "https://arxiv.org/abs/2402.13178",
   "author": "Guangzhi Xiong, Qiao Jin, Zhiyong Lu, Aidong Zhang",
   "sponsored": false,
   "why": "Pokazuje, jak wybór źródeł i wyszukiwarki zmienia trafność odpowiedzi modelu na pytania medyczne.",
   "why_en": "Shows how the choice of sources and retriever changes a model's accuracy on medical questions."
  },
  "medvedeva-rethinking-ljp-2023": {
   "id": "medvedeva-rethinking-ljp-2023",
   "title": "Rethinking the field of automatic prediction of court decisions",
   "url": "https://research.rug.nl/en/publications/rethinking-the-field-of-automatic-prediction-of-court-decisions/",
   "author": "Masha Medvedeva, Martijn Wieling, Michel Vols",
   "sponsored": false,
   "why": "Wyjaśnia, czym różni się prawdziwe przewidywanie wyroku od rozpoznania wyniku w już spisanym orzeczeniu.",
   "why_en": "Explains how genuine forecasting differs from recognising an outcome in an already written ruling."
  },
  "memetic-krasnogor-smith-2005": {
   "id": "memetic-krasnogor-smith-2005",
   "title": "A Tutorial for Competent Memetic Algorithms: Model, Taxonomy, and Design Issues",
   "url": "https://uwe-repository.worktribe.com/OutputFile/1046942",
   "author": "Natalio Krasnogor, Jim Smith",
   "sponsored": false,
   "why": "Samouczek wyjaśnia, czym są algorytmy memetyczne, różnicę lamarckowską i baldwinowską oraz główne decyzje projektowe.",
   "why_en": "The tutorial explains memetic algorithms, the Lamarckian versus Baldwinian difference and the main design decisions."
  },
  "memgpt-2023": {
   "id": "memgpt-2023",
   "title": "MemGPT: Towards LLMs as Operating Systems",
   "title_en": "MemGPT: Towards LLMs as Operating Systems",
   "url": "https://arxiv.org/abs/2310.08560",
   "author": "Charles Packer, Sarah Wooders, Kevin Lin, Vivian Fang, Shishir G. Patil, Ion Stoica, Joseph E. Gonzalez",
   "sponsored": false,
   "why": "Poznasz podstawową technikę wirtualnego zarządzania kontekstem przez hierarchię pamięci i interwencje agenta.",
   "why_en": "Learn the core technique of virtual context management through memory hierarchy and agent interrupts."
  },
  "memit-2022": {
   "id": "memit-2022",
   "title": "Mass-Editing Memory in a Transformer",
   "title_en": "Mass-Editing Memory in a Transformer",
   "url": "https://arxiv.org/abs/2210.07229",
   "author": "Kevin Meng, Arnab Sen Sharma, Alex Andonian, Yonatan Belinkov, David Bau",
   "sponsored": false,
   "why": "Poznasz metodę bezpośredniej aktualizacji wielu skojarzeń faktograficznych zapisanych w wagach modelu językowego.",
   "why_en": "Explore directly updating multiple factual associations stored in language-model weights."
  },
  "meng-2024-simpo": {
   "id": "meng-2024-simpo",
   "title": "SimPO: Simple Preference Optimization with a Reference-Free Reward",
   "url": "https://arxiv.org/abs/2405.14734",
   "author": "Yu Meng, Mengzhou Xia, Danqi Chen",
   "sponsored": false,
   "why": "Pokazuje, jak normalizacja długością i margines zastępują model referencyjny w treningu na parach.",
   "why_en": "Shows how length normalisation and a margin replace the reference model in pairwise training."
  },
  "mergekit-paper-2024": {
   "id": "mergekit-paper-2024",
   "title": "Arcee’s MergeKit: A Toolkit for Merging Large Language Models",
   "title_en": "Arcee’s MergeKit: A Toolkit for Merging Large Language Models",
   "url": "https://arxiv.org/abs/2403.13257",
   "author": "Charles Goddard, Shamane Siriwardhana, Malikeh Ehghaghi, Luke Meyers i in.",
   "sponsored": false,
   "why": "Porównasz uśrednianie wag, arytmetykę zadań, rozwiązywanie konfliktów aktualizacji i interpolację sferyczną.",
   "why_en": "Compare weight averaging, task arithmetic, update-conflict resolution and spherical interpolation."
  },
  "merigoux-catala-2021": {
   "id": "merigoux-catala-2021",
   "title": "Catala: A Programming Language for the Law",
   "url": "https://arxiv.org/abs/2103.03198",
   "author": "Denis Merigoux, Nicolas Chataing, Jonathan Protzenko",
   "sponsored": false,
   "why": "Pokazuje język programowania, w którym przepis podatkowy zapisuje się artykuł po artykule jako kod.",
   "why_en": "Shows a programming language in which a tax provision is written article by article as code."
  },
  "meshharness-2026": {
   "id": "meshharness-2026",
   "title": "MESH-Harness: Self-Improving Agent Harnesses via Bandit-Guided Compositional Evolution",
   "title_en": "MESH-Harness: Self-Improving Agent Harnesses via Bandit-Guided Compositional Evolution",
   "url": "https://arxiv.org/abs/2610.05300",
   "author": "Zhiwei Shang, Yu Huo, Mingrong Gong, An Yan, Zikun Qu, Junhao Dong, Bryan Kian Hsiang Low, Chenglin Wu, Zhongxiang Dai",
   "sponsored": false,
   "why": "Pokazuje kompozycyjne przeszukiwanie i ewolucję modułów uprzęży.",
   "why_en": "Shows compositional search and evolution of harness modules."
  },
  "messer-autograding-review-2023": {
   "id": "messer-autograding-review-2023",
   "title": "Automated Grading and Feedback Tools for Programming Education: A Systematic Review",
   "title_en": "Automated Grading and Feedback Tools for Programming Education: A Systematic Review",
   "url": "https://arxiv.org/abs/2306.11722",
   "author": "Marcus Messer, Neil C. C. Brown, Michael Kölling, Miaojing Shi",
   "sponsored": false,
   "why": "Przegląda, jak narzędzia sprawdzają kod studentów i jakie informacje zwrotne naprawdę dają.",
   "why_en": "Surveys how tools check student code and what feedback they actually give."
  },
  "metalearners-cate-2017": {
   "id": "metalearners-cate-2017",
   "title": "Meta-learners for Estimating Heterogeneous Treatment Effects using Machine Learning",
   "title_en": "Meta-learners for Estimating Heterogeneous Treatment Effects using Machine Learning",
   "url": "https://arxiv.org/abs/1706.03461",
   "author": "Sören R. Künzel, Jasjeet S. Sekhon, Peter J. Bickel, Bin Yu",
   "sponsored": false,
   "why": "Wyjaśnia, jak zwykłe modele uczenia maszynowego zamienić w narzędzie do szacowania efektu leczenia.",
   "why_en": "Explains how ordinary machine-learning models become tools for estimating treatment effects."
  },
  "metarl-survey-2023": {
   "id": "metarl-survey-2023",
   "title": "Samouczek meta-uczenia ze wzmocnieniem",
   "title_en": "A Tutorial on Meta-Reinforcement Learning",
   "url": "https://arxiv.org/abs/2301.08028",
   "author": "Jacob Beck; Risto Vuorio; Evan Zheran Liu; Zheng Xiong; Luisa Zintgraf; Chelsea Finn; Shimon Whiteson",
   "sponsored": false,
   "why": "Poznasz podział metod, które uczą agenta szybko przystosowywać się do nowych zadań.",
   "why_en": "Learn how methods that teach agents to adapt quickly to new tasks are organised."
  },
  "metr-2025-productivity": {
   "id": "metr-2025-productivity",
   "title": "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity",
   "title_en": "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity",
   "url": "https://arxiv.org/abs/2507.09089",
   "author": "Joel Becker, Nate Rush, Elizabeth Barnes, David Rein (METR)",
   "sponsored": false,
   "why": "Poznasz losowy eksperyment mierzący czas pracy doświadczonych programistów z AI i bez niego, zestawiony z ich oczekiwaniami.",
   "why_en": "Explore a randomised experiment comparing experienced developers' work time with and without AI against their expectations."
  },
  "metr-2026-uplift-update": {
   "id": "metr-2026-uplift-update",
   "title": "We are Changing our Developer Productivity Experiment Design",
   "title_en": "We are Changing our Developer Productivity Experiment Design",
   "url": "https://metr.org/blog/2026-02-24-uplift-update/",
   "author": "METR",
   "sponsored": false,
   "why": "Zrozumiesz, jak odmowa pracy bez AI i selekcja zgłaszanych zadań utrudniają pomiar produktywności.",
   "why_en": "Understand how refusing AI-free work and selectively reporting tasks complicate productivity measurement."
  },
  "metr-common-elements-2025": {
   "id": "metr-common-elements-2025",
   "title": "Common Elements of Frontier AI Safety Policies",
   "title_en": "Common Elements of Frontier AI Safety Policies",
   "url": "https://metr.org/common-elements",
   "author": "METR",
   "sponsored": false,
   "why": "Porównasz elementy polityk bezpieczeństwa modeli granicznych, w tym progi zdolności, ochronę wag i warunki wstrzymania wdrożenia.",
   "why_en": "Compare frontier-model safety-policy elements, including capability thresholds, weight security and deployment-pause conditions."
  },
  "metr-openai-monitoring-redteam-2026": {
   "id": "metr-openai-monitoring-redteam-2026",
   "title": "Red-Teaming OpenAI's Internal Agent Monitoring Systems",
   "title_en": "Red-Teaming OpenAI's Internal Agent Monitoring Systems",
   "url": "https://metr.org/blog/2026-10-22-red-teaming-openai-monitoring/",
   "author": "David Rein, Adam Kaufman (METR)",
   "sponsored": false,
   "why": "Niezależnie dokumentuje luki pokrycia i możliwość obchodzenia wcześniejszej wersji monitoringu oraz wyznacza granice wniosków z firmowego opisu.",
   "why_en": "Independently documents coverage gaps and possible bypasses in an earlier monitoring system and bounds conclusions drawn from the company-authored description."
  },
  "meyer-pebesma-global-maps-2022": {
   "id": "meyer-pebesma-global-maps-2022",
   "title": "Machine learning-based global maps of ecological variables and the challenge of assessing them",
   "url": "https://www.nature.com/articles/s41467-022-29838-9",
   "author": "Hanna Meyer, Edzer Pebesma",
   "sponsored": false,
   "why": "Wyjaśnia, czemu globalnym mapom z uczenia maszynowego trudno zaufać i jak to sprawdzać.",
   "why_en": "Explains why global machine-learning maps are hard to trust and how to check them."
  },
  "miller-cgp-tutorial-2014": {
   "id": "miller-cgp-tutorial-2014",
   "title": "Cartesian Genetic Programming (tutorial, PPSN 2014)",
   "url": "https://cs.ijs.si/ppsn2014/files/slides/ppsn2014-tutorial3-miller.pdf",
   "author": "Julian F. Miller",
   "sponsored": false,
   "why": "Przegląd CGP od autora metody: kodowanie siatki węzłów, neutralny dryf i zastosowania.",
   "why_en": "An overview of CGP by its author: node-grid encoding, neutral drift and applications."
  },
  "miller-error-bars-2024": {
   "id": "miller-error-bars-2024",
   "title": "Adding Error Bars to Evals: A Statistical Approach to Language Model Evaluations",
   "title_en": "Adding Error Bars to Evals: A Statistical Approach to Language Model Evaluations",
   "url": "https://arxiv.org/abs/2411.00640",
   "author": "Evan Miller",
   "sponsored": false,
   "why": "Dowiesz się, jak traktować pytania ewaluacyjne jako próbkę i raportować niepewność porównań modeli.",
   "why_en": "Learn how to treat evaluation questions as a sample and report uncertainty in model comparisons."
  },
  "min-demonstrations-2022": {
   "id": "min-demonstrations-2022",
   "title": "Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?",
   "title_en": "Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?",
   "url": "https://arxiv.org/abs/2202.12837",
   "author": "Sewon Min, Xinxi Lyu, Ari Holtzman, Mikel Artetxe, Mike Lewis, Hannaneh Hajishirzi, Luke Zettlemoyer",
   "sponsored": false,
   "why": "Pokazuje, co w przykładach naprawdę pomaga modelowi: format i rodzaj danych bardziej niż poprawne odpowiedzi.",
   "why_en": "Shows what in examples really helps a model: format and kind of data more than correct answers."
  },
  "mistral-7b-2023": {
   "id": "mistral-7b-2023",
   "title": "Mistral 7B",
   "title_en": "Mistral 7B",
   "url": "https://arxiv.org/abs/2310.06825",
   "author": "Albert Q. Jiang, Alexandre Sablayrolles, Arthur Mensch i in. (Mistral AI)",
   "sponsored": true,
   "why": "Poznasz wykorzystanie grupowanych zapytań i uwagi okienkowej w projekcie modelu językowego.",
   "why_en": "Explore grouped-query and sliding-window attention used in a language-model design."
  },
  "mit-65940-efficientml": {
   "id": "mit-65940-efficientml",
   "title": "MIT 6.5940: TinyML and Efficient Deep Learning Computing (jesień 2024)",
   "title_en": "MIT 6.5940: TinyML and Efficient Deep Learning Computing (Fall 2024)",
   "url": "https://hanlab.mit.edu/courses/2024-fall-65940",
   "author": "Song Han (MIT HAN Lab)",
   "sponsored": false,
   "why": "Kurs uporządkuje kwantyzację, przycinanie, destylację i projektowanie modeli dla ograniczonego sprzętu.",
   "why_en": "The course organises quantisation, pruning, distillation and model design for constrained hardware."
  },
  "mixed-precision-2017": {
   "id": "mixed-precision-2017",
   "title": "Mixed Precision Training",
   "title_en": "Mixed Precision Training",
   "url": "https://arxiv.org/abs/1710.03740",
   "author": "Paulius Micikevicius, Sharan Narang, Jonah Alben i in. (NVIDIA, Baidu)",
   "sponsored": false,
   "why": "Zrozumiesz trening z obniżoną precyzją, wagami wzorcowymi i skalowaniem straty dla stabilności numerycznej.",
   "why_en": "Understand reduced-precision training with master weights and loss scaling for numerical stability."
  },
  "mixtral-2024": {
   "id": "mixtral-2024",
   "title": "Mixtral of Experts",
   "title_en": "Mixtral of Experts",
   "url": "https://arxiv.org/abs/2401.04088",
   "author": "Albert Q. Jiang, Alexandre Sablayrolles, Antoine Roux, Arthur Mensch i in. (Mistral AI)",
   "sponsored": true,
   "why": "Dowiesz się, jak wybór ekspertów dla tokenu rozdziela całkowitą liczbę parametrów od parametrów aktywnych.",
   "why_en": "Learn how token-specific expert selection separates total parameter counts from active parameters."
  },
  "mlabonne-llm-course": {
   "id": "mlabonne-llm-course",
   "title": "LLM Course (Maxime Labonne)",
   "title_en": "LLM Course (Maxime Labonne)",
   "url": "https://github.com/mlabonne/llm-course",
   "author": "Maxime Labonne",
   "sponsored": false,
   "why": "Kurikulum połączy podstawy modeli językowych, ich trening i ewaluację z budowaniem oraz utrzymaniem aplikacji.",
   "why_en": "The curriculum connects language-model foundations, training and evaluation with application construction and operations."
  },
  "mlflow-model-registry": {
   "id": "mlflow-model-registry",
   "title": "ML Model Registry (MLflow)",
   "title_en": "ML Model Registry (MLflow)",
   "url": "https://mlflow.org/docs/latest/ml/model-registry/",
   "author": "Projekt MLflow",
   "sponsored": true,
   "why": "Poznasz wersje modeli, zmienne aliasy i powiązanie artefaktu z eksperymentem, z którego powstał.",
   "why_en": "Explore model versions, mutable aliases and linking artefacts to their originating experiments."
  },
  "mlflow-prompt-registry": {
   "id": "mlflow-prompt-registry",
   "title": "MLflow Prompt Registry",
   "title_en": "MLflow Prompt Registry",
   "url": "https://mlflow.org/docs/latest/genai/prompt-registry/",
   "author": "Projekt MLflow",
   "sponsored": true,
   "why": "Dowiesz się, jak niezmienne wersje promptów i aliasy wspierają porównania, wdrażanie oraz wycofywanie zmian.",
   "why_en": "Learn how immutable prompt versions and aliases support comparisons, deployment and rollback."
  },
  "mlflow-tracking": {
   "id": "mlflow-tracking",
   "title": "MLflow Tracking: ML Experiment Tracking",
   "title_en": "MLflow Tracking: ML Experiment Tracking",
   "url": "https://mlflow.org/docs/latest/ml/tracking/",
   "author": "Projekt MLflow (Linux Foundation; pierwotnie Databricks)",
   "sponsored": true,
   "why": "Przećwiczysz zapisywanie parametrów, metryk i artefaktów uruchomień oraz porównywanie eksperymentów.",
   "why_en": "Practise recording run parameters, metrics and artefacts and comparing experiments."
  },
  "mllm-survey-yin-2023": {
   "id": "mllm-survey-yin-2023",
   "title": "A Survey on Multimodal Large Language Models",
   "title_en": "A Survey on Multimodal Large Language Models",
   "url": "https://arxiv.org/abs/2306.13549",
   "author": "Shukang Yin, Chaoyou Fu, Sirui Zhao, Ke Li, Xing Sun, Tong Xu, Enhong Chen",
   "sponsored": false,
   "why": "Szeroki przegląd tego, jak duże modele językowe nauczyły się pracować z obrazem i dźwiękiem.",
   "why_en": "A broad overview of how large language models learned to work with images and sound."
  },
  "mltaikins-playbooks-genai-2026": {
   "id": "mltaikins-playbooks-genai-2026",
   "title": "Combining contract playbooks with generative AI",
   "url": "https://www.mltaikins.com/insights/combining-contract-playbooks-with-generative-ai/",
   "author": "D. Graff, R. Brunet, M. Barnes (MLT Aikins LLP)",
   "sponsored": true,
   "why": "Wyjaśnia z praktyki, co zawiera playbook i czego narzędzia AI nie zrobią za prawnika.",
   "why_en": "Explains from practice what a playbook contains and what AI tools will not do for a lawyer."
  },
  "mmlbook": {
   "id": "mmlbook",
   "title": "Deisenroth, Faisal, Ong · Mathematics for Machine Learning — spis treści",
   "title_en": "Deisenroth, Faisal, Ong · Mathematics for Machine Learning — table of contents",
   "url": "https://mml-book.github.io/",
   "author": "Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong",
   "sponsored": false,
   "why": "Spis książki uporządkuje algebrę liniową, rachunek wektorowy, probabilistykę i optymalizację pod zastosowania uczenia maszynowego.",
   "why_en": "The book outline organises linear algebra, vector calculus, probability and optimisation for machine-learning applications."
  },
  "mo-midtraining-survey-2025": {
   "id": "mo-midtraining-survey-2025",
   "title": "Mid-Training of Large Language Models: A Survey",
   "title_en": "Mid-Training of Large Language Models: A Survey",
   "url": "https://arxiv.org/abs/2510.06826",
   "author": "Kaixiang Mo, Yuxin Shi, Weiwei Weng i in.",
   "sponsored": false,
   "why": "Poznasz etap między pretrainingiem i dostrajaniem, obejmujący zmiany danych, harmonogramu uczenia oraz długości kontekstu.",
   "why_en": "Explore the stage between pretraining and fine-tuning involving data, learning-schedule and context-length changes."
  },
  "mobile-aloha-2024": {
   "id": "mobile-aloha-2024",
   "title": "Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost Whole-Body Teleoperation",
   "title_en": "Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost Whole-Body Teleoperation",
   "url": "https://arxiv.org/abs/2401.02117",
   "author": "Z. Fu, T. Z. Zhao, C. Finn (Stanford)",
   "sponsored": false,
   "why": "Zobaczysz, jak tania teleoperacja całego ciała i współtrenowanie uczą robota prac kuchennych.",
   "why_en": "See how low-cost whole-body teleoperation and co-training teach a robot kitchen chores."
  },
  "mobilellm-2024": {
   "id": "mobilellm-2024",
   "title": "MobileLLM: Optimizing Sub-billion Parameter Language Models for On-Device Use Cases",
   "title_en": "MobileLLM: Optimizing Sub-billion Parameter Language Models for On-Device Use Cases",
   "url": "https://arxiv.org/abs/2402.14905",
   "author": "Zechun Liu, Changsheng Zhao, Forrest Iandola i in. (Meta)",
   "sponsored": false,
   "why": "Dowiesz się, jak głębokość, szerokość i współdzielenie parametrów wpływają na projekt małego modelu urządzeniowego.",
   "why_en": "Learn how depth, width and parameter sharing affect small on-device model design."
  },
  "model-cards-mitchell-2019": {
   "id": "model-cards-mitchell-2019",
   "title": "Model Cards for Model Reporting",
   "title_en": "Model Cards for Model Reporting",
   "url": "https://arxiv.org/abs/1810.03993",
   "author": "M. Mitchell, S. Wu, A. Zaldivar, P. Barnes, L. Vasserman, B. Hutchinson, E. Spitzer, I. D. Raji, T. Gebru",
   "sponsored": false,
   "why": "Poznasz dokumentowanie zamierzonych zastosowań modelu, procedury oceny i wyników w różnych warunkach oraz grupach.",
   "why_en": "Explore documenting intended model uses, evaluation procedures and results across conditions and groups."
  },
  "model-collapse-nature-2024": {
   "id": "model-collapse-nature-2024",
   "title": "AI models collapse when trained on recursively generated data",
   "title_en": "AI models collapse when trained on recursively generated data",
   "url": "https://www.nature.com/articles/s41586-024-07566-y",
   "author": "Ilia Shumailov, Zakhar Shumaylov, Yiren Zhao, Nicolas Papernot, Ross Anderson, Yarin Gal",
   "sponsored": false,
   "why": "Zrozumiesz badany zanik części rozkładu danych podczas rekurencyjnego treningu na treściach generowanych przez modele.",
   "why_en": "Understand studied loss of distribution coverage during recursive training on model-generated content."
  },
  "model-soups-2022": {
   "id": "model-soups-2022",
   "title": "Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time",
   "title_en": "Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time",
   "url": "https://arxiv.org/abs/2203.05482",
   "author": "Mitchell Wortsman, Gabriel Ilharco, Samir Yitzhak Gadre i in.",
   "sponsored": false,
   "why": "Poznasz eksperymenty uśredniania wag modeli ze wspólnej bazy zamiast łączenia ich osobnych predykcji.",
   "why_en": "Explore experiments averaging weights of models sharing a base instead of combining their separate predictions."
  },
  "modern-robotics-2017": {
   "id": "modern-robotics-2017",
   "title": "Modern Robotics: Mechanics, Planning, and Control",
   "title_en": "Modern Robotics: Mechanics, Planning, and Control",
   "url": "https://hades.mech.northwestern.edu/index.php/Modern_Robotics",
   "author": "Kevin M. Lynch, Frank C. Park",
   "sponsored": false,
   "why": "Podręcznik krok po kroku przez kinematykę, dynamikę, planowanie ruchu i sterowanie robotów, z darmowym PDF.",
   "why_en": "A step-by-step textbook on robot kinematics, dynamics, motion planning and control, with a free PDF."
  },
  "modi-semeval2023-legaleval": {
   "id": "modi-semeval2023-legaleval",
   "title": "SemEval 2023 Task 6: LegalEval – Understanding Legal Texts",
   "url": "https://arxiv.org/abs/2304.09548",
   "author": "Ashutosh Modi i in.",
   "sponsored": false,
   "why": "Przedstawia trzy podstawowe zadania czytania wyroków przez maszyny i ich wyniki we wspólnym konkursie.",
   "why_en": "Presents three core machine-reading tasks for court judgments and their results in a shared competition."
  },
  "moead-2007": {
   "id": "moead-2007",
   "title": "MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition",
   "url": "https://faculty.csu.edu.cn/_tsf/00/65/YRbqeeaaqQfi.pdf",
   "author": "Qingfu Zhang, Hui Li",
   "sponsored": false,
   "why": "Artykuł wprowadza dekompozycję problemu wielokryterialnego na wiele zadań z jednym ważonym celem.",
   "why_en": "The paper introduces decomposing a multi-objective problem into many single weighted-goal tasks."
  },
  "mohamed-disengagement-review-2024": {
   "id": "mohamed-disengagement-review-2024",
   "title": "Detecting Student Disengagement in Online Classes Using Deep Learning: A Review",
   "title_en": "Detecting Student Disengagement in Online Classes Using Deep Learning: A Review",
   "url": "https://arxiv.org/abs/2411.10464",
   "author": "Ahmed Mohamed, Mostafa Ali, Shahd Ahmed, Nouran Hani, Mohammed Hisham, Meram Mahmoud",
   "sponsored": false,
   "why": "Pokazuje, z jakich sygnałów i modeli korzysta się do wykrywania braku zaangażowania w nauce online.",
   "why_en": "Shows which signals and models are used to detect disengagement in online learning."
  },
  "moleculenet-2017": {
   "id": "moleculenet-2017",
   "title": "MoleculeNet: A Benchmark for Molecular Machine Learning",
   "title_en": "MoleculeNet: A Benchmark for Molecular Machine Learning",
   "url": "https://arxiv.org/abs/1703.00564",
   "author": "Zhenqin Wu, Bharath Ramsundar, Evan N. Feinberg, Joseph Gomes, Caleb Geniesse, Aneesh S. Pappu, Karl Leswing, Vijay Pande",
   "sponsored": false,
   "why": "Wyjaśnia, jak porównuje się modele przewidujące właściwości cząsteczek i gdzie zawodzą.",
   "why_en": "Explains how molecular property models are compared and where they fail."
  },
  "molnar-iml-book-3ed": {
   "id": "molnar-iml-book-3ed",
   "title": "Interpretable Machine Learning: A Guide for Making Black Box Models Explainable (3. wydanie)",
   "title_en": "Interpretable Machine Learning: A Guide for Making Black Box Models Explainable (3rd edition)",
   "url": "https://christophm.github.io/interpretable-ml-book/",
   "author": "Christoph Molnar",
   "sponsored": false,
   "why": "Porównasz modele interpretowalne oraz lokalne i globalne metody wyjaśniania predykcji czarnych skrzynek.",
   "why_en": "Compare interpretable models and local and global methods for explaining black-box predictions."
  },
  "montiel-river-2021": {
   "id": "montiel-river-2021",
   "title": "River: machine learning for streaming data in Python",
   "url": "https://jmlr.org/papers/v22/20-1380.html",
   "author": "Jacob Montiel, Max Halford, Saulo Martiello Mastelini, Geoffrey Bolmier, Raphael Sourty, Robin Vaysse, Adil Zouitine, Heitor Murilo Gomes, Jesse Read, Talel Abdessalem, Albert Bifet",
   "sponsored": false,
   "why": "Opis głównej biblioteki do uczenia na strumieniach danych w Pythonie i jej składników.",
   "why_en": "Describes the main Python library for learning on data streams and its building blocks."
  },
  "mordvintsev-nca-2020": {
   "id": "mordvintsev-nca-2020",
   "title": "Growing Neural Cellular Automata",
   "url": "https://doi.org/10.23915/distill.00023",
   "author": "Alexander Mordvintsev, Ettore Randazzo, Eyvind Niklasson, Michael Levin",
   "sponsored": false,
   "why": "Pokazuje, jak wytrenować regułę komórek, by z jednej kropki wyrastał i odrastał obraz.",
   "why_en": "Shows how to train a cell rule so an image grows from one dot and regrows after damage."
  },
  "mosaic-msarl-2026": {
   "id": "mosaic-msarl-2026",
   "title": "Mosaic: Multi-Session Agentic Reinforcement Learning",
   "title_en": "Mosaic: Multi-Session Agentic Reinforcement Learning",
   "url": "https://arxiv.org/abs/2610.22174",
   "author": "Yilong Xu, Minrui Xu, Xinyu Zhou, Xiang Long, Haochen Tan, Zhijiang Guo",
   "sponsored": false,
   "why": "Opisuje hierarchiczną optymalizację przewag dla trajektorii wielosesyjnych w agentach.",
   "why_en": "Describes hierarchical advantage optimization for multi-session agent trajectories."
  },
  "moshi": {
   "id": "moshi",
   "title": "Moshi: model mowy i tekstu do dialogu w czasie rzeczywistym",
   "title_en": "Moshi: a speech-text foundation model for real-time dialogue",
   "url": "https://arxiv.org/abs/2410.00037",
   "author": "Alexandre Défossez i wsp. (Kyutai)",
   "sponsored": false,
   "why": "Dowiesz się, jak równoległe strumienie audio i reprezentacja tekstowa współpracują w modelu dialogu głosowego.",
   "why_en": "Learn how parallel audio streams and textual representations cooperate in a voice-dialogue model."
  },
  "mpt-arxiv-2610.22322": {
   "id": "mpt-arxiv-2610.22322",
   "title": "Learning Self-Orchestration in Decentralized Agent Swarms",
   "title_en": "Learning Self-Orchestration in Decentralized Agent Swarms",
   "url": "https://arxiv.org/abs/2610.22322",
   "author": "Guowei Xu; Zhenting Qi; Amani Kiruga; Himabindu Lakkaraju; Yilun Du",
   "sponsored": false,
   "why": "Opisuje pełną metodę MPT, mechanizm ofert, przypisywanie kredytu i wyniki na trzech zadaniach.",
   "why_en": "Describes the full MPT method, bidding mechanism, credit assignment and results on three tasks."
  },
  "mpt-github": {
   "id": "mpt-github",
   "title": "MPT GitHub repository",
   "title_en": "MPT GitHub repository",
   "url": "https://github.com/Embodied-Minds-Lab/MPT",
   "author": "Embodied Minds Lab",
   "sponsored": false,
   "why": "Kod i modele pozwalają odtworzyć eksperymenty MPT.",
   "why_en": "Code and models allow reproducing the MPT experiments."
  },
  "mrta-fleets-review-2025": {
   "id": "mrta-fleets-review-2025",
   "title": "Task Allocation in Mobile Robot Fleets: A Review",
   "title_en": "Task Allocation in Mobile Robot Fleets: A Review",
   "url": "https://arxiv.org/abs/2501.08726",
   "author": "A. Meseguer Valenzuela, F. Blanes Noguera (Universitat Politècnica de València)",
   "sponsored": false,
   "why": "Poznasz główne rodziny metod rozdzielania zadań we flotach robotów i ich kompromisy.",
   "why_en": "Learn the main families of fleet task-allocation methods and their trade-offs."
  },
  "ms-work-trend-2024": {
   "id": "ms-work-trend-2024",
   "title": "Microsoft 2024 Work Trend Index — komunikat prasowy",
   "title_en": "Microsoft 2024 Work Trend Index — press release",
   "url": "https://news.microsoft.com/en-xm/2024/07/01/microsofts-2024-work-trend-index-report-showcases-increased-appetite-for-ai-at-work-highlights-opportunity-for-leaders-to-transform-enthusiasm-into-productivity-gains/",
   "author": "Microsoft (z LinkedIn)",
   "sponsored": false,
   "why": "Poznasz deklaracje ankietowanych o używaniu AI w pracy, własnych narzędziach i trudnościach wdrożeniowych.",
   "why_en": "Explore respondents' reports on workplace AI use, personal tools and adoption difficulties."
  },
  "mteb-2022": {
   "id": "mteb-2022",
   "title": "MTEB: Massive Text Embedding Benchmark",
   "title_en": "MTEB: Massive Text Embedding Benchmark",
   "url": "https://arxiv.org/abs/2210.07316",
   "author": "Niklas Muennighoff, Nouamane Tazi, Loïc Magne, Nils Reimers",
   "sponsored": false,
   "why": "Poznasz ocenę embeddingów tekstowych w różnych zadaniach i ograniczenia jednego ogólnego rankingu.",
   "why_en": "Explore evaluating text embeddings across tasks and the limitations of a single overall ranking."
  },
  "mtr-2022": {
   "id": "mtr-2022",
   "title": "Motion Transformer with Global Intention Localization and Local Movement Refinement",
   "title_en": "Motion Transformer with Global Intention Localization and Local Movement Refinement",
   "url": "https://arxiv.org/abs/2209.13508",
   "author": "Shaoshuai Shi, Li Jiang, Dengxin Dai, Bernt Schiele",
   "sponsored": false,
   "why": "Pokazuje, jak model przewiduje kilka różnych zamiarów kierowcy naraz zamiast jednej średniej.",
   "why_en": "Shows how a model predicts several different driver intentions at once instead of one average."
  },
  "muon-scalable-2025": {
   "id": "muon-scalable-2025",
   "title": "Muon is Scalable for LLM Training",
   "title_en": "Muon is Scalable for LLM Training",
   "url": "https://arxiv.org/abs/2502.16982",
   "author": "Jingyuan Liu, Jianlin Su, Xingcheng Yao i in. (Moonshot AI)",
   "sponsored": false,
   "why": "Dowiesz się, jak ortogonalizacja aktualizacji, weight decay i skalowanie kroków współpracują w optymalizatorze macierzowym.",
   "why_en": "Learn how update orthogonalisation, weight decay and step scaling cooperate in a matrix-based optimiser."
  },
  "muruganantham-yield-review-2022": {
   "id": "muruganantham-yield-review-2022",
   "title": "A Systematic Literature Review on Crop Yield Prediction with Deep Learning and Remote Sensing",
   "url": "https://www.mdpi.com/2072-4292/14/9/1990",
   "author": "Priyanga Muruganantham, Santoso Wibowo, Srimannarayana Grandhi, Nahidul Hoque Samrat, Nahina Islam",
   "sponsored": false,
   "why": "Przegląd tego, jakie dane i sieci służą dziś do przewidywania plonów z satelity.",
   "why_en": "Reviews which data and networks are used today to predict crop yields from satellites."
  },
  "musgrave-metric-reality-2020": {
   "id": "musgrave-metric-reality-2020",
   "title": "A Metric Learning Reality Check",
   "url": "https://arxiv.org/abs/2003.08505",
   "author": "Kevin Musgrave, Serge Belongie, Ser-Nam Lim",
   "sponsored": false,
   "why": "Pokazuje, jak uczciwie porównywać metody uczenia metryk i dlaczego wiele raportowanych postępów było złudnych.",
   "why_en": "Shows how to compare metric-learning methods fairly and why many reported gains were illusory."
  },
  "musicgen-2023": {
   "id": "musicgen-2023",
   "title": "Simple and Controllable Music Generation (MusicGen)",
   "title_en": "Simple and Controllable Music Generation (MusicGen)",
   "url": "https://arxiv.org/abs/2306.05284",
   "author": "Jade Copet, Felix Kreuk, Itai Gat, Tal Remez, David Kant, Gabriel Synnaeve, Yossi Adi, Alexandre Défossez",
   "sponsored": true,
   "why": "Pokazuje, jak model językowy może komponować muzykę z opisu lub melodii.",
   "why_en": "Shows how a language model can compose music from a description or melody."
  },
  "muzero-2019": {
   "id": "muzero-2019",
   "title": "Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model (MuZero)",
   "title_en": "Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model (MuZero)",
   "url": "https://arxiv.org/abs/1911.08265",
   "author": "J. Schrittwieser, I. Antonoglou, T. Hubert, K. Simonyan, L. Sifre, S. Schmitt, A. Guez, E. Lockhart, D. Hassabis, T. Graepel, T. Lillicrap, D. Silver",
   "sponsored": false,
   "why": "Zrozumiesz planowanie przez przeszukiwanie drzewa z modelem przewidującym nagrodę, politykę i wartość.",
   "why_en": "Understand tree-search planning with a model predicting rewards, policies and values."
  },
  "mxgmn-wavefunctioncollapse": {
   "id": "mxgmn-wavefunctioncollapse",
   "title": "WaveFunctionCollapse (repozytorium i README)",
   "title_en": "WaveFunctionCollapse (repository and README)",
   "url": "https://github.com/mxgmn/WaveFunctionCollapse",
   "author": "mxgmn (Maxim Gumin)",
   "sponsored": false,
   "why": "Oryginalny opis algorytmu krok po kroku, z przykładami i listą ograniczeń.",
   "why_en": "The original step-by-step description of the algorithm, with examples and a list of limitations."
  },
  "nakkiran-deepdd-2019": {
   "id": "nakkiran-deepdd-2019",
   "title": "Nakkiran i in. · Deep Double Descent: Where Bigger Models and More Data Hurt",
   "title_en": "Nakkiran et al. · Deep Double Descent: Where Bigger Models and More Data Hurt",
   "url": "https://arxiv.org/abs/1912.02292",
   "author": "Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever",
   "sponsored": false,
   "why": "Pokazuje podwójne zejście w głębokich sieciach względem rozmiaru, czasu treningu i ilości danych.",
   "why_en": "Shows double descent in deep networks across model size, training time and data quantity."
  },
  "narendra-contract-comparison-2024": {
   "id": "narendra-contract-comparison-2024",
   "title": "Enhancing Contract Negotiations with LLM-Based Legal Document Comparison",
   "url": "https://aclanthology.org/2024.nllp-1.11",
   "author": "Savinay Narendra, Kaushal Shetty, Adwait Ratnaparkhi",
   "sponsored": false,
   "why": "Pokazuje krok po kroku, jak porównać umowę z firmowym wzorcem przez wyszukiwanie i wnioskowanie.",
   "why_en": "Shows step by step how to compare a contract with a company template using retrieval and inference."
  },
  "nationwide-app-scam-ml-crc": {
   "id": "nationwide-app-scam-ml-crc",
   "title": "Machine learning modelling for enhanced APP scam prevention (abstract)",
   "title_en": "Machine learning modelling for enhanced APP scam prevention (abstract)",
   "url": "https://crc.business-school.ed.ac.uk/sites/crc/files/2025-11/Machine-learning-modelling-for-enhanced-APP-scam-prevention-abstract.pdf",
   "author": "Tim Pickering, Jack Noonan (Nationwide Building Society)",
   "sponsored": false,
   "why": "Przykład z banku, jak model uczenia maszynowego uzupełnia reguły w walce z oszustwami na przelew.",
   "why_en": "A bank's example of a machine-learning model complementing rules against push-payment scams."
  },
  "nav2-navigation-concepts-2026": {
   "id": "nav2-navigation-concepts-2026",
   "title": "Nav2 — Navigation Concepts and Navigation Servers",
   "title_en": "Nav2 — Navigation Concepts and Navigation Servers",
   "url": "https://docs.nav2.org/jazzy/getting_started/navigation_concepts/",
   "author": "Open Navigation LLC / ROS 2 Navigation Working Group",
   "sponsored": false,
   "why": "Objaśnia klasyczny podział nawigacji robota: lokalizacja, mapy kosztu, planer ścieżki i kontroler ruchu.",
   "why_en": "Explains the classic split of robot navigation: localisation, costmaps, path planner and motion controller."
  },
  "navsim-2024": {
   "id": "navsim-2024",
   "title": "NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking",
   "title_en": "NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking",
   "url": "https://arxiv.org/abs/2406.15349",
   "author": "Daniel Dauner, Marcel Hallgarten, Tianyu Li, Xinshuo Weng, Zhiyu Huang, Zetong Yang i in. (12 autorów)",
   "sponsored": false,
   "why": "Pokazuje, jak uczciwie porównywać systemy jazdy i że prostsze modele bywają równie dobre.",
   "why_en": "Shows how to compare driving systems fairly and that simpler models can be just as good."
  },
  "neal-causal": {
   "id": "neal-causal",
   "title": "Brady Neal · Introduction to Causal Inference (kurs)",
   "title_en": "Brady Neal · Introduction to Causal Inference (course)",
   "url": "https://www.bradyneal.com/causal-inference-course",
   "author": "Brady Neal",
   "sponsored": false,
   "why": "Poznasz modele przyczynowe, interwencje, identyfikację efektów i metody radzenia sobie ze zmiennymi zakłócającymi.",
   "why_en": "Explore causal models, interventions, effect identification and methods for handling confounders."
  },
  "neat-2002": {
   "id": "neat-2002",
   "title": "Evolving Neural Networks through Augmenting Topologies",
   "title_en": "Evolving Neural Networks through Augmenting Topologies",
   "url": "https://nn.cs.utexas.edu/downloads/papers/stanley.ec02.pdf",
   "author": "Kenneth O. Stanley, Risto Miikkulainen",
   "sponsored": false,
   "why": "Oryginalna praca opisuje trzy pomysły, dzięki którym ewolucja może bezpiecznie rozbudowywać sieci.",
   "why_en": "The original paper describes three ideas that let evolution safely grow network structure."
  },
  "nemo-guardrails-2023": {
   "id": "nemo-guardrails-2023",
   "title": "NeMo Guardrails: A Toolkit for Controllable and Safe LLM Applications with Programmable Rails",
   "title_en": "NeMo Guardrails: A Toolkit for Controllable and Safe LLM Applications with Programmable Rails",
   "url": "https://arxiv.org/abs/2310.10501",
   "author": "T. Rebedea, R. Dinu, M. Sreedhar, C. Parisien, J. Cohen (NVIDIA)",
   "sponsored": false,
   "why": "Poznasz programowalne reguły zabezpieczające wejścia, dialog, wyszukiwanie, wykonanie działań i odpowiedzi aplikacji.",
   "why_en": "Explore programmable rules protecting application inputs, dialogue, retrieval, action execution and responses."
  },
  "nemotron-voicechat-2026": {
   "id": "nemotron-voicechat-2026",
   "title": "NemotronLabs VoiceChat: pełnodupleksowy model mowa–mowa z narzędziami",
   "title_en": "NemotronLabs VoiceChat: An Open Full-duplex Speech-to-Speech Model with Tool Calling Capabilities",
   "url": "https://arxiv.org/abs/2609.21967",
   "author": "Jagadeesh Balam i współautorzy (NVIDIA)",
   "sponsored": false,
   "why": "Dowiesz się, jak zintegrowany model dialogu łączy strumienie mowy, tekstu i ustrukturyzowane wywołania narzędzi.",
   "why_en": "Learn how an integrated dialogue model combines speech streams, text and structured tool calls."
  },
  "nerf-2020": {
   "id": "nerf-2020",
   "title": "NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis",
   "title_en": "NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis",
   "url": "https://arxiv.org/abs/2003.08934",
   "author": "Ben Mildenhall, Pratul P. Srinivasan, Matthew Tancik, Jonathan T. Barron, Ravi Ramamoorthi, Ren Ng",
   "sponsored": false,
   "why": "Oryginalna praca, w której pokazano odtwarzanie scen 3D siecią neuronową.",
   "why_en": "The original paper showing 3D scene reconstruction with a neural network."
  },
  "nes-jmlr-2014": {
   "id": "nes-jmlr-2014",
   "title": "Natural Evolution Strategies",
   "url": "https://www.jmlr.org/papers/v15/wierstra14a.html",
   "author": "Daan Wierstra, Tom Schaul, Tobias Glasmachers, Yi Sun, Jan Peters, Jürgen Schmidhuber",
   "sponsored": false,
   "why": "Artykuł wyprowadza gradient przeszukiwania i gradient naturalny, które stoją za współczesnymi strategiami ewolucyjnymi.",
   "why_en": "The paper derives the search gradient and natural gradient behind modern evolution strategies."
  },
  "nesy-llm-2508": {
   "id": "nesy-llm-2508",
   "title": "Neuro-Symbolic Artificial Intelligence: Towards Improving the Reasoning Abilities of Large Language Models",
   "title_en": "Neuro-Symbolic Artificial Intelligence: Towards Improving the Reasoning Abilities of Large Language Models",
   "url": "https://arxiv.org/abs/2508.13678",
   "author": "Xiao-Wen Yang, Jie-Jing Shao, Lan-Zhe Guo, Bo-Wen Zhang, Zhi Zhou, Lin-Han Jia, Wang-Zhou Dai, Yu-Feng Li",
   "sponsored": false,
   "why": "Porównasz trzy kierunki łączenia modeli językowych i metod symbolicznych do rozumowania.",
   "why_en": "Compare three directions for combining language models and symbolic reasoning methods."
  },
  "neuralgcm-2023": {
   "id": "neuralgcm-2023",
   "title": "Neural General Circulation Models for Weather and Climate",
   "title_en": "Neural General Circulation Models for Weather and Climate",
   "url": "https://arxiv.org/abs/2311.07222",
   "author": "Dmitrii Kochkov, Janni Yuval, Ian Langmore i in. (Google Research, ECMWF, MIT)",
   "sponsored": false,
   "why": "Pokazuje, jak połączyć równania fizyki z uczonymi poprawkami w jednym modelu klimatu.",
   "why_en": "Shows how to combine physics equations and learned corrections in a single climate model."
  },
  "neuroevolution-review-2019": {
   "id": "neuroevolution-review-2019",
   "title": "Designing neural networks through neuroevolution",
   "title_en": "Designing neural networks through neuroevolution",
   "url": "https://www.nature.com/articles/s42256-018-0006-z",
   "author": "Kenneth O. Stanley, Jeff Clune, Joel Lehman, Risto Miikkulainen",
   "sponsored": false,
   "why": "Przegląd w czasopiśmie pokazuje, co neuroewolucja wnosi obok uczenia gradientowego i gdzie się sprawdza.",
   "why_en": "The journal review shows what neuroevolution adds alongside gradient learning and where it works."
  },
  "nevmyvaka-rl-execution-2006": {
   "id": "nevmyvaka-rl-execution-2006",
   "title": "Reinforcement Learning for Optimized Trade Execution",
   "title_en": "Reinforcement Learning for Optimized Trade Execution",
   "url": "https://www.cis.upenn.edu/~mkearns/papers/rlexec.pdf",
   "author": "Yuriy Nevmyvaka, Yi Feng, Michael Kearns",
   "sponsored": false,
   "why": "Pierwotny artykuł pokazujący zastosowanie uczenia ze wzmocnieniem do wykonania zleceń na danych z arkusza NASDAQ.",
   "why_en": "Primary paper demonstrating reinforcement learning for order execution on NASDAQ order-book data."
  },
  "next-day-wildfire-spread-2021": {
   "id": "next-day-wildfire-spread-2021",
   "title": "Next Day Wildfire Spread: A Machine Learning Data Set to Predict Wildfire Spreading from Remote-Sensing Data",
   "title_en": "Next Day Wildfire Spread: A Machine Learning Data Set to Predict Wildfire Spreading from Remote-Sensing Data",
   "url": "https://arxiv.org/abs/2112.02447",
   "author": "Fantine Huot; R. Lily Hu; Nita Goyal; Tharun Sankar; Matthias Ihme; Yi-Fan Chen",
   "sponsored": false,
   "why": "Pokazuje, jakie dane wejściowe i jaki model służą do prognozy jutrzejszego zasięgu pożaru.",
   "why_en": "Shows which inputs and model are used to forecast tomorrow's fire extent."
  },
  "ng-reward-shaping-1999": {
   "id": "ng-reward-shaping-1999",
   "title": "Policy Invariance Under Reward Transformations: Theory and Application to Reward Shaping",
   "title_en": "Policy Invariance Under Reward Transformations: Theory and Application to Reward Shaping",
   "url": "https://mlanthology.org/icml/1999/ng1999icml-policy/",
   "author": "Andrew Y. Ng, Daishi Harada, Stuart J. Russell",
   "sponsored": false,
   "why": "Dowiesz się, dlaczego nagroda pomocnicza oparta na potencjale nie zmienia optymalnej polityki, a inne dodatki mogą ją wypaczyć.",
   "why_en": "Learn why a potential-based auxiliary reward leaves the optimal policy unchanged while other additions can distort it."
  },
  "nie-llada-2025": {
   "id": "nie-llada-2025",
   "title": "Large Language Diffusion Models",
   "title_en": "Large Language Diffusion Models",
   "url": "https://arxiv.org/abs/2502.09992",
   "author": "Shen Nie, Fengqi Zhu, Zebin You, Xiaolu Zhang, Jingyang Ou, Jun Hu, Jun Zhou, Yankai Lin, Ji-Rong Wen, Chongxuan Li",
   "sponsored": false,
   "why": "Maskowana dyfuzja trenowana od zera oraz sampler z ponownym maskowaniem według pewności.",
   "why_en": "Masked diffusion trained from scratch, and a sampler that remasks tokens by confidence."
  },
  "niklaus-swiss-anonymization-2023": {
   "id": "niklaus-swiss-anonymization-2023",
   "title": "Automatic Anonymization of Swiss Federal Supreme Court Rulings",
   "url": "https://arxiv.org/abs/2310.04632",
   "author": "Joel Niklaus, Robin Mamié, Matthias Stürmer, Daniel Brunner, Marcel Gygli",
   "sponsored": false,
   "why": "Pokazuje, jak sąd łączy reguły, model i człowieka przy zakrywaniu danych w wyrokach.",
   "why_en": "Shows how a court combines rules, a model and a human to mask data in rulings."
  },
  "nisan-agt-2007": {
   "id": "nisan-agt-2007",
   "title": "Nisan, Roughgarden, Tardos, Vazirani (red.) · Algorithmic Game Theory",
   "title_en": "Nisan, Roughgarden, Tardos, Vazirani (eds.) · Algorithmic Game Theory",
   "url": "https://www.cambridge.org/core/books/algorithmic-game-theory/0092C07CA8B724E1B1BE2238DDD66B38",
   "author": "Noam Nisan, Tim Roughgarden, Éva Tardos, Vijay V. Vazirani (red.)",
   "sponsored": false,
   "why": "Przekrojowy podręcznik o tym, jak informatyka liczy równowagi i projektuje mechanizmy oraz aukcje.",
   "why_en": "A broad textbook on how computer science computes equilibria and designs mechanisms and auctions."
  },
  "nist": {
   "id": "nist",
   "title": "NIST · AI Risk Management Framework",
   "url": "https://www.nist.gov/itl/ai-risk-management-framework",
   "kind": "reference",
   "note": "Uzupełnienie kursów o ryzyko i zarządzanie AI; nie porada prawna.",
   "sponsored": false,
   "why": "Poznasz dobrowolne ramy identyfikowania, oceniania i zarządzania ryzykiem systemów AI.",
   "why_en": "Explore a voluntary framework for identifying, assessing and managing AI-system risks."
  },
  "nist-ai-rmf-core": {
   "id": "nist-ai-rmf-core",
   "title": "NIST AI RMF 1.0 — Core (Govern, Map, Measure, Manage) + Generative AI Profile (NIST AI 600-1)",
   "title_en": "NIST AI RMF 1.0 — Core (Govern, Map, Measure, Manage) + Generative AI Profile (NIST AI 600-1)",
   "url": "https://airc.nist.gov/airmf-resources/airmf/5-sec-core/",
   "author": "NIST; profil GenAI: C. Autio, R. Schwartz, J. Dunietz i in.",
   "sponsored": false,
   "why": "Zrozumiesz funkcje zarządzania, mapowania, pomiaru i obsługi ryzyka oraz ich zastosowanie do generatywnej AI.",
   "why_en": "Understand governance, mapping, measurement and risk-management functions and their application to generative AI."
  },
  "nllb-2022": {
   "id": "nllb-2022",
   "title": "No Language Left Behind: Scaling Human-Centered Machine Translation",
   "title_en": "No Language Left Behind: Scaling Human-Centered Machine Translation",
   "url": "https://arxiv.org/abs/2207.04672",
   "author": "NLLB Team, Marta R. Costa-jussà, James Cross, Onur Çelebi i in. (Meta AI)",
   "sponsored": true,
   "why": "Pokazuje, jak buduje się jeden model tłumaczący między ponad dwustoma językami, także rzadkimi.",
   "why_en": "Shows how one model is built to translate between over two hundred languages, including rare ones."
  },
  "nlp-augmentation-survey-2021": {
   "id": "nlp-augmentation-survey-2021",
   "title": "A Survey of Data Augmentation Approaches for NLP",
   "title_en": "A Survey of Data Augmentation Approaches for NLP",
   "url": "https://arxiv.org/abs/2105.03075",
   "author": "Steven Y. Feng, Varun Gangal, Jason Wei, Sarath Chandar, Soroush Vosoughi, Teruko Mitamura, Eduard Hovy",
   "sponsored": false,
   "why": "Porównasz regułowe, interpolacyjne i modelowe metody rozszerzania danych językowych.",
   "why_en": "Compare rule-based, interpolation and model-based methods for augmenting language data."
  },
  "nngroup-response-times": {
   "id": "nngroup-response-times",
   "title": "Response Times: The 3 Important Limits",
   "title_en": "Response Times: The 3 Important Limits",
   "url": "https://www.nngroup.com/articles/response-times-3-important-limits/",
   "author": "Jakob Nielsen (Nielsen Norman Group)",
   "sponsored": false,
   "why": "Zrozumiesz, jak czas reakcji interfejsu wpływa na odczucie płynności, tok myślenia i utrzymanie uwagi.",
   "why_en": "Understand how interface response times affect perceived fluency, thought continuity and attention."
  },
  "nnunet-2018": {
   "id": "nnunet-2018",
   "title": "nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation",
   "title_en": "nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation",
   "url": "https://arxiv.org/abs/1809.10486",
   "author": "Fabian Isensee, Jens Petersen, André Klein i in. (DKFZ), Klaus H. Maier-Hein",
   "sponsored": false,
   "why": "Pokazuje, że starannie dostrojony zwykły U-Net wygrywa w wielu zadaniach segmentacji medycznej.",
   "why_en": "Shows that a carefully configured plain U-Net wins across many medical segmentation tasks."
  },
  "nobel-chem-2024-embl": {
   "id": "nobel-chem-2024-embl",
   "title": "Computational protein design and protein structure prediction win Nobel Prize in Chemistry (EMBL)",
   "title_en": "Computational protein design and protein structure prediction win Nobel Prize in Chemistry (EMBL)",
   "url": "https://www.embl.org/news/science-technology/alphafold-wins-nobel-prize-chemistry-2024/",
   "author": "EMBL",
   "sponsored": false,
   "why": "Wyjaśnia, za co przyznano Nobla 2024 i jak przewidywanie oraz projektowanie białek zmieniło biologię.",
   "why_en": "Explains what the 2024 Nobel recognised and how protein prediction and design changed biology."
  },
  "noise-scheduling-chen-2023": {
   "id": "noise-scheduling-chen-2023",
   "title": "On the Importance of Noise Scheduling for Diffusion Models",
   "title_en": "On the Importance of Noise Scheduling for Diffusion Models",
   "url": "https://arxiv.org/abs/2301.10972",
   "author": "Ting Chen",
   "sponsored": false,
   "why": "Dowiesz się, że optimum szumu zależy od rozmiaru obrazu i jak przesunąć krzywą bez zmiany jej kształtu.",
   "why_en": "Learn that the best noise level depends on image size and how to shift the curve without changing its shape."
  },
  "novelty-search-2011": {
   "id": "novelty-search-2011",
   "title": "Abandoning Objectives: Evolution through the Search for Novelty Alone",
   "title_en": "Abandoning Objectives: Evolution through the Search for Novelty Alone",
   "url": "https://www.cs.swarthmore.edu/~meeden/DevelopmentalRobotics/lehman_ecj11.pdf",
   "author": "Joel Lehman, Kenneth O. Stanley",
   "sponsored": false,
   "why": "Klasyczna praca wyjaśnia, dlaczego szukanie nowości zamiast celu potrafi rozwiązać zwodnicze problemy.",
   "why_en": "The classic paper explains why seeking novelty instead of the goal can solve deceptive problems."
  },
  "nsga3-runtime-2023": {
   "id": "nsga3-runtime-2023",
   "title": "A Mathematical Runtime Analysis of the Non-dominated Sorting Genetic Algorithm III (NSGA-III)",
   "url": "https://arxiv.org/abs/2211.08202",
   "author": "Simon Wietheger, Benjamin Doerr",
   "sponsored": false,
   "why": "Praca przystępnie opisuje, jak NSGA-III wybiera rozwiązania według punktów referencyjnych i dlaczego NSGA-II słabnie przy wielu celach.",
   "why_en": "The paper clearly describes how NSGA-III selects by reference points and why NSGA-II weakens with many objectives."
  },
  "nuplan-2021": {
   "id": "nuplan-2021",
   "title": "NuPlan: A closed-loop ML-based planning benchmark for autonomous vehicles",
   "title_en": "NuPlan: A closed-loop ML-based planning benchmark for autonomous vehicles",
   "url": "https://arxiv.org/abs/2106.11810",
   "author": "Holger Caesar, Juraj Kabzan, Kok Seang Tan, Whye Kit Fong, Eric Wolff, Alex Lang i in. (9 autorów)",
   "sponsored": false,
   "why": "Wyjaśnia, czemu planery trzeba sprawdzać w pętli zamkniętej, a nie przez porównanie z nagraniem.",
   "why_en": "Explains why planners must be tested in closed loop rather than against a recording."
  },
  "nuscenes-2019": {
   "id": "nuscenes-2019",
   "title": "nuScenes: A multimodal dataset for autonomous driving",
   "title_en": "nuScenes: A multimodal dataset for autonomous driving",
   "url": "https://arxiv.org/abs/1903.11027",
   "author": "Holger Caesar, Varun Bankiti, Alex H. Lang, Sourabh Vora, Venice Erin Liong, Qiang Xu i in. (10 autorów)",
   "sponsored": false,
   "why": "Pokazuje, jakie czujniki ma auto autonomiczne i jak ocenia się wykrywanie obiektów 3D.",
   "why_en": "Shows which sensors a self-driving car carries and how 3D object detection is scored."
  },
  "nvidia-audio2face3d-2025": {
   "id": "nvidia-audio2face3d-2025",
   "title": "Audio2Face-3D: Audio-driven Realistic Facial Animation For Digital Avatars",
   "title_en": "Audio2Face-3D: Audio-driven Realistic Facial Animation For Digital Avatars",
   "url": "https://arxiv.org/abs/2508.16401",
   "author": "Chaeyeon Chung, Ilya Fedorov, Michael Huang, Aleksey Karmanov, Dmitry Korobchenko, Roger Ribera, Yeongho Seol",
   "sponsored": false,
   "why": "Pokazuje kompletny, otwarty system zamiany głosu na ruch twarzy postaci 3D, od danych po wdrożenie.",
   "why_en": "Shows a complete, open system turning voice into 3D character face motion, from data to deployment."
  },
  "nvidia-llm-inference-opt-2023": {
   "id": "nvidia-llm-inference-opt-2023",
   "title": "Mastering LLM Techniques: Inference Optimization",
   "title_en": "Mastering LLM Techniques: Inference Optimization",
   "url": "https://developer.nvidia.com/blog/mastering-llm-techniques-inference-optimization/",
   "author": "Shashank Verma, Neal Vaidya (NVIDIA Technical Blog)",
   "sponsored": true,
   "why": "Poznasz rolę pamięci kluczy i wartości, faz inferencji, grupowania uwagi oraz kwantyzacji w optymalizacji serwowania.",
   "why_en": "Explore key-value memory, inference stages, grouped attention and quantisation in serving optimisation."
  },
  "nyffenegger-anonymity-at-risk-2023": {
   "id": "nyffenegger-anonymity-at-risk-2023",
   "title": "Anonymity at Risk? Assessing Re-Identification Capabilities of Large Language Models in Court Decisions",
   "url": "https://arxiv.org/abs/2308.11103",
   "author": "Alex Nyffenegger, Matthias Stürmer, Joel Niklaus",
   "sponsored": false,
   "why": "Sprawdza, czy model językowy z dostępem do prasy potrafi odgadnąć, kogo dotyczył zanonimizowany wyrok.",
   "why_en": "Tests whether a language model with access to news can guess who an anonymised ruling was about."
  },
  "nystrom-gpp-state": {
   "id": "nystrom-gpp-state",
   "title": "Game Programming Patterns – State",
   "title_en": "Game Programming Patterns – State",
   "url": "https://gameprogrammingpatterns.com/state.html",
   "author": "Robert Nystrom",
   "sponsored": false,
   "why": "Przystępnie pokazuje automat stanów, jego wersję hierarchiczną i ze stosem na przykładzie bohaterki gry platformowej.",
   "why_en": "Clearly shows a state machine and its hierarchical and stack-based versions using a platformer heroine as the example."
  },
  "oard-minecore-2019": {
   "id": "oard-minecore-2019",
   "title": "Jointly Minimizing the Expected Costs of Review for Responsiveness and Privilege in E-Discovery",
   "url": "https://openportal.isti.cnr.it/data/2018/401230/2018_401230.postprint.pdf",
   "author": "Douglas W. Oard, Fabrizio Sebastiani, Jyothi K. Vinjumur",
   "sponsored": false,
   "why": "Wyjaśnia, jak łączyć ocenę istotności i tajemnicy, by ręczna praca trafiała tam, gdzie najbardziej się opłaca.",
   "why_en": "Explains how to combine relevance and privilege review so manual effort goes where it pays most."
  },
  "oasis-akoma-ntoso-2018": {
   "id": "oasis-akoma-ntoso-2018",
   "title": "Akoma Ntoso Version 1.0. Part 1: XML Vocabulary",
   "url": "https://docs.oasis-open.org/legaldocml/akn-core/v1.0/akn-core-v1.0-part1-vocabulary.html",
   "author": "OASIS LegalDocML TC (red. Monica Palmirani, Roger Sperberg, Grant Vergottini, Fabio Vitali)",
   "sponsored": false,
   "why": "Opisuje międzynarodowy standard zapisu ustaw i wyroków w postaci zrozumiałej dla komputera.",
   "why_en": "Describes the international standard for encoding laws and rulings in a computer-readable form."
  },
  "oasis-legalruleml-2021": {
   "id": "oasis-legalruleml-2021",
   "title": "LegalRuleML Core Specification Version 1.0",
   "url": "https://docs.oasis-open.org/legalruleml/legalruleml-core-spec/v1.0/legalruleml-core-spec-v1.0.html",
   "author": "OASIS LegalRuleML TC (red. Monica Palmirani, Guido Governatori, Tara Athan, Harold Boley, Adrian Paschke, Adam Wyner)",
   "sponsored": false,
   "why": "Opisuje standard zapisu obowiązków, zakazów i wyjątków prawnych w formie reguł dla komputera.",
   "why_en": "Describes the standard for encoding legal obligations, prohibitions and exceptions as machine rules."
  },
  "obermeyer-bias-2019": {
   "id": "obermeyer-bias-2019",
   "title": "Dissecting racial bias in an algorithm used to manage the health of populations",
   "title_en": "Dissecting racial bias in an algorithm used to manage the health of populations",
   "url": "https://doi.org/10.1126/science.aax2342",
   "author": "Ziad Obermeyer, Brian Powers, Christine Vogeli, Sendhil Mullainathan",
   "sponsored": false,
   "why": "Klasyczny przykład, jak zły wybór etykiety wbudowuje nierówność w algorytm medyczny.",
   "why_en": "A classic example of how a poor label choice builds inequity into a medical algorithm."
  },
  "occ-bulletin-2026-13": {
   "id": "occ-bulletin-2026-13",
   "title": "OCC Bulletin 2026-13: Model Risk Management — Revised Guidance",
   "title_en": "OCC Bulletin 2026-13: Model Risk Management — Revised Guidance",
   "url": "https://www.occ.gov/news-issuances/bulletins/2026/bulletin-2026-13.html",
   "author": "Office of the Comptroller of the Currency; Board of Governors of the Federal Reserve System; Federal Deposit Insurance Corporation",
   "sponsored": false,
   "why": "Pokazuje, jak amerykańscy nadzorcy oczekują od banków zarządzania ryzykiem modeli po zmianie wytycznych w 2026 roku.",
   "why_en": "Shows how US supervisors expect banks to manage model risk under the guidance revised in 2026."
  },
  "occ3d-2023": {
   "id": "occ3d-2023",
   "title": "Occ3D: A Large-Scale 3D Occupancy Prediction Benchmark for Autonomous Driving",
   "title_en": "Occ3D: A Large-Scale 3D Occupancy Prediction Benchmark for Autonomous Driving",
   "url": "https://arxiv.org/abs/2304.14365",
   "author": "Xiaoyu Tian, Tao Jiang, Longfei Yun, Yucheng Mao, Huitong Yang, Yue Wang, Yilun Wang, Hang Zhao",
   "sponsored": false,
   "why": "Wyjaśnia, czemu auta opisują przestrzeń klockami zamiast pudełkami i jak się to mierzy.",
   "why_en": "Explains why cars describe space as blocks instead of boxes, and how it is measured."
  },
  "octo-2024": {
   "id": "octo-2024",
   "title": "Octo: An Open-Source Generalist Robot Policy",
   "title_en": "Octo: An Open-Source Generalist Robot Policy",
   "url": "https://arxiv.org/abs/2405.12213",
   "author": "Octo Model Team: D. Ghosh, H. Walke, K. Pertsch, K. Black i in.",
   "sponsored": false,
   "why": "Poznasz otwartą politykę trenowaną na danych wielu robotów i sposób jej dostrajania do nowego sprzętu.",
   "why_en": "Get to know an open policy trained on many robots' data and how it is fine-tuned to new hardware."
  },
  "odd-context-2022": {
   "id": "odd-context-2022",
   "title": "Setting AI in context: A case study on defining the context and operational design domain for automated driving",
   "title_en": "Setting AI in context: A case study on defining the context and operational design domain for automated driving",
   "url": "https://arxiv.org/abs/2201.11451",
   "author": "Hans-Martin Heyn, Padmini Subbiash, Jennifer Linder, Eric Knauss, Olof Eriksson",
   "sponsored": false,
   "why": "Wyjaśnia, czym jest domena projektowa działania pojazdu i dlaczego trudno ją jednoznacznie opisać.",
   "why_en": "Explains what a vehicle's operational design domain is and why it is hard to define precisely."
  },
  "oecd-cracking-the-code-2020": {
   "id": "oecd-cracking-the-code-2020",
   "title": "Cracking the Code: Rulemaking for humans and machines",
   "url": "https://oecd-opsi.org/publications/cracking-the-code/",
   "author": "OECD Observatory of Public Sector Innovation (OPSI)",
   "sponsored": false,
   "why": "Wyjaśnia, czym jest podejście „prawo jako kod” w administracji i jakie pytania prawne otwiera.",
   "why_en": "Explains the rules-as-code approach in government and the legal questions it raises."
  },
  "olmo2-2025": {
   "id": "olmo2-2025",
   "title": "2 OLMo 2 Furious",
   "title_en": "2 OLMo 2 Furious",
   "url": "https://arxiv.org/abs/2501.00656",
   "author": "Team OLMo: Pete Walsh, Luca Soldaini i in. (Allen Institute for AI)",
   "sponsored": false,
   "why": "Dowiesz się, jak zmiany architektury, stabilizacji treningu i późnej mieszanki danych współpracują w otwartej recepturze modelu.",
   "why_en": "Learn how architecture changes, training stabilisation and late-stage data mixtures combine in an open model recipe."
  },
  "olmocr-2025": {
   "id": "olmocr-2025",
   "title": "olmOCR: Unlocking Trillions of Tokens in PDFs with Vision Language Models",
   "title_en": "olmOCR: Unlocking Trillions of Tokens in PDFs with Vision Language Models",
   "url": "https://arxiv.org/abs/2502.18443",
   "author": "Jake Poznanski, Aman Rangapur, Jon Borchardt, Jason Dunkelberger, Regan Huff, Daniel Lin, Christopher Wilhelm, Kyle Lo, Luca Soldaini",
   "sponsored": false,
   "why": "Poznasz wydobywanie uporządkowanego tekstu, tabel i wzorów z dokumentów przy użyciu modelu wizyjno-językowego.",
   "why_en": "Explore extracting structured text, tables and formulas from documents using a vision-language model."
  },
  "ompl-docs": {
   "id": "ompl-docs",
   "title": "OMPL – The Open Motion Planning Library",
   "title_en": "OMPL – The Open Motion Planning Library",
   "url": "https://ompl.kavrakilab.org/",
   "author": "Kavraki Lab (Rice University)",
   "sponsored": false,
   "why": "Poznasz praktyczny zestaw planerów próbkujących, z którego korzysta większość robotów na ROS.",
   "why_en": "Get to know the practical set of sampling-based planners used by most ROS-based robots."
  },
  "oneill-ryan-ge-2001": {
   "id": "oneill-ryan-ge-2001",
   "title": "Grammatical Evolution",
   "url": "https://gpbib.cs.ucl.ac.uk/gp-html/oneill_2001_TEC.html",
   "author": "Michael O'Neill, Conor Ryan",
   "sponsored": false,
   "why": "Artykuł wprowadzający ewolucję gramatyczną: jak gramatyka zamienia ciąg liczb w poprawny program.",
   "why_en": "The paper introducing grammatical evolution: how a grammar turns a number string into a valid program."
  },
  "onnx-concepts": {
   "id": "onnx-concepts",
   "title": "ONNX Concepts (dokumentacja ONNX 1.24)",
   "title_en": "ONNX Concepts (ONNX 1.24 docs)",
   "url": "https://onnx.ai/onnx/intro/concepts.html",
   "author": "Projekt ONNX (LF AI & Data)",
   "sponsored": false,
   "why": "Zrozumiesz reprezentację grafu modelu, wersjonowanie operatorów i wymianę modeli między frameworkami.",
   "why_en": "Understand model-graph representation, operator versioning and model exchange between frameworks."
  },
  "onnx-runtime-docs": {
   "id": "onnx-runtime-docs",
   "title": "ONNX Runtime — dokumentacja",
   "title_en": "ONNX Runtime documentation",
   "url": "https://onnxruntime.ai/docs/",
   "author": "Microsoft / projekt ONNX Runtime",
   "sponsored": true,
   "why": "Dowiesz się, jak silnik inferencji deleguje wykonanie modelu do dostawców obsługujących różne akceleratory.",
   "why_en": "Learn how an inference engine delegates model execution to providers supporting different accelerators."
  },
  "ontheclock-2026": {
   "id": "ontheclock-2026",
   "title": "On the Clock: Towards Punctual and Productive Time-Budgeted AI Agents",
   "title_en": "On the Clock: Towards Punctual and Productive Time-Budgeted AI Agents",
   "url": "https://arxiv.org/abs/2610.10833",
   "author": "Aaron Wang, Neelabh Madan, Vlad Sobal, Matthew Trager, Michael Kleinman, Elman Mansimov, Wei Xia, Stefano Soatto",
   "sponsored": false,
   "why": "Pokazuje na dwóch środowiskach testowych, że sama instrukcja z budżetem nie zapewnia terminowości, natomiast informacje z uprzęży, haki egzekwujące i trening z nagrodą czasową poprawiają przestrzeganie limitu.",
   "why_en": "Shows in two evaluation environments that a budget instruction alone does not ensure timeliness, while harness feedback, enforcement hooks, and time-aware reward training improve adherence."
  },
  "open-problems-mechinterp-2025": {
   "id": "open-problems-mechinterp-2025",
   "title": "Open Problems in Mechanistic Interpretability",
   "title_en": "Open Problems in Mechanistic Interpretability",
   "url": "https://arxiv.org/abs/2501.16496",
   "author": "Lee Sharkey, Bilal Chughtai, Joshua Batson, Jack Lindsey, Jeff Wu i in. (29 autorów, m.in. Neel Nanda, Stella Biderman, David Bau, Mor Geva)",
   "sponsored": false,
   "why": "Poznasz otwarte problemy metod interpretowalności mechanistycznej, ich praktycznych zastosowań i oceny użyteczności.",
   "why_en": "Explore open problems in mechanistic-interpretability methods, practical applications and usefulness assessment."
  },
  "open-x-embodiment-2023": {
   "id": "open-x-embodiment-2023",
   "title": "Open X-Embodiment: Robotic Learning Datasets and RT-X Models",
   "title_en": "Open X-Embodiment: Robotic Learning Datasets and RT-X Models",
   "url": "https://arxiv.org/abs/2310.08864",
   "author": "Open X-Embodiment Collaboration",
   "sponsored": false,
   "why": "Dowiesz się, jak wspólne dane z różnych robotów wspierają transfer umiejętności między platformami.",
   "why_en": "Learn how shared data from different robots supports skill transfer across platforms."
  },
  "openai-batch-api": {
   "id": "openai-batch-api",
   "title": "Batch API — dokumentacja OpenAI",
   "title_en": "Batch API — OpenAI documentation",
   "url": "https://developers.openai.com/api/docs/guides/batch",
   "author": "OpenAI",
   "sponsored": false,
   "why": "Poznasz asynchroniczne przetwarzanie paczek zapytań, przygotowanie zadań i odbieranie wyników poza rozmową na żywo.",
   "why_en": "Explore asynchronous query-batch processing, task preparation and result collection outside live conversations."
  },
  "openai-codex-skills-docs": {
   "id": "openai-codex-skills-docs",
   "title": "Agent Skills w Codex",
   "title_en": "Agent Skills in Codex",
   "url": "https://developers.openai.com/codex/skills",
   "author": "OpenAI",
   "sponsored": true,
   "why": "Pokazuje, że drugi produkt czyta ten sam format folderu i wczytuje opis przed treścią.",
   "why_en": "Shows a second product reading the same folder format and loading the description before the body."
  },
  "openai-frontier-monitoring-2026": {
   "id": "openai-frontier-monitoring-2026",
   "title": "How we detect frontier model misalignment",
   "title_en": "How we detect frontier model misalignment",
   "url": "https://openai.com/index/how-we-detect-frontier-model-misalignment/",
   "author": "OpenAI",
   "sponsored": false,
   "why": "Opisuje architekturę wielowarstwowego monitorowania agentów z sondami aktywacji i agentami śledczymi.",
   "why_en": "Describes the multi-layer agent monitoring architecture with activation probes and investigative agents."
  },
  "openai-harness-2026": {
   "id": "openai-harness-2026",
   "title": "Harness engineering: leveraging Codex in an agent-first world",
   "title_en": "Harness engineering: leveraging Codex in an agent-first world",
   "url": "https://openai.com/index/harness-engineering/",
   "author": "Ryan Lopopolo, OpenAI",
   "sponsored": true,
   "why": "Pokazuje mapę dokumentów i reguły wymuszane sprawdzianami zamiast długiej instrukcji.",
   "why_en": "Shows a document map and rules enforced by checks instead of a long instruction."
  },
  "openai-realtime-conversations": {
   "id": "openai-realtime-conversations",
   "title": "OpenAI: zarządzanie rozmową w czasie rzeczywistym",
   "title_en": "OpenAI API: Realtime conversations",
   "url": "https://developers.openai.com/api/docs/guides/realtime-conversations",
   "author": "OpenAI",
   "sponsored": false,
   "why": "Dowiesz się, jak obsługiwać przerwanie wypowiedzi i usunąć z historii część odpowiedzi, której użytkownik nie usłyszał.",
   "why_en": "Learn how to handle speech interruptions and remove unheard response portions from conversation history."
  },
  "openai-realtime-prompting": {
   "id": "openai-realtime-prompting",
   "title": "OpenAI: instrukcje dla modeli głosowych w czasie rzeczywistym",
   "title_en": "OpenAI API: Prompting Realtime models",
   "url": "https://developers.openai.com/api/docs/guides/voice-prompting",
   "author": "OpenAI",
   "sponsored": false,
   "why": "Poznasz instrukcje potwierdzania nazw, numerów i kodów oraz wykonywania działań przez narzędzia agenta głosowego.",
   "why_en": "Explore instructions for confirming names, numbers and codes and performing actions through voice-agent tools."
  },
  "openai-realtime-vad": {
   "id": "openai-realtime-vad",
   "title": "OpenAI: wykrywanie aktywności mowy i końca tury",
   "title_en": "OpenAI API: Voice activity detection",
   "url": "https://developers.openai.com/api/docs/guides/realtime-vad",
   "author": "OpenAI",
   "sponsored": false,
   "why": "Porównasz wykrywanie końca tury na podstawie ciszy i semantycznej oceny wypowiedzi.",
   "why_en": "Compare turn-ending detection based on silence and semantic assessment of utterances."
  },
  "openai-voice-guide": {
   "id": "openai-voice-guide",
   "title": "OpenAI: agenci głosowi",
   "title_en": "OpenAI API: Voice agents",
   "url": "https://developers.openai.com/api/docs/guides/voice-agents",
   "author": "OpenAI",
   "sponsored": false,
   "why": "Porównasz kaskadowe i bezpośrednie modele rozmowy głosowej oraz delegowanie zadań do osobnego agenta.",
   "why_en": "Compare cascaded and direct voice-dialogue models and task delegation to a separate agent."
  },
  "openbuildings-2021": {
   "id": "openbuildings-2021",
   "title": "Continental-Scale Building Detection from High Resolution Satellite Imagery",
   "title_en": "Continental-Scale Building Detection from High Resolution Satellite Imagery",
   "url": "https://arxiv.org/abs/2107.12283",
   "author": "Wojciech Sirko; Sergii Kashubin; Marvin Ritter; Abigail Annkah; Yasser Salah Eddine Bouchareb; Yann Dauphin; Daniel Keysers; Maxim Neumann; Moustapha Cisse; John Quinn",
   "sponsored": false,
   "why": "Pokazuje kompletny przepis na mapowanie budynków w skali kontynentu i jego słabe punkty.",
   "why_en": "Shows a complete recipe for continent-scale building mapping and its weak spots."
  },
  "openendedness-asi-2024": {
   "id": "openendedness-asi-2024",
   "title": "Open-Endedness is Essential for Artificial Superhuman Intelligence",
   "title_en": "Open-Endedness is Essential for Artificial Superhuman Intelligence",
   "url": "https://arxiv.org/abs/2406.04268",
   "author": "Edward Hughes, Michael Dennis, Jack Parker-Holder, Feryal Behbahani, Aditi Mavalankar, Yuge Shi, Tom Schaul, Tim Rocktäschel",
   "sponsored": false,
   "why": "Artykuł stanowiskowy wyjaśnia, czym jest otwartość i dlaczego badacze uważają ją za kluczową dla przyszłej AI.",
   "why_en": "This position paper explains what open-endedness is and why researchers consider it key for future AI."
  },
  "openevolve-github": {
   "id": "openevolve-github",
   "title": "OpenEvolve – repozytorium GitHub",
   "title_en": "OpenEvolve – GitHub repository",
   "url": "https://github.com/algorithmicsuperintelligence/openevolve",
   "author": "algorithmicsuperintelligence (społeczność open source)",
   "sponsored": false,
   "why": "Repozytorium pozwala samodzielnie uruchomić ewolucję kodu z modelem językowym i archiwum różnorodności.",
   "why_en": "The repository lets you run code evolution with a language model and a diversity archive yourself."
  },
  "openintro-os4": {
   "id": "openintro-os4",
   "title": "OpenIntro Statistics, wyd. 4 — spis rozdziałów",
   "title_en": "OpenIntro Statistics, 4th ed. — chapter list",
   "url": "https://www.openintro.org/book/os/",
   "author": "David M. Diez, Mine Çetinkaya-Rundel, Christopher D. Barr",
   "sponsored": false,
   "why": "Podręcznik uporządkuje prawdopodobieństwo, rozkłady, testowanie hipotez, przedziały ufności i regresję.",
   "why_en": "The textbook organises probability, distributions, hypothesis testing, confidence intervals and regression."
  },
  "option-critic-2016": {
   "id": "option-critic-2016",
   "title": "The Option-Critic Architecture",
   "title_en": "The Option-Critic Architecture",
   "url": "https://arxiv.org/abs/1609.05140",
   "author": "Pierre-Luc Bacon, Jean Harb, Doina Precup",
   "sponsored": false,
   "why": "Zobaczysz, jak agent może sam nauczyć się umiejętności trwających wiele kroków i momentu ich zakończenia, bez ręcznych podcelów.",
   "why_en": "See how an agent can learn multi-step skills and when to end them on its own, without hand-made subgoals."
  },
  "oquab-dinov2-2023": {
   "id": "oquab-dinov2-2023",
   "title": "DINOv2: Learning Robust Visual Features without Supervision",
   "title_en": "DINOv2: Learning Robust Visual Features without Supervision",
   "url": "https://arxiv.org/abs/2304.07193",
   "author": "Maxime Oquab, Timothée Darcet, Théo Moutakanni i in. (Meta AI)",
   "sponsored": false,
   "why": "Dowiesz się, jak kuracja obrazów i samonadzór tworzą cechy wizyjne przydatne w wielu zadaniach.",
   "why_en": "Learn how image curation and self-supervision produce visual features useful across tasks."
  },
  "orbinato-cti-attack-mapping-2022": {
   "id": "orbinato-cti-attack-mapping-2022",
   "title": "Automatic Mapping of Unstructured Cyber Threat Intelligence: An Experimental Study",
   "title_en": "Automatic Mapping of Unstructured Cyber Threat Intelligence: An Experimental Study",
   "url": "https://arxiv.org/abs/2208.12144",
   "author": "Vittorio Orbinato, Mariarosaria Barbaraci, Roberto Natella, Domenico Cotroneo",
   "sponsored": false,
   "why": "Uczciwie pokazuje, jak dobrze różne klasyfikatory mapują raporty na techniki ataków i gdzie się mylą.",
   "why_en": "Honestly shows how well different classifiers map reports to attack techniques and where they go wrong."
  },
  "orkin-fear-goap-2006": {
   "id": "orkin-fear-goap-2006",
   "title": "Three States and a Plan: The A.I. of F.E.A.R.",
   "url": "https://pages.cs.wisc.edu/~dyer/cs540/handouts/gdc2006_orkin_jeff_fear.pdf",
   "author": "Jeff Orkin",
   "sponsored": false,
   "why": "Źródłowy opis, jak planowanie celami dało przeciwnikom w grze akcji elastyczne, sprytne zachowania.",
   "why_en": "The original account of how goal planning gave enemies in an action game flexible, clever behaviour."
  },
  "otel-genai-spans": {
   "id": "otel-genai-spans",
   "title": "OpenTelemetry Semantic Conventions for GenAI spans (gen-ai-spans.md)",
   "url": "https://github.com/open-telemetry/semantic-conventions-genai/blob/main/docs/gen-ai/gen-ai-spans.md",
   "author": "OpenTelemetry (projekt CNCF), grupa GenAI SIG",
   "sponsored": false,
   "why": "Oficjalne nazwy spanów i atrybutów do śledzenia wywołań modeli, narzędzi i agentów.",
   "why_en": "Official span and attribute names for tracing model, tool and agent calls."
  },
  "otherplay-2020": {
   "id": "otherplay-2020",
   "title": "\"Other-Play\" for Zero-Shot Coordination",
   "title_en": "\"Other-Play\" for Zero-Shot Coordination",
   "url": "https://arxiv.org/abs/2003.02979",
   "author": "Hengyuan Hu; Adam Lerer; Alex Peysakhovich; Jakob Foerster",
   "sponsored": false,
   "why": "Zrozumiesz, dlaczego agenci trenowani tylko ze sobą zawodzą z nowym partnerem i jak temu zaradzić.",
   "why_en": "Understand why agents trained only with each other fail with a new partner and how to fix it."
  },
  "owasp-agentic-top10": {
   "id": "owasp-agentic-top10",
   "title": "OWASP Top 10 for Agentic Applications (ogłoszenie)",
   "title_en": "OWASP Top 10 for Agentic Applications (announcement)",
   "url": "https://genai.owasp.org/2025/12/09/owasp-top-10-for-agentic-applications-the-benchmark-for-agentic-security-in-the-age-of-autonomous-ai/",
   "author": "OWASP Gen AI Security Project (m.in. J. Sotiropoulos, K. Katz, R. F. Del Rosario)",
   "sponsored": false,
   "why": "Poznasz kategorie zagrożeń agentów, obejmujące cele, narzędzia, uprawnienia, pamięć i komunikację.",
   "why_en": "Explore agent-threat categories covering goals, tools, permissions, memory and communication."
  },
  "owasp-llm-top10-2025": {
   "id": "owasp-llm-top10-2025",
   "title": "OWASP Top 10 for LLM Applications 2025",
   "title_en": "OWASP Top 10 for LLM Applications 2025",
   "url": "https://genai.owasp.org/llm-top-10/",
   "author": "OWASP Gen AI Security Project",
   "sponsored": false,
   "why": "Lista uporządkuje typowe ryzyka aplikacji językowych, od wstrzykiwania instrukcji po ujawnianie danych i nieograniczone zużycie zasobów.",
   "why_en": "The list organises language-application risks from instruction injection to data disclosure and unbounded resource consumption."
  },
  "owasp-llm03-supply-chain-2025": {
   "id": "owasp-llm03-supply-chain-2025",
   "title": "LLM03:2025 Supply Chain (OWASP)",
   "title_en": "LLM03:2025 Supply Chain (OWASP)",
   "url": "https://genai.owasp.org/llmrisk/llm032025-supply-chain/",
   "author": "OWASP Gen AI Security Project",
   "sponsored": false,
   "why": "Poznasz zagrożenia integralności danych, modeli, adapterów i zależności w łańcuchu dostaw aplikacji językowej.",
   "why_en": "Explore integrity threats to data, models, adapters and dependencies in language-application supply chains."
  },
  "paden-2016": {
   "id": "paden-2016",
   "title": "A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles",
   "title_en": "A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles",
   "url": "https://arxiv.org/abs/1604.07446",
   "author": "Brian Paden, Michal Čáp, Sze Zheng Yong, Dmitry Yershov, Emilio Frazzoli",
   "sponsored": false,
   "why": "Uporządkowany przegląd klasycznych metod planowania ruchu i sterowania autem.",
   "why_en": "An organised overview of classical motion-planning and vehicle-control methods."
  },
  "pai-open-llm-ediscovery-2023": {
   "id": "pai-open-llm-ediscovery-2023",
   "title": "Exploration of Open Large Language Models for eDiscovery",
   "url": "https://aclanthology.org/2023.nllp-1.17",
   "author": "Sumit Pai, Sounak Lahiri, Ujjwal Kumar, Krishanu Baksi, Elijah Soba, Michael Suesserman, Nirmala Pudota, Jon Foster, Edward Bowen, Sanmitra Bhattacharya",
   "sponsored": false,
   "why": "Mierzy, jak otwarte modele językowe radzą sobie z oceną istotności maili w sporze i ile daje dostrojenie.",
   "why_en": "Measures how open language models handle email relevance review in litigation and what fine-tuning adds."
  },
  "pair-guidebook": {
   "id": "pair-guidebook",
   "title": "People + AI Guidebook (Google PAIR) — aktualizacja pod generatywną AI",
   "title_en": "People + AI Guidebook (Google PAIR) — generative AI update",
   "url": "https://medium.com/people-ai-research/updating-the-people-ai-guidebook-in-the-age-of-generative-ai-cace6c846db4",
   "author": "Reena Jana, Mahima Pushkarna (People + AI Research, Google)",
   "sponsored": false,
   "why": "Poznasz aktualizację wskazówek projektowania potrzeb, zaufania, kontroli użytkownika i obsługi błędów pod generatywną AI.",
   "why_en": "Explore updated generative-AI design guidance for user needs, trust, user control and failure handling."
  },
  "paired-ued-2020": {
   "id": "paired-ued-2020",
   "title": "Emergent Complexity and Zero-shot Transfer via Unsupervised Environment Design",
   "title_en": "Emergent Complexity and Zero-shot Transfer via Unsupervised Environment Design",
   "url": "https://arxiv.org/abs/2012.02096",
   "author": "Michael Dennis; Natasha Jaques; Eugene Vinitsky; Alexandre Bayen; Stuart Russell; Andrew Critch; Sergey Levine",
   "sponsored": false,
   "why": "Zobaczysz, jak program sam tworzy coraz trudniejsze poziomy treningowe, dopasowane do postępów agenta.",
   "why_en": "See how a program builds ever harder training levels matched to the agent's progress."
  },
  "pandey-sakt-2019": {
   "id": "pandey-sakt-2019",
   "title": "A Self-Attentive model for Knowledge Tracing",
   "title_en": "A Self-Attentive model for Knowledge Tracing",
   "url": "https://arxiv.org/abs/1907.06837",
   "author": "Shalini Pandey, George Karypis",
   "sponsored": false,
   "why": "Pokazuje, jak samo-uwaga wybiera z historii ucznia odpowiedzi istotne dla bieżącego pytania.",
   "why_en": "Shows how self-attention picks the answers in a learner's history that matter for the current question."
  },
  "pangu-weather-2022": {
   "id": "pangu-weather-2022",
   "title": "Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast",
   "title_en": "Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast",
   "url": "https://arxiv.org/abs/2211.02556",
   "author": "Kaifeng Bi, Lingxi Xie, Hengheng Zhang, Xin Chen, Xiaotao Gu, Qi Tian",
   "sponsored": false,
   "why": "Pokazuje, jak transformer 3D uczony na archiwum atmosfery prognozuje pogodę dla całego globu.",
   "why_en": "Shows how a 3D transformer trained on an atmospheric archive forecasts global weather."
  },
  "papineni-bleu-2002": {
   "id": "papineni-bleu-2002",
   "title": "BLEU: a Method for Automatic Evaluation of Machine Translation",
   "title_en": "BLEU: a Method for Automatic Evaluation of Machine Translation",
   "url": "https://aclanthology.org/P02-1040/",
   "author": "Kishore Papineni, Salim Roukos, Todd Ward, Wei-Jing Zhu",
   "sponsored": false,
   "why": "Zrozumiesz ocenę tłumaczeń przez zgodność n-gramów ze wzorcami i karę za zbyt krótki wynik.",
   "why_en": "Understand translation evaluation through reference n-gram overlap and a penalty for overly short outputs."
  },
  "park-2023-trak": {
   "id": "park-2023-trak",
   "title": "TRAK: Attributing Model Behavior at Scale",
   "url": "https://arxiv.org/abs/2303.14186",
   "author": "Sung Min Park, Kristian Georgiev, Andrew Ilyas, Guillaume Leclerc, Aleksander Mądry",
   "sponsored": false,
   "why": "Wyjaśnia, czemu atrybucja danych w głębokich sieciach jest trudna i jak ją skalować.",
   "why_en": "Explains why data attribution in deep networks is hard and how to scale it."
  },
  "park-generative-agents-2023": {
   "id": "park-generative-agents-2023",
   "title": "Generative Agents: Interactive Simulacra of Human Behavior",
   "url": "https://arxiv.org/abs/2304.03442",
   "author": "Joon Sung Park, Joseph C. O'Brien, Carrie J. Cai, Meredith Ringel Morris, Percy Liang, Michael S. Bernstein",
   "sponsored": false,
   "why": "Klasyczna praca o postaciach z pamięcią, refleksją i planem dnia, żyjących we wspólnym miasteczku.",
   "why_en": "The classic paper on characters with memory, reflection and daily plans living in a shared town."
  },
  "particlenet-2019": {
   "id": "particlenet-2019",
   "title": "ParticleNet: Jet Tagging via Particle Clouds",
   "title_en": "ParticleNet: Jet Tagging via Particle Clouds",
   "url": "https://arxiv.org/abs/1902.08570",
   "author": "Huilin Qu, Loukas Gouskos",
   "sponsored": false,
   "why": "Wyjaśnia, czemu dżet opisuje się jak chmurę punktów i jak sieć grafowa go rozpoznaje.",
   "why_en": "Explains why a jet is described like a point cloud and how a graph network recognises it."
  },
  "pause-2026": {
   "id": "pause-2026",
   "title": "PAUSE: Search-Free Steering of Coding Agents Before Their First Source-Code Edit",
   "title_en": "PAUSE: Search-Free Steering of Coding Agents Before Their First Source-Code Edit",
   "url": "https://arxiv.org/abs/2610.29870",
   "author": "Viral Patel, Boyin Tan, Jason Xue, Youcheng Sun",
   "sponsored": false,
   "why": "Opisuje jednorazową interwencję planistyczną przed edycją kodu.",
   "why_en": "Describes a single planning intervention before a code edit."
  },
  "pbt-2017": {
   "id": "pbt-2017",
   "title": "Population Based Training of Neural Networks",
   "url": "https://arxiv.org/abs/1711.09846",
   "author": "Max Jaderberg, Valentin Dalibard, Simon Osindero, Wojciech M. Czarnecki, Jeff Donahue, Ali Razavi, Oriol Vinyals, Tim Green, Iain Dunning, Karen Simonyan, Chrisantha Fernando, Koray Kavukcuoglu",
   "sponsored": false,
   "why": "Artykuł wyjaśnia pętlę exploit–explore i pokazuje zyski w uczeniu ze wzmocnieniem, tłumaczeniu i modelach generatywnych.",
   "why_en": "The paper explains the exploit–explore loop and shows gains in reinforcement learning, translation and generative models."
  },
  "pcgbook-ch04-noise": {
   "id": "pcgbook-ch04-noise",
   "title": "Fractals, noise and agents with applications to landscapes (Procedural Content Generation in Games, rozdz. 4)",
   "title_en": "Fractals, noise and agents with applications to landscapes (Procedural Content Generation in Games, ch. 4)",
   "url": "https://www.pcgbook.com/chapter04.pdf",
   "author": "Noor Shaker, Julian Togelius, Mark J. Nelson",
   "sponsored": false,
   "why": "Krok po kroku pokazuje, jak z szumu i fraktali powstają mapy wysokości terenu w grach i gdzie te metody zawodzą.",
   "why_en": "Shows step by step how noise and fractals produce game terrain heightmaps, and where these methods fall short."
  },
  "pcgbook-ch05-grammars": {
   "id": "pcgbook-ch05-grammars",
   "title": "Grammars and L-systems with applications to vegetation and levels (Procedural Content Generation in Games, rozdz. 5)",
   "title_en": "Grammars and L-systems with applications to vegetation and levels (Procedural Content Generation in Games, ch. 5)",
   "url": "https://www.pcgbook.com/chapter05.pdf",
   "author": "Julian Togelius, Noor Shaker, Joris Dormans",
   "sponsored": false,
   "why": "Wyjaśnia, jak proste reguły przepisywania wyhodowują drzewa i układy lochów z kluczami i zamkami.",
   "why_en": "Explains how simple rewriting rules grow trees and dungeon layouts with keys and locks."
  },
  "pdm-2023": {
   "id": "pdm-2023",
   "title": "Parting with Misconceptions about Learning-based Vehicle Motion Planning",
   "title_en": "Parting with Misconceptions about Learning-based Vehicle Motion Planning",
   "url": "https://arxiv.org/abs/2306.07962",
   "author": "Daniel Dauner, Marcel Hallgarten, Andreas Geiger, Kashyap Chitta",
   "sponsored": false,
   "why": "Pokazuje, że prosty planer z regułami potrafi pokonać złożone modele uczone.",
   "why_en": "Shows that a simple rule-based planner can beat complex learned models."
  },
  "pearce-asleep-at-keyboard-2021": {
   "id": "pearce-asleep-at-keyboard-2021",
   "title": "Asleep at the Keyboard? Assessing the Security of GitHub Copilot's Code Contributions",
   "title_en": "Asleep at the Keyboard? Assessing the Security of GitHub Copilot's Code Contributions",
   "url": "https://arxiv.org/abs/2108.09293",
   "author": "Hammond Pearce, Baleegh Ahmad, Benjamin Tan, Brendan Dolan-Gavitt, Ramesh Karri",
   "sponsored": false,
   "why": "Pierwsze duże badanie, które zmierzyło, jak często podpowiedzi AI zawierają dziury bezpieczeństwa.",
   "why_en": "The first large study measuring how often AI code suggestions contain security holes."
  },
  "pearce-zero-shot-vuln-repair-2021": {
   "id": "pearce-zero-shot-vuln-repair-2021",
   "title": "Examining Zero-Shot Vulnerability Repair with Large Language Models",
   "title_en": "Examining Zero-Shot Vulnerability Repair with Large Language Models",
   "url": "https://export.arxiv.org/abs/2112.02125",
   "author": "Hammond Pearce, Benjamin Tan, Baleegh Ahmad, Ramesh Karri, Brendan Dolan-Gavitt",
   "sponsored": false,
   "why": "Wczesne, ale ważne badanie: pokazuje, że modele potrafią łatać proste błędy, a prawdziwe są dużo trudniejsze.",
   "why_en": "An early but important study: models can patch simple bugs, while real ones are much harder."
  },
  "peft": {
   "id": "peft",
   "title": "Hugging Face · LoRA (PEFT)",
   "url": "https://huggingface.co/docs/peft/main/en/conceptual_guides/lora",
   "kind": "reference",
   "note": "Adaptery LoRA, także zastosowania do modeli obrazu.",
   "sponsored": false,
   "why": "Poznasz używanie adapterów niskiego rzędu do dostrajania modeli językowych i obrazowych.",
   "why_en": "Explore using low-rank adapters to fine-tune language and image models."
  },
  "peft-survey-2024": {
   "id": "peft-survey-2024",
   "title": "Parameter-Efficient Fine-Tuning for Large Models: A Comprehensive Survey",
   "title_en": "Parameter-Efficient Fine-Tuning for Large Models: A Comprehensive Survey",
   "url": "https://arxiv.org/abs/2403.14608",
   "author": "Zeyu Han, Chao Gao, Jinyang Liu i in.",
   "sponsored": false,
   "why": "Porównasz addytywne, selektywne, reparametryzowane i hybrydowe metody oszczędnego dostrajania parametrów.",
   "why_en": "Compare additive, selective, reparameterised and hybrid parameter-efficient fine-tuning methods."
  },
  "pendlebury-tesseract-2019": {
   "id": "pendlebury-tesseract-2019",
   "title": "TESSERACT: Eliminating Experimental Bias in Malware Classification across Space and Time",
   "title_en": "TESSERACT: Eliminating Experimental Bias in Malware Classification across Space and Time",
   "url": "https://arxiv.org/abs/1807.07838",
   "author": "Feargus Pendlebury, Fabio Pierazzi, Roberto Jordaney, Johannes Kinder, Lorenzo Cavallaro",
   "sponsored": false,
   "why": "Uczy, jak uczciwie testować detektor malware, żeby wynik nie był złudnie wysoki.",
   "why_en": "Teaches how to test a malware detector honestly so the score isn't misleadingly high."
  },
  "per-2015": {
   "id": "per-2015",
   "title": "Prioritized Experience Replay",
   "title_en": "Prioritized Experience Replay",
   "url": "https://arxiv.org/abs/1511.05952",
   "author": "Tom Schaul; John Quan; Ioannis Antonoglou; David Silver",
   "sponsored": false,
   "why": "Zobaczysz, dlaczego warto częściej wracać do najbardziej zaskakujących doświadczeń agenta.",
   "why_en": "See why it pays to replay an agent's most surprising experiences more often."
  },
  "peract-2022": {
   "id": "peract-2022",
   "title": "Perceiver-Actor: A Multi-Task Transformer for Robotic Manipulation",
   "title_en": "Perceiver-Actor: A Multi-Task Transformer for Robotic Manipulation",
   "url": "https://arxiv.org/abs/2209.05451",
   "author": "M. Shridhar, L. Manuelli, D. Fox",
   "sponsored": false,
   "why": "Zobaczysz, jak jeden transformer uczy się wielu zadań manipulacji z poleceń językowych i obrazu 3D.",
   "why_en": "See how a single transformer learns many manipulation tasks from language commands and 3D images."
  },
  "perceptive-locomotion-2022": {
   "id": "perceptive-locomotion-2022",
   "title": "Learning robust perceptive locomotion for quadrupedal robots in the wild",
   "title_en": "Learning robust perceptive locomotion for quadrupedal robots in the wild",
   "url": "https://arxiv.org/abs/2201.08117",
   "author": "T. Miki, J. Lee, J. Hwangbo, L. Wellhausen, V. Koltun, M. Hutter",
   "sponsored": false,
   "why": "Zobaczysz, jak robot czworonożny łączy wzrok i czucie, by iść szybko po trudnym terenie.",
   "why_en": "See how a quadruped blends sight and feel to walk fast over rough terrain."
  },
  "phi1-textbooks-2023": {
   "id": "phi1-textbooks-2023",
   "title": "Textbooks Are All You Need",
   "title_en": "Textbooks Are All You Need",
   "url": "https://arxiv.org/abs/2306.11644",
   "author": "Suriya Gunasekar, Yi Zhang, Jyoti Aneja, Caio César Teodoro Mendes, Allie Del Giorno, Sivakanth Gopi, Mojan Javaheripi, Piero Kauffmann, Gustavo de Rosa, Olli Saarikivi, Adil Salim, Shital Shah, Harkirat Singh Behl, Xin Wang, Sébastien Bubeck, Ronen Eldan, Adam Tauman Kalai, Yin Tat Lee, Yuanzhi Li",
   "sponsored": false,
   "why": "Poznasz eksperyment treningu modelu kodu na filtrowanych tekstach oraz syntetycznych podręcznikach i ćwiczeniach.",
   "why_en": "Explore training a code model on filtered texts plus synthetic textbooks and exercises."
  },
  "phri-vic-iso15066-2023": {
   "id": "phri-vic-iso15066-2023",
   "title": "Safe Physical Human-Robot Interaction through Variable Impedance Control based on ISO/TS 15066",
   "title_en": "Safe Physical Human-Robot Interaction through Variable Impedance Control based on ISO/TS 15066",
   "url": "https://arxiv.org/abs/2311.13814",
   "author": "A. Ghanbarzadeh, E. Najafi (K.N. Toosi University of Technology)",
   "sponsored": false,
   "why": "Poznasz cztery tryby współpracy z kobotem i sposób wyliczania bezpiecznej prędkości kontaktu.",
   "why_en": "Learn the four cobot collaboration modes and how safe contact speed is calculated."
  },
  "pi0-2024": {
   "id": "pi0-2024",
   "title": "π₀: A Vision-Language-Action Flow Model for General Robot Control",
   "title_en": "π₀: A Vision-Language-Action Flow Model for General Robot Control",
   "url": "https://arxiv.org/abs/2410.24164",
   "author": "K. Black, N. Brown, D. Driess i in. (Physical Intelligence; m.in. C. Finn, K. Hausman, S. Levine)",
   "sponsored": false,
   "why": "Dowiesz się, jak model wizyjno-językowy i flow matching wspólnie generują działania robota dla różnych platform.",
   "why_en": "Learn how vision-language models and flow matching jointly generate robot actions across platforms."
  },
  "piech-dkt-2015": {
   "id": "piech-dkt-2015",
   "title": "Deep Knowledge Tracing",
   "title_en": "Deep Knowledge Tracing",
   "url": "https://arxiv.org/abs/1506.05908",
   "author": "Chris Piech, Jonathan Spencer, Jonathan Huang, Surya Ganguli, Mehran Sahami, Leonidas Guibas, Jascha Sohl-Dickstein",
   "sponsored": false,
   "why": "Pokazuje, jak sieć rekurencyjna przewiduje kolejne odpowiedzi ucznia z historii jego pracy.",
   "why_en": "Shows how a recurrent network predicts a learner's next answers from their work history."
  },
  "pierazzi-problem-space-attacks-2020": {
   "id": "pierazzi-problem-space-attacks-2020",
   "title": "Intriguing Properties of Adversarial ML Attacks in the Problem Space [Extended Version]",
   "title_en": "Intriguing Properties of Adversarial ML Attacks in the Problem Space [Extended Version]",
   "url": "https://arxiv.org/abs/1911.02142",
   "author": "Jacopo Cortellazzi, Feargus Pendlebury, Daniel Arp, Erwin Quiring, Fabio Pierazzi, Lorenzo Cavallaro",
   "sponsored": false,
   "why": "Wyjaśnia, czym atak na prawdziwy plik różni się od ataku na liczby cech i dlaczego jest realnym zagrożeniem.",
   "why_en": "Explains how attacking a real file differs from attacking feature numbers, and why it is a real threat."
  },
  "pinn-2017": {
   "id": "pinn-2017",
   "title": "Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations",
   "title_en": "Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations",
   "url": "https://arxiv.org/abs/1711.10561",
   "author": "Maziar Raissi, Paris Perdikaris, George Em Karniadakis",
   "sponsored": false,
   "why": "Oryginalne wprowadzenie sieci, które uczą się z danych i jednocześnie z równań fizyki.",
   "why_en": "The original introduction of networks that learn from data and from physics equations at once."
  },
  "pinto-cheat-detection-mlj-2021": {
   "id": "pinto-cheat-detection-mlj-2021",
   "title": "Deep Learning and Multivariate Time Series for Cheat Detection in Video Games",
   "title_en": "Deep Learning and Multivariate Time Series for Cheat Detection in Video Games",
   "url": "https://mlanthology.org/mlj/2021/pinto2021mlj-deep/",
   "author": "José Pedro Pinto, André Pimenta, Paulo Novais",
   "sponsored": false,
   "why": "Pokazuje, jak sieci neuronowe rozpoznają oszukujące programy po samym sposobie poruszania myszką i klawiaturą.",
   "why_en": "Shows how neural networks spot cheating programs just from how the mouse and keyboard are used."
  },
  "pipecatrepo": {
   "id": "pipecatrepo",
   "title": "Pipecat: otwarty framework agentów głosowych",
   "title_en": "Pipecat: open-source voice agent framework",
   "url": "https://github.com/pipecat-ai/pipecat",
   "author": "Daily i społeczność",
   "sponsored": false,
   "why": "Poznasz ramki, procesory i transporty potoku głosowego oraz sterowanie turami i stanem rozmowy.",
   "why_en": "Explore voice-pipeline frames, processors and transports alongside turn and conversation-state control."
  },
  "pix2struct-2022": {
   "id": "pix2struct-2022",
   "title": "Pix2Struct: Screenshot Parsing as Pretraining for Visual Language Understanding",
   "title_en": "Pix2Struct: Screenshot Parsing as Pretraining for Visual Language Understanding",
   "url": "https://arxiv.org/abs/2210.03347",
   "author": "Kenton Lee, Mandar Joshi, Iulia Turc, Hexiang Hu, Fangyu Liu, Julian Eisenschlos, Urvashi Khandelwal, Peter Shaw, Ming-Wei Chang, Kristina Toutanova",
   "sponsored": false,
   "why": "Pokazuje, jak uczyć model czytania zrzutów ekranu i stron internetowych.",
   "why_en": "Shows how to teach a model to read screenshots and web pages."
  },
  "pixeldit-2025": {
   "id": "pixeldit-2025",
   "title": "PixelDiT: Pixel Diffusion Transformers for Image Generation",
   "title_en": "PixelDiT: Pixel Diffusion Transformers for Image Generation",
   "url": "https://arxiv.org/abs/2511.20645",
   "author": "Yongsheng Yu, Wei Xiong, Weili Nie, Yichen Sheng, Shiqiu Liu, Jiebo Luo",
   "sponsored": true,
   "why": "Zobaczysz, jak poziom łatki i poziom piksela zastępują autoenkoder w transformerze dyfuzyjnym.",
   "why_en": "See how a patch level and a pixel level replace the autoencoder in a diffusion transformer."
  },
  "ploton-spatial-validation-2020": {
   "id": "ploton-spatial-validation-2020",
   "title": "Spatial validation reveals poor predictive performance of large-scale ecological mapping models",
   "url": "https://www.nature.com/articles/s41467-020-18321-y",
   "author": "Pierre Ploton, Frédéric Mortier, Maxime Réjou-Méchain, Nicolas Barbier, Nicolas Picard, et al.",
   "sponsored": false,
   "why": "Dobitnie pokazuje, jak losowa walidacja zawyża dokładność map, a przestrzenna ją ujawnia.",
   "why_en": "Shows starkly how random validation inflates map accuracy and spatial validation exposes it."
  },
  "plr-2020": {
   "id": "plr-2020",
   "title": "Priorytetowe odtwarzanie poziomów (PLR)",
   "title_en": "Prioritized Level Replay",
   "url": "https://arxiv.org/abs/2010.03934",
   "author": "Minqi Jiang; Edward Grefenstette; Tim Rocktäschel",
   "sponsored": false,
   "why": "Dowód dla mechanizmu Prioritized Level Replay opisanego w karcie UED.",
   "why_en": "Evidence for the Prioritized Level Replay mechanism described in the UED card."
  },
  "poddar-asteroid-2026": {
   "id": "poddar-asteroid-2026",
   "title": "Asymmetric On-Policy Distillation Learns In-Context Exploration",
   "title_en": "Asymmetric On-Policy Distillation Learns In-Context Exploration",
   "url": "https://arxiv.org/abs/2610.30105",
   "author": "Sriyash Poddar, Yanda Bao, Jacob Krantz, Matthew Chang, Xavier Puig, Roozbeh Mottaghi, Natasha Jaques, Abhishek Gupta",
   "sponsored": false,
   "why": "Poznasz, jak destylacja akcji eksperta na historii on-policy ucznia uczy eksploracji pod częściową obserwowalnością.",
   "why_en": "Learn how distilling expert actions on the student's on-policy history teaches exploration under partial observability."
  },
  "poet-2019": {
   "id": "poet-2019",
   "title": "Paired Open-Ended Trailblazer (POET): Endlessly Generating Increasingly Complex and Diverse Learning Environments and Their Solutions",
   "title_en": "Paired Open-Ended Trailblazer (POET): Endlessly Generating Increasingly Complex and Diverse Learning Environments and Their Solutions",
   "url": "https://arxiv.org/abs/1901.01753",
   "author": "Rui Wang, Joel Lehman, Jeff Clune, Kenneth O. Stanley",
   "sponsored": false,
   "why": "Praca pokazuje system, który sam tworzy coraz trudniejsze środowiska i uczy agentów je pokonywać.",
   "why_en": "The paper shows a system that creates ever harder environments and trains agents to master them."
  },
  "poi-rec-survey-2020": {
   "id": "poi-rec-survey-2020",
   "title": "A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations",
   "title_en": "A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations",
   "url": "https://arxiv.org/abs/2011.10187",
   "author": "Md. Ashraful Islam; Mir Mahathir Mohammad; Sarkar Snigdha Sarathi Das; Mohammed Eunus Ali",
   "sponsored": false,
   "why": "Porządkuje dane, rodziny modeli i główne trudności przewidywania kolejnego odwiedzanego miejsca.",
   "why_en": "Organises data, model families and main challenges of predicting the next visited place."
  },
  "pointnet-2016": {
   "id": "pointnet-2016",
   "title": "PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation",
   "title_en": "PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation",
   "url": "https://arxiv.org/abs/1612.00593",
   "author": "Charles R. Qi, Hao Su, Kaichun Mo, Leonidas J. Guibas",
   "sponsored": false,
   "why": "Klasyczna praca o tym, jak sieć neuronowa może czytać rozsypane punkty 3D.",
   "why_en": "The classic paper on how a neural network can read scattered 3D points."
  },
  "pointpillars-2018": {
   "id": "pointpillars-2018",
   "title": "PointPillars: Fast Encoders for Object Detection from Point Clouds",
   "title_en": "PointPillars: Fast Encoders for Object Detection from Point Clouds",
   "url": "https://arxiv.org/abs/1812.05784",
   "author": "Alex H. Lang, Sourabh Vora, Holger Caesar, Lubing Zhou, Jiong Yang, Oscar Beijbom",
   "sponsored": false,
   "why": "Pokazuje, jak auta autonomiczne szybko wykrywają obiekty w danych z lasera.",
   "why_en": "Shows how self-driving cars quickly detect objects in laser data."
  },
  "polito-fpm-lab-2025": {
   "id": "polito-fpm-lab-2025",
   "title": "Politecnico di Torino (DBDMG) — Lab 07: Frequent Pattern Mining (materiały laboratoryjne)",
   "title_en": "Politecnico di Torino (DBDMG) — Lab 07: Frequent Pattern Mining (lab handout)",
   "url": "https://dbdmg.polito.it/dbdmg_web/wp-content/uploads/2025/11/DS_MLL_Lab_07__Frequent_Pattern_Mining_.pdf",
   "author": "DBDMG, Politecnico di Torino",
   "sponsored": false,
   "why": "Praktyczne ćwiczenie krok po kroku: częste zbiory, reguły i porównanie Apriori z FP-Growth.",
   "why_en": "A hands-on, step-by-step exercise: frequent itemsets, rules and Apriori versus FP-Growth."
  },
  "popovici-coevolution-2012": {
   "id": "popovici-coevolution-2012",
   "title": "Coevolutionary Principles",
   "url": "https://stars.library.ucf.edu/scopus2010/5632",
   "author": "Elena Popovici, Anthony Bucci, R. Paul Wiegand, Edwin D. de Jong",
   "sponsored": false,
   "why": "Podstawy algorytmów, w których ocena wynika ze starć lub współpracy między populacjami.",
   "why_en": "Foundations of algorithms where scores come from contests or cooperation between populations."
  },
  "postdeploy-monitoring-2025": {
   "id": "postdeploy-monitoring-2025",
   "title": "Statistically Valid Post-Deployment Monitoring Should Be Standard for AI-Based Digital Health",
   "title_en": "Statistically Valid Post-Deployment Monitoring Should Be Standard for AI-Based Digital Health",
   "url": "https://arxiv.org/abs/2506.05701",
   "author": "Pavel Dolin, Weizhi Li, Gautam Dasarathy, Visar Berisha",
   "sponsored": false,
   "why": "Wyjaśnia, jak statystycznie wykrywać, że wdrożony model medyczny zaczyna działać gorzej.",
   "why_en": "Explains how to statistically detect that a deployed medical model is getting worse."
  },
  "potassco-guide": {
   "id": "potassco-guide",
   "title": "Potassco Guide — gringo, clasp i clingo (programowanie zbiorów odpowiedzi)",
   "title_en": "Potassco Guide — gringo, clasp and clingo (answer set programming)",
   "url": "https://potassco.org/guide/",
   "author": "Potassco (University of Potsdam)",
   "sponsored": false,
   "why": "Praktyczny przewodnik po narzędziach do programowania zbiorów odpowiedzi: ugruntowaniu i rozwiązywaniu.",
   "why_en": "A practical guide to answer set programming tools for grounding and solving."
  },
  "ppo-2017": {
   "id": "ppo-2017",
   "title": "Proximal Policy Optimization Algorithms",
   "title_en": "Proximal Policy Optimization Algorithms",
   "url": "https://arxiv.org/abs/1707.06347",
   "author": "J. Schulman, F. Wolski, P. Dhariwal, A. Radford, O. Klimov",
   "sponsored": false,
   "why": "Zrozumiesz naprzemienne zbieranie doświadczeń i wielokrotne aktualizacje polityki przez ograniczoną funkcję celu.",
   "why_en": "Understand alternating experience collection and repeated policy updates through a constrained objective."
  },
  "pra-ss1-23-mrm": {
   "id": "pra-ss1-23-mrm",
   "title": "SS1/23 – Model risk management principles for banks",
   "title_en": "SS1/23 – Model risk management principles for banks",
   "url": "https://www.bankofengland.co.uk/-/media/boe/files/prudential-regulation/supervisory-statement/2026/liaf0126app5.pdf",
   "author": "Bank of England – Prudential Regulation Authority",
   "sponsored": false,
   "why": "Podaje pięć zasad, według których brytyjski nadzorca oczekuje walidacji i nadzoru nad modelami.",
   "why_en": "Sets out the five principles the UK supervisor expects for model validation and oversight."
  },
  "prefix-tuning-2021": {
   "id": "prefix-tuning-2021",
   "title": "Prefix-Tuning: Optimizing Continuous Prompts for Generation",
   "title_en": "Prefix-Tuning: Optimizing Continuous Prompts for Generation",
   "url": "https://arxiv.org/abs/2101.00190",
   "author": "Xiang Lisa Li, Percy Liang",
   "sponsored": false,
   "why": "Dowiesz się, jak uczony ciągły prefiks steruje generowaniem przy zamrożonych wagach modelu.",
   "why_en": "Learn how learned continuous prefixes condition generation while model weights remain frozen."
  },
  "presidio-docs": {
   "id": "presidio-docs",
   "title": "Presidio — dokumentacja (de-identyfikacja danych osobowych)",
   "title_en": "Presidio documentation (PII de-identification)",
   "url": "https://presidio.dataprivacystack.org/",
   "author": "pierwotnie Microsoft; obecnie projekt społecznościowy Data Privacy Stack",
   "sponsored": false,
   "why": "Poznasz wykrywanie, maskowanie i usuwanie danych osobowych w tekście, obrazach oraz danych strukturalnych.",
   "why_en": "Explore detecting, masking and removing personal information from text, images and structured data."
  },
  "primacy-bias-2022": {
   "id": "primacy-bias-2022",
   "title": "The Primacy Bias in Deep Reinforcement Learning",
   "title_en": "The Primacy Bias in Deep Reinforcement Learning",
   "url": "https://arxiv.org/abs/2205.07802",
   "author": "Evgenii Nikishin; Max Schwarzer; Pierluca D'Oro; Pierre-Luc Bacon; Aaron Courville",
   "sponsored": false,
   "why": "Zobaczysz, jak agent przywiązuje się do pierwszych doświadczeń i jak pomaga okresowe zerowanie części sieci.",
   "why_en": "See how an agent clings to its first experiences and how periodically resetting part of the network helps."
  },
  "progressive-misalignment-project-2026": {
   "id": "progressive-misalignment-project-2026",
   "title": "Progressive Misalignment Project Page",
   "title_en": "Progressive Misalignment Project Page",
   "url": "https://progressive-misalignment.github.io/",
   "author": "Karim Abdel Sadek; Federico Di Gennaro; Fanny Yang",
   "sponsored": false,
   "why": "Zobaczysz wykresy i przykłady, jak niegroźne pochwały prowadzą do wzrostu zgodności na szkodliwych zapytaniach.",
   "why_en": "See plots and examples of how non-harmful praise increases compliance on harmful queries."
  },
  "project-zero-big-sleep-2024": {
   "id": "project-zero-big-sleep-2024",
   "title": "From Naptime to Big Sleep: Using Large Language Models To Catch Vulnerabilities In Real-World Code",
   "title_en": "From Naptime to Big Sleep: Using Large Language Models To Catch Vulnerabilities In Real-World Code",
   "url": "https://projectzero.google/2024/10/from-naptime-to-big-sleep.html",
   "author": "Big Sleep team (Google Project Zero, Google DeepMind)",
   "sponsored": true,
   "why": "Pokazuje na prawdziwym przykładzie, jak agent AI znalazł błąd, którego nie wyłapały testy.",
   "why_en": "Shows through a real case how an AI agent found a bug that testing had missed."
  },
  "prometheus-rubric-2023": {
   "id": "prometheus-rubric-2023",
   "title": "Prometheus: Inducing Fine-grained Evaluation Capability in Language Models",
   "url": "https://arxiv.org/abs/2310.08491",
   "author": "Seungone Kim, Jamin Shin, Yejin Cho, Joel Jang, Shayne Longpre, Hwaran Lee, Sangdoo Yun, Seongjin Shin, Sungdong Kim, James Thorne, Minjoon Seo",
   "sponsored": false,
   "why": "Zobaczysz, jak wygląda rubryka z opisem poziomów i jak model ocenia według niej odpowiedzi.",
   "why_en": "See what a rubric with level descriptions looks like and how a model grades answers with it."
  },
  "prompt-tuning-2021": {
   "id": "prompt-tuning-2021",
   "title": "The Power of Scale for Parameter-Efficient Prompt Tuning",
   "title_en": "The Power of Scale for Parameter-Efficient Prompt Tuning",
   "url": "https://arxiv.org/abs/2104.08691",
   "author": "Brian Lester, Rami Al-Rfou, Noah Constant",
   "sponsored": false,
   "why": "Dowiesz się, jak uczyć miękkie prompty przez propagację gradientu bez aktualizowania modelu bazowego.",
   "why_en": "Learn how to train soft prompts through gradient propagation without updating the base model."
  },
  "promptbreeder-2023": {
   "id": "promptbreeder-2023",
   "title": "Promptbreeder: Self-Referential Self-Improvement via Prompt Evolution",
   "url": "https://arxiv.org/abs/2309.16797",
   "author": "Chrisantha Fernando, Dylan Banarse, Henryk Michalewski, Simon Osindero, Tim Rocktäschel",
   "sponsored": false,
   "why": "Artykuł pokazuje, jak ewoluować jednocześnie polecenia i instrukcje opisujące, jak je zmieniać.",
   "why_en": "The paper shows how to evolve both prompts and the instructions describing how to change them."
  },
  "pso-scholarpedia": {
   "id": "pso-scholarpedia",
   "title": "Particle swarm optimization (Scholarpedia)",
   "title_en": "Particle swarm optimization (Scholarpedia)",
   "url": "http://www.scholarpedia.org/article/Particle_swarm_optimization",
   "author": "Marco Dorigo i in.",
   "sponsored": false,
   "why": "Hasło encyklopedyczne wyjaśnia trzy składniki ruchu cząstki i rolę topologii sąsiedztwa.",
   "why_en": "The encyclopedia entry explains the three parts of particle motion and the role of neighbourhood topology."
  },
  "pu-2023-summarization-almost-dead": {
   "id": "pu-2023-summarization-almost-dead",
   "title": "Summarization is (Almost) Dead",
   "title_en": "Summarization is (Almost) Dead",
   "url": "https://arxiv.org/abs/2309.09558",
   "author": "Xiao Pu, Mingqi Gao, Xiaojun Wan (Peking University)",
   "sponsored": false,
   "why": "Pokazuje, dlaczego w erze dużych modeli streszczanie przestało być osobnym problemem badawczym.",
   "why_en": "Shows why summarisation stopped being a separate research problem in the large-model era."
  },
  "pubtables-1m-2021": {
   "id": "pubtables-1m-2021",
   "title": "PubTables-1M: Towards comprehensive table extraction from unstructured documents",
   "title_en": "PubTables-1M: Towards comprehensive table extraction from unstructured documents",
   "url": "https://arxiv.org/abs/2110.00061",
   "author": "Brandon Smock, Rohith Pesala, Robin Abraham (Microsoft)",
   "sponsored": false,
   "why": "Dzieli wyciąganie tabel na trzy etapy i pokazuje, jak uczyć modele każdego z nich.",
   "why_en": "Splits table extraction into three stages and shows how to train models for each."
  },
  "pwc-psr-app-reimbursement": {
   "id": "pwc-psr-app-reimbursement",
   "title": "PSR sets the final rules on APP scam reimbursements",
   "title_en": "PSR sets the final rules on APP scam reimbursements",
   "url": "https://www.pwc.co.uk/industries/financial-services/understanding-regulatory-developments/psr-sets-the-final-rules-on-app-scam-reimbursements.html",
   "author": "PwC UK",
   "sponsored": false,
   "why": "Pokazuje, dlaczego banki w Wielkiej Brytanii muszą dziś aktywnie wykrywać oszustwa na przelew autoryzowany.",
   "why_en": "Shows why UK banks now have to actively detect authorised push payment scams."
  },
  "pykt-2022": {
   "id": "pykt-2022",
   "title": "pyKT: A Python Library to Benchmark Deep Learning based Knowledge Tracing Models",
   "title_en": "pyKT: A Python Library to Benchmark Deep Learning based Knowledge Tracing Models",
   "url": "https://arxiv.org/abs/2206.11460",
   "author": "Zitao Liu, Qiongqiong Liu, Jiahao Chen, Shuyan Huang, Jiliang Tang, Weiqi Luo",
   "sponsored": false,
   "why": "Pokazuje, jak uczciwie porównywać modele śledzenia wiedzy i dlaczego wiele nowości niewiele wnosi.",
   "why_en": "Shows how to compare knowledge-tracing models fairly and why many new ones add little."
  },
  "pymoo-2020": {
   "id": "pymoo-2020",
   "title": "pymoo: Multi-objective Optimization in Python",
   "url": "https://arxiv.org/abs/2002.04504",
   "author": "Julian Blank, Kalyanmoy Deb",
   "sponsored": false,
   "why": "Pokazuje w praktyce, jak algorytm ewolucyjny składa się z wymiennych operatorów dla różnych typów zmiennych.",
   "why_en": "Shows in practice how an evolutionary algorithm is assembled from swappable operators for different variable types."
  },
  "pymoo-ga": {
   "id": "pymoo-ga",
   "title": "pymoo – Genetic Algorithm (dokumentacja) i lista algorytmów",
   "title_en": "pymoo – Genetic Algorithm documentation and algorithm list",
   "url": "https://pymoo.org/algorithms/soo/ga.html",
   "author": "Julian Blank, Kalyanmoy Deb (pymoo)",
   "sponsored": false,
   "why": "Dokumentacja pokazuje krok po kroku pętlę algorytmu genetycznego i domyślne operatory w gotowej bibliotece.",
   "why_en": "The documentation walks through the genetic algorithm loop and default operators in a ready library."
  },
  "pymoo-nsga2": {
   "id": "pymoo-nsga2",
   "title": "pymoo – NSGA-II (dokumentacja)",
   "title_en": "pymoo – NSGA-II documentation",
   "url": "https://pymoo.org/algorithms/moo/nsga2.html",
   "author": "pymoo",
   "sponsored": false,
   "why": "Dokumentacja opisuje sortowanie niezdominowane i odległość zatłoczenia z działającym przykładem kodu.",
   "why_en": "The documentation explains non-dominated sorting and crowding distance with a working code example."
  },
  "pysr-2023": {
   "id": "pysr-2023",
   "title": "Interpretable Machine Learning for Science with PySR and SymbolicRegression.jl",
   "title_en": "Interpretable Machine Learning for Science with PySR and SymbolicRegression.jl",
   "url": "https://arxiv.org/abs/2305.01582",
   "author": "Miles Cranmer",
   "sponsored": false,
   "why": "Praca pokazuje, jak nowoczesne programowanie genetyczne odkrywa czytelne wzory z danych naukowych.",
   "why_en": "The paper shows how modern genetic programming discovers readable formulas from scientific data."
  },
  "pytorch-blog-webdataset-2020": {
   "id": "pytorch-blog-webdataset-2020",
   "title": "Efficient PyTorch I/O library for Large Datasets, Many Files, Many GPUs",
   "url": "https://pytorch.org/blog/efficient-pytorch-io-library-for-large-datasets-many-files-many-gpus/",
   "author": "Alex Aizman, Gavin Maltby, Thomas Breuel",
   "sponsored": false,
   "why": "Wyjaśnia, czemu małe pliki czytane losowo spowalniają trening i jak shardy to naprawiają.",
   "why_en": "Explains why small randomly read files slow training and how shards fix it."
  },
  "pytorch-loss-docs": {
   "id": "pytorch-loss-docs",
   "title": "Dokumentacja PyTorch 2.14: CrossEntropyLoss i MSELoss",
   "title_en": "PyTorch 2.14 docs: CrossEntropyLoss and MSELoss",
   "url": "https://docs.pytorch.org/docs/2.14/generated/torch.nn.CrossEntropyLoss.html",
   "author": "PyTorch Foundation",
   "sponsored": false,
   "why": "Poznasz wejścia, warianty i sposób obliczania entropii krzyżowej oraz błędu średniokwadratowego.",
   "why_en": "Explore inputs, variants and computation of cross-entropy and mean-squared error losses."
  },
  "qin-yang-earnings-calls-acl2019": {
   "id": "qin-yang-earnings-calls-acl2019",
   "title": "What You Say and How You Say It Matters: Predicting Financial Risk Using Verbal and Vocal Cues",
   "title_en": "What You Say and How You Say It Matters: Predicting Financial Risk Using Verbal and Vocal Cues",
   "url": "https://aclanthology.org/P19-1038/",
   "author": "Yu Qin, Yi Yang",
   "sponsored": false,
   "why": "Pokazuje, że ton głosu prezesa niesie informację o ryzyku spółki ponad sam tekst.",
   "why_en": "Shows that an executive's tone of voice carries risk information beyond the words."
  },
  "qmix-2018": {
   "id": "qmix-2018",
   "title": "QMIX: Monotonic Value Function Factorisation for Deep Multi-Agent Reinforcement Learning",
   "title_en": "QMIX: Monotonic Value Function Factorisation for Deep Multi-Agent Reinforcement Learning",
   "url": "https://arxiv.org/abs/1803.11485",
   "author": "Tabish Rashid; Mikayel Samvelyan; Christian Schroeder de Witt; Gregory Farquhar; Jakob Foerster; Shimon Whiteson",
   "sponsored": false,
   "why": "Zobaczysz, jak łączyć oceny pojedynczych agentów w ocenę zespołu, zachowując samodzielne działanie każdego z nich.",
   "why_en": "See how individual agents' values combine into a team value while each agent still acts independently."
  },
  "qwen-audio-2023": {
   "id": "qwen-audio-2023",
   "title": "Qwen-Audio: Advancing Universal Audio Understanding via Unified Large-Scale Audio-Language Models",
   "title_en": "Qwen-Audio: Advancing Universal Audio Understanding via Unified Large-Scale Audio-Language Models",
   "url": "https://arxiv.org/abs/2311.07919",
   "author": "Yunfei Chu, Jin Xu, Xiaohuan Zhou, Qian Yang, Shiliang Zhang, Zhijie Yan, Chang Zhou, Jingren Zhou (Alibaba)",
   "sponsored": true,
   "why": "Pokazuje model językowy, który rozumie mowę, odgłosy i muzykę w jednym.",
   "why_en": "Shows a language model that understands speech, sounds and music together."
  },
  "qwen-image-2025": {
   "id": "qwen-image-2025",
   "title": "Qwen-Image Technical Report",
   "title_en": "Qwen-Image Technical Report",
   "url": "https://arxiv.org/abs/2508.02324",
   "author": "Chenfei Wu, Jiahao Li, Jingren Zhou, Junyang Lin, Kaiyuan Gao, Kun Yan i in. (Qwen Team, Alibaba)",
   "sponsored": true,
   "why": "Pokazuje, jak w 2025 roku modele nauczyły się poprawnie pisać tekst na obrazach.",
   "why_en": "Shows how in 2025 models learned to write text correctly inside images."
  },
  "qwen25-omni-2025": {
   "id": "qwen25-omni-2025",
   "title": "Qwen2.5-Omni Technical Report",
   "title_en": "Qwen2.5-Omni Technical Report",
   "url": "https://arxiv.org/abs/2503.20215",
   "author": "Jin Xu, Zhifang Guo, Jinzheng He, Hangrui Hu i in. (Qwen Team, Alibaba)",
   "sponsored": true,
   "why": "Opisuje budowę otwartego modelu, który jednocześnie widzi, słyszy i mówi.",
   "why_en": "Describes the design of an open model that sees, hears and speaks at once."
  },
  "qwen3-next-model-card": {
   "id": "qwen3-next-model-card",
   "title": "Qwen3-Next-80B-A3B-Instruct — karta modelu",
   "title_en": "Qwen3-Next-80B-A3B-Instruct — model card",
   "url": "https://huggingface.co/Qwen/Qwen3-Next-80B-A3B-Instruct",
   "author": "Qwen Team (Alibaba)",
   "sponsored": true,
   "why": "Poznasz projekt modelu łączącego uwagę liniową, pełną uwagę, ekspertów i przewidywanie wielu tokenów.",
   "why_en": "Explore a model design combining linear attention, full attention, experts and multi-token prediction."
  },
  "qwen3-omni-2025": {
   "id": "qwen3-omni-2025",
   "title": "Qwen3-Omni Technical Report",
   "title_en": "Qwen3-Omni Technical Report",
   "url": "https://arxiv.org/abs/2509.17765",
   "author": "Jin Xu, Zhifang Guo, Hangrui Hu, Yunfei Chu, Xiong Wang i in. (Qwen Team, Alibaba)",
   "sponsored": true,
   "why": "Pokazuje, dokąd doszły otwarte modele łączące wszystkie zmysły pod koniec 2025 roku.",
   "why_en": "Shows how far open all-senses models had come by late 2025."
  },
  "r2r-vln-2017": {
   "id": "r2r-vln-2017",
   "title": "Vision-and-Language Navigation: Interpreting visually-grounded navigation instructions in real environments",
   "title_en": "Vision-and-Language Navigation: Interpreting visually-grounded navigation instructions in real environments",
   "url": "https://arxiv.org/abs/1711.07280",
   "author": "P. Anderson, Q. Wu, D. Teney, J. Bruce, M. Johnson i in.",
   "sponsored": false,
   "why": "Poznasz zadanie i benchmark, od których zaczęła się nawigacja robotów według poleceń słownych.",
   "why_en": "Meet the task and benchmark that started robot navigation by spoken or written directions."
  },
  "r3m-2022": {
   "id": "r3m-2022",
   "title": "R3M: A Universal Visual Representation for Robot Manipulation",
   "title_en": "R3M: A Universal Visual Representation for Robot Manipulation",
   "url": "https://arxiv.org/abs/2203.12601",
   "author": "S. Nair, A. Rajeswaran, V. Kumar, C. Finn, A. Gupta",
   "sponsored": false,
   "why": "Zobaczysz, jak filmy z codziennego życia ludzi przyspieszają naukę manipulacji przez robota.",
   "why_en": "See how videos of people's daily lives speed up a robot's learning of manipulation."
  },
  "radford-clip-2021": {
   "id": "radford-clip-2021",
   "title": "Learning Transferable Visual Models From Natural Language Supervision (CLIP)",
   "title_en": "Learning Transferable Visual Models From Natural Language Supervision (CLIP)",
   "url": "https://arxiv.org/abs/2103.00020",
   "author": "Alec Radford, Jong Wook Kim, Chris Hallacy, Aditya Ramesh, Gabriel Goh i in.",
   "sponsored": false,
   "why": "Zrozumiesz uczenie wspólnej przestrzeni obrazu i tekstu przez dopasowywanie par oraz transfer przez opisy klas.",
   "why_en": "Understand shared image-text representation learning through pair matching and transfer using class descriptions."
  },
  "ragas-2023": {
   "id": "ragas-2023",
   "title": "Ragas: Automated Evaluation of Retrieval Augmented Generation",
   "url": "https://arxiv.org/abs/2309.15217",
   "author": "Shahul Es, Jithin James, Luis Espinosa-Anke, Steven Schockaert",
   "sponsored": false,
   "why": "Poznasz sposób liczenia wierności i trafności odpowiedzi RAG bez ręcznie pisanych wzorców.",
   "why_en": "Learn how RAG faithfulness and relevance are scored without hand-written reference answers."
  },
  "rainbow-2017": {
   "id": "rainbow-2017",
   "title": "Rainbow: Combining Improvements in Deep Reinforcement Learning",
   "title_en": "Rainbow: Combining Improvements in Deep Reinforcement Learning",
   "url": "https://arxiv.org/abs/1710.02298",
   "author": "Matteo Hessel; Joseph Modayil; Hado van Hasselt; Tom Schaul; Georg Ostrovski; Will Dabney; Dan Horgan; Bilal Piot; Mohammad Azar; David Silver",
   "sponsored": false,
   "why": "Poznasz sześć klasycznych ulepszeń głębokiego Q-learningu i to, jak działają razem.",
   "why_en": "Meet six classic deep Q-learning improvements and how they work together."
  },
  "rainbow-teaming-2024": {
   "id": "rainbow-teaming-2024",
   "title": "Rainbow Teaming: Open-Ended Generation of Diverse Adversarial Prompts",
   "url": "https://arxiv.org/abs/2402.16822",
   "author": "Mikayel Samvelyan, Sharath Chandra Raparthy, Andrei Lupu, Eric Hambro, Aram H. Markosyan, Manish Bhatt, Yuning Mao, Minqi Jiang, Jack Parker-Holder, Jakob Foerster, Tim Rocktäschel, Roberta Raileanu",
   "sponsored": false,
   "why": "Artykuł pokazuje, jak archiwum MAP-Elites zamienia red teaming w systematyczne wypełnianie mapy różnych ataków.",
   "why_en": "The paper shows how a MAP-Elites archive turns red teaming into systematically filling a map of varied attacks."
  },
  "rajpurkar-2018-squad2": {
   "id": "rajpurkar-2018-squad2",
   "title": "Know What You Don't Know: Unanswerable Questions for SQuAD",
   "title_en": "Know What You Don't Know: Unanswerable Questions for SQuAD",
   "url": "https://ar5iv.labs.arxiv.org/html/1806.03822",
   "author": "Pranav Rajpurkar, Robin Jia, Percy Liang",
   "sponsored": false,
   "why": "Pokazuje, dlaczego program szukający odpowiedzi w tekście musi umieć powiedzieć „tu tego nie ma”.",
   "why_en": "Shows why software finding answers in text must be able to say 'it isn't here'."
  },
  "rampasek-graphgps-2022": {
   "id": "rampasek-graphgps-2022",
   "title": "Recipe for a General, Powerful, Scalable Graph Transformer",
   "title_en": "Recipe for a General, Powerful, Scalable Graph Transformer",
   "url": "https://arxiv.org/abs/2205.12454",
   "author": "Ladislav Rampášek, Mikhail Galkin, Vijay Prakash Dwivedi, Anh Tuan Luu, Guy Wolf, Dominique Beaini",
   "sponsored": false,
   "why": "Dowiesz się, jak połączyć przekazywanie wiadomości z globalną uwagą w jednej sieci grafowej.",
   "why_en": "Learn how to combine message passing with global attention in one graph network."
  },
  "rani-ttpxhunter-2024": {
   "id": "rani-ttpxhunter-2024",
   "title": "TTPXHunter: Actionable Threat Intelligence Extraction as TTPs from Finished Cyber Threat Reports",
   "title_en": "TTPXHunter: Actionable Threat Intelligence Extraction as TTPs from Finished Cyber Threat Reports",
   "url": "https://arxiv.org/abs/2403.03267",
   "author": "Anku Rani, Bikash Saha, Vikas Maurya, Abhijnan Chakraborty, Sandeep Kumar Shukla",
   "sponsored": false,
   "why": "Pokazuje, jak syntetyczne zdania dla rzadkich technik poprawiają automatyczne mapowanie raportów.",
   "why_en": "Shows how synthetic sentences for rare techniques improve automatic report mapping."
  },
  "raschka-hybrid-attention-gallery": {
   "id": "raschka-hybrid-attention-gallery",
   "title": "LLM Architecture Gallery: Hybrid Attention",
   "title_en": "LLM Architecture Gallery: Hybrid Attention",
   "url": "https://sebastianraschka.com/llm-architecture-gallery/hybrid-attention/",
   "author": "Sebastian Raschka",
   "sponsored": false,
   "why": "Porównasz przykłady architektur mieszających warstwy rekurencyjne lub liniowe z pełną uwagą.",
   "why_en": "Compare architectures mixing recurrent or linear layers with full attention."
  },
  "raschka-llm-arch-comparison": {
   "id": "raschka-llm-arch-comparison",
   "title": "The Big LLM Architecture Comparison — From DeepSeek V3 to GLM-5",
   "title_en": "The Big LLM Architecture Comparison — From DeepSeek V3 to GLM-5",
   "url": "https://magazine.sebastianraschka.com/p/the-big-llm-architecture-comparison",
   "author": "Sebastian Raschka",
   "sponsored": false,
   "why": "Porównasz wybory architektoniczne modeli językowych, obejmujące uwagę, ekspertów, współdzielenie parametrów i obsługę kontekstu.",
   "why_en": "Compare language-model architecture choices covering attention, experts, parameter sharing and context handling."
  },
  "raschka-reasoning-llms": {
   "id": "raschka-reasoning-llms",
   "title": "Understanding Reasoning LLMs",
   "title_en": "Understanding Reasoning LLMs",
   "url": "https://magazine.sebastianraschka.com/p/understanding-reasoning-llms",
   "author": "Sebastian Raschka",
   "sponsored": false,
   "why": "Przegląd uporządkuje skalowanie inferencji, uczenie z nagrodą i destylację jako sposoby rozwijania rozumowania.",
   "why_en": "The overview organises inference scaling, reward-based learning and distillation as ways to develop reasoning."
  },
  "rasmussen-williams-gpml-2006": {
   "id": "rasmussen-williams-gpml-2006",
   "title": "Rasmussen, Williams · Gaussian Processes for Machine Learning",
   "title_en": "Rasmussen & Williams · Gaussian Processes for Machine Learning",
   "url": "https://gaussianprocess.org/gpml/chapters",
   "author": "Carl Edward Rasmussen, Christopher K. I. Williams",
   "sponsored": false,
   "why": "Standardowy, bezpłatny podręcznik procesów gaussowskich: regresja, jądra, strojenie i przybliżenia.",
   "why_en": "The standard free textbook on Gaussian processes: regression, kernels, tuning and approximations."
  },
  "real-esrgan-2021": {
   "id": "real-esrgan-2021",
   "title": "Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data",
   "title_en": "Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data",
   "url": "https://arxiv.org/abs/2107.10833",
   "author": "Xintao Wang, Liangbin Xie, Chao Dong, Ying Shan",
   "sponsored": false,
   "why": "Pokazuje popularną metodę powiększania zdjęć sprzed ery modeli dyfuzyjnych.",
   "why_en": "Shows a popular photo-upscaling method from before diffusion models."
  },
  "reasoning-on-budget-survey-2025": {
   "id": "reasoning-on-budget-survey-2025",
   "title": "Reasoning on a Budget: A Survey of Adaptive and Controllable Test-Time Compute in LLMs",
   "title_en": "Reasoning on a Budget: A Survey of Adaptive and Controllable Test-Time Compute in LLMs",
   "url": "https://arxiv.org/abs/2507.02076",
   "author": "Mohammad Ali Alomrani i 16 współautorów",
   "sponsored": false,
   "why": "Rozróżnisz narzucony budżet rozumowania i adaptacyjne dobieranie wysiłku według trudności lub pewności modelu.",
   "why_en": "Distinguish imposed reasoning budgets from adaptively selecting effort based on difficulty or model confidence."
  },
  "rec": {
   "id": "rec",
   "title": "Google · Recommendation Systems",
   "url": "https://developers.google.com/machine-learning/recommendation/overview",
   "kind": "reference",
   "note": "Rekomendacje, retrieval, scoring i reranking.",
   "sponsored": false,
   "why": "Poznasz architekturę rekomendacji od wyszukiwania kandydatów przez punktowanie po końcowe porządkowanie.",
   "why_en": "Explore recommendation architecture from candidate retrieval through scoring to final reranking."
  },
  "recast-navigation-docs": {
   "id": "recast-navigation-docs",
   "title": "Recast Navigation — dokumentacja",
   "title_en": "Recast Navigation — documentation",
   "url": "https://recastnav.com/",
   "author": "projekt open source Recast & Detour",
   "sponsored": false,
   "why": "Pokazuje krok po kroku, jak z geometrii poziomu powstaje mapa, po której chodzą postacie.",
   "why_en": "Shows step by step how level geometry becomes the map characters walk on."
  },
  "red-teaming-ganguli-2022": {
   "id": "red-teaming-ganguli-2022",
   "title": "Red Teaming Language Models to Reduce Harms: Methods, Scaling Behaviors, and Lessons Learned",
   "title_en": "Red Teaming Language Models to Reduce Harms: Methods, Scaling Behaviors, and Lessons Learned",
   "url": "https://arxiv.org/abs/2209.07858",
   "author": "D. Ganguli, L. Lovitt, J. Kernion, A. Askell i in. (36 autorów; Anthropic)",
   "sponsored": false,
   "why": "Poznasz metody ręcznego szukania szkodliwych odpowiedzi i porównywania odporności różnych modeli językowych.",
   "why_en": "Explore manual methods for finding harmful responses and comparing resilience across language models."
  },
  "red-teaming-lm-with-lm-2022": {
   "id": "red-teaming-lm-with-lm-2022",
   "title": "Red Teaming Language Models with Language Models",
   "title_en": "Red Teaming Language Models with Language Models",
   "url": "https://arxiv.org/abs/2202.03286",
   "author": "E. Perez, S. Huang, F. Song, T. Cai, R. Ring, J. Aslanides, A. Glaese, N. McAleese, G. Irving (DeepMind)",
   "sponsored": false,
   "why": "Dowiesz się, jak model językowy generuje testy przeciwnika, a klasyfikator ocenia odpowiedzi badanego systemu.",
   "why_en": "Learn how a language model generates adversarial tests while a classifier assesses the target system's responses."
  },
  "redmon-yolo-2015": {
   "id": "redmon-yolo-2015",
   "title": "You Only Look Once: Unified, Real-Time Object Detection",
   "title_en": "You Only Look Once: Unified, Real-Time Object Detection",
   "url": "https://arxiv.org/abs/1506.02640",
   "author": "Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi",
   "sponsored": false,
   "why": "Zrozumiesz jednoetapową detekcję przewidującą położenie obiektów i klasy w jednym przebiegu sieci.",
   "why_en": "Understand single-stage detection predicting object locations and classes in one network pass."
  },
  "refinedweb-2023": {
   "id": "refinedweb-2023",
   "title": "The RefinedWeb Dataset for Falcon LLM: Outperforming Curated Corpora with Web Data, and Web Data Only",
   "title_en": "The RefinedWeb Dataset for Falcon LLM: Outperforming Curated Corpora with Web Data, and Web Data Only",
   "url": "https://arxiv.org/abs/2306.01116",
   "author": "Guilherme Penedo, Quentin Malartic, Daniel Hesslow, Ruxandra Cojocaru, Alessandro Cappelli, Hamza Alobeidli, Baptiste Pannier, Ebtesam Almazrouei, Julien Launay",
   "sponsored": false,
   "why": "Poznasz eksperymenty pokazujące rolę filtrowania i deduplikacji danych sieciowych w pretrainingu modeli językowych.",
   "why_en": "Explore experiments examining web-data filtering and deduplication in language-model pretraining."
  },
  "regmix-2024": {
   "id": "regmix-2024",
   "title": "RegMix: Data Mixture as Regression for Language Model Pre-training",
   "title_en": "RegMix: Data Mixture as Regression for Language Model Pre-training",
   "url": "https://arxiv.org/abs/2407.01492",
   "author": "Qian Liu, Xiaosen Zheng, Niklas Muennighoff, Guangtao Zeng, Longxu Dou, Tianyu Pang, Jing Jiang, Min Lin",
   "sponsored": false,
   "why": "Dowiesz się, jak regresja wyników małych treningów pomaga wybierać mieszankę danych dla większego modelu.",
   "why_en": "Learn how regressing small-training results helps select data mixtures for larger models."
  },
  "regularized-evolution-2019": {
   "id": "regularized-evolution-2019",
   "title": "Regularized Evolution for Image Classifier Architecture Search",
   "url": "https://arxiv.org/abs/1802.01548",
   "author": "Esteban Real, Alok Aggarwal, Yanping Huang, Quoc V. Le",
   "sponsored": false,
   "why": "Artykuł pokazuje, jak prosta ewolucja ze starzeniem projektuje architektury sieci konkurencyjne z ludzkimi.",
   "why_en": "The paper shows how simple ageing evolution designs network architectures competitive with human ones."
  },
  "reharness-2026": {
   "id": "reharness-2026",
   "title": "Recurrent Harness for Agentic Continual Learning",
   "title_en": "Recurrent Harness for Agentic Continual Learning",
   "url": "https://arxiv.org/abs/2610.12668",
   "author": "Yuxin Xiao; Zhiyun Lu; Jianyu Wang; Yangtian Zhang; Yang Song; Qifan Wang; Bailin Wang",
   "sponsored": false,
   "why": "Opisuje rekurencyjną uprżąż z backward revision dla ciągłego uczenia agentów.",
   "why_en": "Describes a recurrent harness with backward revision for agentic continual learning."
  },
  "repe-2023": {
   "id": "repe-2023",
   "title": "Representation Engineering: A Top-Down Approach to AI Transparency",
   "title_en": "Representation Engineering: A Top-Down Approach to AI Transparency",
   "url": "https://arxiv.org/abs/2310.01405",
   "author": "Andy Zou, Long Phan, Sarah Chen, James Campbell i in. (21 autorów, m.in. J. Zico Kolter, Dan Hendrycks)",
   "sponsored": false,
   "why": "Poznasz monitorowanie i sterowanie wysokopoziomowymi cechami modelu przez reprezentacje populacji neuronów.",
   "why_en": "Explore monitoring and controlling high-level model features through neuron-population representations."
  },
  "resnet-2015": {
   "id": "resnet-2015",
   "title": "Deep Residual Learning for Image Recognition",
   "title_en": "Deep Residual Learning for Image Recognition",
   "url": "https://arxiv.org/abs/1512.03385",
   "author": "Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun",
   "sponsored": false,
   "why": "Zrozumiesz, jak uczenie funkcji resztkowej względem wejścia ułatwia optymalizację głębokich sieci.",
   "why_en": "Understand how learning residual functions relative to inputs helps optimise deep networks."
  },
  "rfc9309-robots": {
   "id": "rfc9309-robots",
   "title": "RFC 9309 — protokół wykluczania robotów (robots.txt)",
   "title_en": "RFC 9309 — Robots Exclusion Protocol",
   "url": "https://www.rfc-editor.org/rfc/rfc9309.html",
   "author": "Martin Koster, Gary Illyes, Henner Zeller, Lizzi Sassman (IETF)",
   "sponsored": false,
   "why": "Zrozumiesz reguły robots.txt i różnicę między polityką crawlowania a autoryzacją dostępu.",
   "why_en": "Understand robots.txt rules and the difference between crawling policy and access authorisation."
  },
  "rfdiffusion-2023": {
   "id": "rfdiffusion-2023",
   "title": "De novo design of protein structure and function with RFdiffusion",
   "title_en": "De novo design of protein structure and function with RFdiffusion",
   "url": "https://www.nature.com/articles/s41586-023-06415-8",
   "author": "Joseph L. Watson, David Juergens, Nathaniel R. Bennett i in., David Baker",
   "sponsored": false,
   "why": "Pokazuje krok po kroku, jak model dyfuzyjny i dobór sekwencji tworzą nowe działające białka.",
   "why_en": "Shows step by step how a diffusion model plus sequence design creates new working proteins."
  },
  "rfsp-hengl-2018": {
   "id": "rfsp-hengl-2018",
   "title": "Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables",
   "title_en": "Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables",
   "url": "https://peerj.com/articles/5518",
   "author": "Tomislav Hengl; Madlene Nussbaum; Marvin N. Wright; Gerard B. M. Heuvelink; Benedikt Gräler",
   "sponsored": false,
   "why": "Porównuje uczenie maszynowe z krigingiem i uczciwie pokazuje, kiedy które wygrywa.",
   "why_en": "Compares machine learning with kriging and honestly shows when each wins."
  },
  "rialto-2024": {
   "id": "rialto-2024",
   "title": "Reconciling Reality through Simulation: A Real-to-Sim-to-Real Approach for Robust Manipulation",
   "title_en": "Reconciling Reality through Simulation: A Real-to-Sim-to-Real Approach for Robust Manipulation",
   "url": "https://arxiv.org/abs/2403.03949",
   "author": "M. Torne, A. Simeonov, Z. Li, A. Chan, T. Chen, A. Gupta, P. Agrawal",
   "sponsored": false,
   "why": "Zobaczysz, jak skan prawdziwej sceny zamienia się w symulator do uodparniania polityki robota.",
   "why_en": "See how a scan of a real scene becomes a simulator for making a robot policy robust."
  },
  "ribeiro-lime-2016": {
   "id": "ribeiro-lime-2016",
   "title": "“Why Should I Trust You?”: Explaining the Predictions of Any Classifier",
   "title_en": "“Why Should I Trust You?”: Explaining the Predictions of Any Classifier",
   "url": "https://arxiv.org/abs/1602.04938",
   "author": "Marco Tulio Ribeiro, Sameer Singh, Carlos Guestrin",
   "sponsored": false,
   "why": "Dowiesz się, jak lokalny, interpretowalny model przybliża pojedynczą predykcję złożonego klasyfikatora.",
   "why_en": "Learn how a local interpretable model approximates an individual prediction from a complex classifier."
  },
  "riedl-bulitko-interactive-narrative-2013": {
   "id": "riedl-bulitko-interactive-narrative-2013",
   "title": "Interactive Narrative: An Intelligent Systems Approach",
   "title_en": "Interactive Narrative: An Intelligent Systems Approach",
   "url": "https://faculty.cc.gatech.edu/~riedl/pubs/aimag.pdf",
   "author": "Mark O. Riedl, Vadim Bulitko",
   "sponsored": false,
   "why": "Przegląd tego, jak AI może prowadzić historię reagującą na gracza, od rozgałęzień po menedżera dramaturgii.",
   "why_en": "An overview of how AI can run a story that responds to the player, from branching to the drama manager."
  },
  "rl": {
   "id": "rl",
   "title": "Berkeley CS185/285 · Deep Reinforcement Learning (2026)",
   "url": "https://rail.eecs.berkeley.edu/deeprlcourse/",
   "kind": "reference",
   "note": "Uczenie przez wzmacnianie, imitacja, sterowanie i RL dla LLM.",
   "sponsored": false,
   "why": "Kurs połączy imitację, gradient polityki, uczenie wartości i sterowanie z nowoczesnymi zastosowaniami uczenia ze wzmocnieniem.",
   "why_en": "The course connects imitation, policy gradients, value learning and control with modern reinforcement-learning applications."
  },
  "rlhfbook": {
   "id": "rlhfbook",
   "title": "Reinforcement Learning from Human Feedback (rlhfbook.com)",
   "title_en": "Reinforcement Learning from Human Feedback (rlhfbook.com)",
   "url": "https://rlhfbook.com/",
   "author": "Nathan Lambert",
   "sponsored": false,
   "why": "Uporządkujesz post-training przez demonstracje, dane preferencji, modelowanie nagrody i algorytmy dostrajania polityki.",
   "why_en": "Organise post-training through demonstrations, preference data, reward modelling and policy fine-tuning algorithms."
  },
  "rmsnorm-2019": {
   "id": "rmsnorm-2019",
   "title": "Root Mean Square Layer Normalization",
   "title_en": "Root Mean Square Layer Normalization",
   "url": "https://arxiv.org/abs/1910.07467",
   "author": "Biao Zhang, Rico Sennrich",
   "sponsored": false,
   "why": "Zrozumiesz normalizację według średniej kwadratowej bez odejmowania średniej aktywacji.",
   "why_en": "Understand normalisation using root mean square without subtracting activation means."
  },
  "roberts-block-cv-2017": {
   "id": "roberts-block-cv-2017",
   "title": "Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure",
   "url": "https://www.biometrie.uni-freiburg.de/mitarbeiter/dormann/roberts-et-al-2017-ecography.pdf",
   "author": "David R. Roberts, Volker Bahn, Simone Ciuti, Mark S. Boyce, Jane Elith, et al.",
   "sponsored": false,
   "why": "Podstawowy tekst o tym, jak dzielić dane zależne przestrzennie, żeby walidacja była uczciwa.",
   "why_en": "The core paper on splitting spatially dependent data so that validation stays honest."
  },
  "robotics": {
   "id": "robotics",
   "title": "MIT · Underactuated Robotics",
   "url": "https://underactuated.mit.edu/",
   "kind": "reference",
   "note": "Sterowanie, dynamika i uczenie w robotyce.",
   "sponsored": false,
   "why": "Poznasz modelowanie dynamiki, planowanie ruchu i sterowanie robotami z ograniczeniami aktuacji.",
   "why_en": "Explore dynamics modelling, motion planning and control for robots with actuation constraints."
  },
  "rohrbach-2018-object-hallucination": {
   "id": "rohrbach-2018-object-hallucination",
   "title": "Object Hallucination in Image Captioning",
   "title_en": "Object Hallucination in Image Captioning",
   "url": "https://arxiv.org/abs/1809.02156",
   "author": "Anna Rohrbach, Lisa Anne Hendricks, Kaylee Burns, Trevor Darrell, Kate Saenko",
   "sponsored": false,
   "why": "Wprowadza miarę trafności obrazu i pokazuje, że standardowe miary zdań nie zawsze wykrywają dopisywanie nieistniejących obiektów.",
   "why_en": "Introduces an image-relevance metric and shows that standard sentence metrics do not always catch hallucinated objects."
  },
  "rome-2022": {
   "id": "rome-2022",
   "title": "Locating and Editing Factual Associations in GPT",
   "title_en": "Locating and Editing Factual Associations in GPT",
   "url": "https://arxiv.org/abs/2202.05262",
   "author": "Kevin Meng, David Bau, Alex Andonian, Yonatan Belinkov",
   "sponsored": false,
   "why": "Dowiesz się, jak interwencje w aktywacje pomagają lokalizować i zmieniać konkretne skojarzenia faktograficzne modelu.",
   "why_en": "Learn how activation interventions help locate and change specific factual associations in models."
  },
  "roofline-williams-2009": {
   "id": "roofline-williams-2009",
   "title": "Roofline: An Insightful Visual Performance Model for Floating-Point Programs and Multicore Architectures",
   "title_en": "Roofline: An Insightful Visual Performance Model for Floating-Point Programs and Multicore Architectures",
   "url": "https://people.eecs.berkeley.edu/~kubitron/cs252/handouts/papers/RooflineVyNoYellow.pdf",
   "author": "Samuel Williams, Andrew Waterman, David Patterson (UC Berkeley)",
   "sponsored": false,
   "why": "Zrozumiesz model wydajności łączący szczytową moc obliczeniową, przepustowość pamięci i intensywność operacyjną.",
   "why_en": "Understand a performance model linking peak computation, memory bandwidth and operational intensity."
  },
  "rope-2021": {
   "id": "rope-2021",
   "title": "RoFormer: Enhanced Transformer with Rotary Position Embedding",
   "title_en": "RoFormer: Enhanced Transformer with Rotary Position Embedding",
   "url": "https://arxiv.org/abs/2104.09864",
   "author": "Jianlin Su, Yu Lu, Shengfeng Pan, Ahmed Murtadha, Bo Wen, Yunfeng Liu",
   "sponsored": false,
   "why": "Dowiesz się, jak obroty reprezentacji kodują pozycje tokenów i relacje odległości w uwadze.",
   "why_en": "Learn how representation rotations encode token positions and distance relationships in attention."
  },
  "roth-patchcore-2021": {
   "id": "roth-patchcore-2021",
   "title": "Towards Total Recall in Industrial Anomaly Detection",
   "url": "https://arxiv.org/abs/2106.08265",
   "author": "Karsten Roth, Latha Pemula, Joaquin Zepeda, Bernhard Schölkopf, Thomas Brox, Peter Gehler",
   "sponsored": false,
   "why": "Wyjaśnia metodę wykrywania wad, która uczy się tylko na zdjęciach dobrych wyrobów.",
   "why_en": "Explains a defect detection method that learns only from photos of good products."
  },
  "rouard-htdemucs-2022": {
   "id": "rouard-htdemucs-2022",
   "title": "Hybrid Transformers for Music Source Separation",
   "title_en": "Hybrid Transformers for Music Source Separation",
   "url": "https://arxiv.org/abs/2211.08553",
   "author": "Simon Rouard, Francisco Massa, Alexandre Défossez",
   "sponsored": false,
   "why": "Zobaczysz, jak model łączy przebieg fali i widmo przy separacji muzyki.",
   "why_en": "See how a model combines waveform and spectral information for music separation."
  },
  "rrg-survey-2024": {
   "id": "rrg-survey-2024",
   "title": "A Survey of Deep Learning-based Radiology Report Generation Using Multimodal Data",
   "title_en": "A Survey of Deep Learning-based Radiology Report Generation Using Multimodal Data",
   "url": "https://arxiv.org/abs/2405.12833",
   "author": "Xinyi Wang, Grazziela Figueredo, Ruizhe Li, Wei Emma Zhang, Weitong Chen, Xin Chen",
   "sponsored": false,
   "why": "Porządkuje etapy budowy systemów piszących opisy badań obrazowych i sposób ich oceny.",
   "why_en": "Lays out the stages of systems that write imaging reports and how they are evaluated."
  },
  "ruder-mtl-2017": {
   "id": "ruder-mtl-2017",
   "title": "An Overview of Multi-Task Learning in Deep Neural Networks",
   "url": "https://arxiv.org/abs/1706.05098",
   "author": "Sebastian Ruder",
   "sponsored": false,
   "why": "Klasyczne, przystępne wprowadzenie: jak dzielić parametry między zadaniami i jak dobierać zadania pomocnicze.",
   "why_en": "A classic, approachable introduction: how to share parameters across tasks and how to choose auxiliary tasks."
  },
  "ruler-2024": {
   "id": "ruler-2024",
   "title": "RULER: What's the Real Context Size of Your Long-Context Language Models?",
   "url": "https://arxiv.org/abs/2404.06654",
   "author": "Cheng-Ping Hsieh, Simeng Sun, Samuel Kriman, Shantanu Acharya, Dima Rekesh, Fei Jia, Yang Zhang, Boris Ginsburg",
   "sponsored": false,
   "why": "Pokazuje, dlaczego deklarowana długość kontekstu różni się od efektywnej i jak to zmierzyć.",
   "why_en": "Shows why advertised context length differs from effective length and how to measure it."
  },
  "rumelhart-backprop-1986": {
   "id": "rumelhart-backprop-1986",
   "title": "Learning representations by back-propagating errors",
   "title_en": "Learning representations by back-propagating errors",
   "url": "https://www.nature.com/articles/323533a0",
   "author": "David E. Rumelhart, Geoffrey E. Hinton, Ronald J. Williams",
   "sponsored": false,
   "why": "Zrozumiesz uczenie wag przez propagowanie błędu wstecz i powstawanie reprezentacji w warstwach ukrytych.",
   "why_en": "Understand learning weights through back-propagating errors and developing representations in hidden layers."
  },
  "s-lora-2023": {
   "id": "s-lora-2023",
   "title": "S-LoRA: Serving Thousands of Concurrent LoRA Adapters",
   "title_en": "S-LoRA: Serving Thousands of Concurrent LoRA Adapters",
   "url": "https://arxiv.org/abs/2311.03285",
   "author": "Ying Sheng, Shiyi Cao, Dacheng Li, Coleman Hooper, Nicholas Lee, Shuo Yang, Christopher Chou, Banghua Zhu, Lianmin Zheng, Kurt Keutzer, Joseph E. Gonzalez, Ion Stoica",
   "sponsored": false,
   "why": "Poznasz zarządzanie pamięcią i batching zapytań korzystających z różnych adapterów na wspólnym modelu bazowym.",
   "why_en": "Explore memory management and batching requests using different adapters on a shared base model."
  },
  "s1-budget-forcing-2025": {
   "id": "s1-budget-forcing-2025",
   "title": "s1: Simple test-time scaling",
   "title_en": "s1: Simple test-time scaling",
   "url": "https://arxiv.org/abs/2501.19393",
   "author": "Niklas Muennighoff, Zitong Yang, Weijia Shi, Xiang Lisa Li, Li Fei-Fei, Hannaneh Hajishirzi, Luke Zettlemoyer, Percy Liang, Emmanuel Candès, Tatsunori Hashimoto",
   "sponsored": false,
   "why": "Dowiesz się, jak dobrane demonstracje i przerywanie lub przedłużanie rozumowania sterują budżetem inferencji.",
   "why_en": "Learn how curated demonstrations and interrupting or extending reasoning control inference budgets."
  },
  "sacua-arxiv-2610.18508": {
   "id": "sacua-arxiv-2610.18508",
   "title": "Towards Safe Autonomy for Computer Use",
   "title_en": "Towards Safe Autonomy for Computer Use",
   "url": "https://arxiv.org/abs/2610.18508",
   "author": "Dominik Seip, Bartol Markovinović, Matthias Hein",
   "sponsored": false,
   "why": "Pierwotny opis techniki SA-CUA i eksperymentów bezpieczeństwa CUA.",
   "why_en": "Primary description of the SA-CUA technique and CUA security experiments."
  },
  "sadek-progressive-misalignment-2026": {
   "id": "sadek-progressive-misalignment-2026",
   "title": "Progressive Misalignment Can Emerge from Benign Recursive Self-Distillation",
   "title_en": "Progressive Misalignment Can Emerge from Benign Recursive Self-Distillation",
   "url": "https://arxiv.org/abs/2610.22467",
   "author": "Karim Abdel Sadek; Federico Di Gennaro; Fanny Yang",
   "sponsored": false,
   "why": "Poznasz, jak bezpieczny model może stopniowo tracić bezpieczeństwo podczas rekurencyjnej samodestylacji na niegroźnych danych.",
   "why_en": "Learn how a safe model can gradually lose safety during recursive self-distillation on benign data."
  },
  "sahoo-mdlm-2024": {
   "id": "sahoo-mdlm-2024",
   "title": "Simple and Effective Masked Diffusion Language Models",
   "title_en": "Simple and Effective Masked Diffusion Language Models",
   "url": "https://arxiv.org/abs/2406.07524",
   "author": "Subham Sekhar Sahoo, Marianne Arriola, Yair Schiff, Aaron Gokaslan, Edgar Marroquin, Justin T. Chiu, Alexander Rush, Volodymyr Kuleshov",
   "sponsored": false,
   "why": "Uproszczony cel maskowanej dyfuzji jako mieszanka strat modelu maskowego i sampler półautoregresyjny.",
   "why_en": "The simplified masked-diffusion objective as a mixture of masked-model losses, plus a semi-autoregressive sampler."
  },
  "sakana-evomerge-2024": {
   "id": "sakana-evomerge-2024",
   "title": "Evolutionary Optimization of Model Merging Recipes",
   "title_en": "Evolutionary Optimization of Model Merging Recipes",
   "url": "https://arxiv.org/abs/2403.13187",
   "author": "Takuya Akiba, Makoto Shing, Yujin Tang i in. (Sakana AI)",
   "sponsored": false,
   "why": "Poznasz ewolucyjne przeszukiwanie współczynników wag oraz układu warstw przy scalaniu modeli.",
   "why_en": "Explore evolutionary search over weight coefficients and layer arrangements when merging models."
  },
  "salimans-progdistill-2022": {
   "id": "salimans-progdistill-2022",
   "title": "Progressive Distillation for Fast Sampling of Diffusion Models",
   "title_en": "Progressive Distillation for Fast Sampling of Diffusion Models",
   "url": "https://arxiv.org/abs/2202.00512",
   "author": "Tim Salimans, Jonathan Ho",
   "sponsored": false,
   "why": "Dowiesz się, jak przez kolejne połowienia zejść z tysięcy kroków próbkowania do kilku.",
   "why_en": "Learn how repeated halving cuts sampling from thousands of steps to a few."
  },
  "salmonn-2023": {
   "id": "salmonn-2023",
   "title": "SALMONN: Towards Generic Hearing Abilities for Large Language Models",
   "title_en": "SALMONN: Towards Generic Hearing Abilities for Large Language Models",
   "url": "https://arxiv.org/abs/2310.13289",
   "author": "Changli Tang, Wenyi Yu, Guangzhi Sun, Xianzhao Chen, Tian Tan, Wei Li, Lu Lu, Zejun Ma, Chao Zhang (Tsinghua / ByteDance)",
   "sponsored": false,
   "why": "Pokazuje, jak dać modelowi tekstowemu ogólną umiejętność słuchania.",
   "why_en": "Shows how to give a text model general listening ability."
  },
  "sapd-arxiv-2610.27847": {
   "id": "sapd-arxiv-2610.27847",
   "title": "SAPD: Learning from Agent Experience without Environment Interaction",
   "title_en": "SAPD: Learning from Agent Experience without Environment Interaction",
   "url": "https://arxiv.org/abs/2610.27847",
   "author": "Juncheng Diao; Haibin Wang; Wei Shi; Yifan Ding; Qingbin Li; Rongxiang Weng; Xunliang Cai",
   "sponsored": false,
   "why": "Definiuje SAPD, sposób destylacji z offline trajektorii i porównania z SFT oraz online OPD.",
   "why_en": "Defines SAPD, the method of distillation from offline trajectories and comparisons with SFT and online OPD."
  },
  "sauer-add-2023": {
   "id": "sauer-add-2023",
   "title": "Adversarial Diffusion Distillation",
   "title_en": "Adversarial Diffusion Distillation",
   "url": "https://arxiv.org/abs/2311.17042",
   "author": "Axel Sauer, Dominik Lorenz, Andreas Blattmann, Robin Rombach",
   "sponsored": false,
   "why": "Zrozumiesz, jak nauczyciel i dyskryminator razem uczą generator obrazów działania w jednym kroku.",
   "why_en": "Understand how a teacher and a discriminator together teach an image generator to work in one step."
  },
  "saxena-cmapss-2008": {
   "id": "saxena-cmapss-2008",
   "title": "CMAPSS Jet Engine Simulated Data (Damage Propagation Modeling for Aircraft Engine Run-to-Failure Simulation)",
   "url": "https://data.nasa.gov/dataset/cmapss-jet-engine-simulated-data",
   "author": "Abhinav Saxena, Kai Goebel, Don Simon, Neil Eklund (NASA PCoE)",
   "sponsored": false,
   "why": "Opisuje najczęściej używany zbiór do nauki przewidywania pozostałego czasu życia silników.",
   "why_en": "Describes the most widely used dataset for learning remaining-useful-life prediction on engines."
  },
  "saycan-2022": {
   "id": "saycan-2022",
   "title": "Do As I Can, Not As I Say: Grounding Language in Robotic Affordances",
   "title_en": "Do As I Can, Not As I Say: Grounding Language in Robotic Affordances",
   "url": "https://arxiv.org/abs/2204.01691",
   "author": "M. Ahn, A. Brohan, N. Brown, Y. Chebotar, O. Cortes, B. David, C. Finn i in.",
   "sponsored": false,
   "why": "Zobaczysz, jak model językowy wybiera kroki, a robot sprawdza, które z nich da się teraz wykonać.",
   "why_en": "See how a language model picks steps while the robot checks which ones are feasible right now."
  },
  "sbert-docs": {
   "id": "sbert-docs",
   "title": "Sentence Transformers — dokumentacja (strona główna)",
   "title_en": "Sentence Transformers — documentation (landing page)",
   "url": "https://sbert.net/",
   "author": "projekt Sentence Transformers (utrzymywany przez Hugging Face)",
   "sponsored": false,
   "why": "Przećwiczysz wyszukiwanie semantyczne, porównywanie tekstów i ponowne porządkowanie wyników różnymi rodzinami enkoderów.",
   "why_en": "Practise semantic search, text comparison and result reranking with different encoder families."
  },
  "scalable-oversight-bowman-2022": {
   "id": "scalable-oversight-bowman-2022",
   "title": "Measuring Progress on Scalable Oversight for Large Language Models",
   "title_en": "Measuring Progress on Scalable Oversight for Large Language Models",
   "url": "https://arxiv.org/abs/2211.03540",
   "author": "S. R. Bowman, J. Hyun, E. Perez i in. (46 autorów; Anthropic)",
   "sponsored": false,
   "why": "Poznasz eksperymenty nadzoru, w których zawodny asystent pomaga człowiekowi oceniać zadania wymagające wiedzy eksperckiej.",
   "why_en": "Explore oversight experiments where fallible assistants help humans evaluate tasks requiring expert knowledge."
  },
  "scaling-book-gpus": {
   "id": "scaling-book-gpus",
   "title": "How to Scale Your Model — How to Think About GPUs (sekcja o sieci)",
   "title_en": "How to Scale Your Model — How to Think About GPUs (networking section)",
   "url": "https://jax-ml.github.io/scaling-book/gpus/",
   "author": "Jacob Austin i in. (Google DeepMind)",
   "sponsored": false,
   "why": "Zrozumiesz hierarchię połączeń między akceleratorami i węzłami oraz jej znaczenie dla skalowania obliczeń.",
   "why_en": "Understand interconnect hierarchies between accelerators and nodes and their importance for scaling computation."
  },
  "scaling-book-rooflines": {
   "id": "scaling-book-rooflines",
   "title": "How to Scale Your Model — All About Rooflines",
   "title_en": "How to Scale Your Model — All About Rooflines",
   "url": "https://jax-ml.github.io/scaling-book/roofline/",
   "author": "Jacob Austin i in. (Google DeepMind)",
   "sponsored": false,
   "why": "Dowiesz się, jak intensywność arytmetyczna wyznacza granicę między ograniczeniami pamięci i obliczeń.",
   "why_en": "Learn how arithmetic intensity determines the boundary between memory and compute constraints."
  },
  "scaling-book-tpus": {
   "id": "scaling-book-tpus",
   "title": "How to Scale Your Model — How to Think About TPUs",
   "title_en": "How to Scale Your Model — How to Think About TPUs",
   "url": "https://jax-ml.github.io/scaling-book/tpus/",
   "author": "Jacob Austin, Sholto Douglas, Roy Frostig, Anselm Levskaya, Reiner Pope i in. (Google DeepMind)",
   "sponsored": true,
   "why": "Poznasz przepływ danych przez pamięć i macierz systoliczną oraz topologie komunikacji akceleratorów.",
   "why_en": "Explore data flow through memory and systolic arrays and accelerator communication topologies."
  },
  "scalp-eeg-dl-review-2022": {
   "id": "scalp-eeg-dl-review-2022",
   "title": "Deep learning for automated epileptiform discharge detection from scalp EEG: a systematic review",
   "title_en": "Deep learning for automated epileptiform discharge detection from scalp EEG: a systematic review",
   "url": "https://pubmed.ncbi.nlm.nih.gov/36174541/",
   "author": "Duong Nhu, Mubeen M. A. Janmohamed, Ana Antonic-Baker, Piero Perucca, Terence J. O’Brien, Amanda Gilligan, Patrick Kwan, Chang Wei Tan, Levin Kuhlmann",
   "sponsored": false,
   "why": "Potwierdza, że głębokie uczenie stosuje się także do wykrywania wyładowań padaczkowych w EEG skalpowym, a nie tylko w zapisie śródczaszkowym.",
   "why_en": "Confirms that deep learning is also used to detect epileptiform discharges in scalp EEG, not only intracranial recordings."
  },
  "scgpt-github": {
   "id": "scgpt-github",
   "title": "scGPT – repozytorium kodu (bowang-lab/scGPT); praca: scGPT: Towards Building a Foundation Model for Single-Cell Multi-omics Using Generative AI",
   "title_en": "scGPT – code repository (bowang-lab/scGPT); paper: scGPT: Towards Building a Foundation Model for Single-Cell Multi-omics Using Generative AI",
   "url": "https://github.com/bowang-lab/scGPT",
   "author": "Haotian Cui, Chloe Wang, Hassaan Maan, Kuan Pang, Fengning Luo, Bo Wang",
   "sponsored": false,
   "why": "Pokazuje, na ilu komórkach uczy się model bazowy i do jakich analiz biologicznych go użyć.",
   "why_en": "Shows how many cells a foundation model learns from and which biological analyses it supports."
  },
  "schick-2023-toolformer": {
   "id": "schick-2023-toolformer",
   "title": "Toolformer: Language Models Can Teach Themselves to Use Tools",
   "url": "https://arxiv.org/abs/2302.04761",
   "author": "Timo Schick, Jane Dwivedi-Yu, Roberto Dessì, Roberta Raileanu, Maria Lomeli, Luke Zettlemoyer, Nicola Cancedda, Thomas Scialom",
   "sponsored": false,
   "why": "Klasyczna praca pokazująca, jak model uczy się sam decydować, kiedy i jak wywołać narzędzie.",
   "why_en": "A classic paper on how a model learns by itself when and how to call a tool."
  },
  "schroff-facenet-2015": {
   "id": "schroff-facenet-2015",
   "title": "FaceNet: A Unified Embedding for Face Recognition and Clustering",
   "url": "https://arxiv.org/abs/1503.03832",
   "author": "Florian Schroff, Dmitry Kalenichenko, James Philbin",
   "sponsored": false,
   "why": "Pierwotna praca pokazuje uczenie embeddingu podobieństwa stratą trypletową i doborem trudnych przykładów.",
   "why_en": "The original paper demonstrates learning a similarity embedding with triplet loss and hard-example mining."
  },
  "schroter-deepfilternet-2021": {
   "id": "schroter-deepfilternet-2021",
   "title": "DeepFilterNet: A Low Complexity Speech Enhancement Framework for Full-Band Audio based on Deep Filtering",
   "title_en": "DeepFilterNet: A Low Complexity Speech Enhancement Framework for Full-Band Audio based on Deep Filtering",
   "url": "https://arxiv.org/abs/2110.05588",
   "author": "Hendrik Schröter i in.",
   "sponsored": false,
   "why": "Poznasz dwuetapowe oczyszczanie mowy przez wzmocnienia pasm i filtrowanie.",
   "why_en": "Learn two-stage speech enhancement using band gains and filtering."
  },
  "schwartz-llmcloudhunter-2024": {
   "id": "schwartz-llmcloudhunter-2024",
   "title": "LLMCloudHunter: Harnessing LLMs for Automated Extraction of Detection Rules from Cloud-Based CTI",
   "title_en": "LLMCloudHunter: Harnessing LLMs for Automated Extraction of Detection Rules from Cloud-Based CTI",
   "url": "https://arxiv.org/abs/2407.05194",
   "author": "Shaked Schwartz, Tomer Zimmerman, Asaf Shabtai",
   "sponsored": false,
   "why": "Konkretny przykład potoku, w którym model czyta raport o ataku i pisze reguły detekcji w otwartym formacie.",
   "why_en": "A concrete pipeline in which a model reads an attack report and writes detection rules in an open format."
  },
  "sd3-rectified-flow-2024": {
   "id": "sd3-rectified-flow-2024",
   "title": "Scaling Rectified Flow Transformers for High-Resolution Image Synthesis",
   "title_en": "Scaling Rectified Flow Transformers for High-Resolution Image Synthesis",
   "url": "https://arxiv.org/abs/2403.03206",
   "author": "Patrick Esser, Sumith Kulal, Andreas Blattmann i in., Robin Rombach (Stability AI)",
   "sponsored": true,
   "why": "Dowiesz się, jak ścieżki rectified flow i transformer multimodalny współpracują przy generowaniu obrazów z tekstu.",
   "why_en": "Learn how rectified-flow paths and multimodal transformers cooperate in text-to-image generation."
  },
  "seamless-2023-m4t": {
   "id": "seamless-2023-m4t",
   "title": "SeamlessM4T: Massively Multilingual & Multimodal Machine Translation",
   "title_en": "SeamlessM4T: Massively Multilingual & Multimodal Machine Translation",
   "url": "https://arxiv.org/abs/2308.11596",
   "author": "Seamless Communication",
   "sponsored": false,
   "why": "Pokazuje, jak jeden model tłumaczy mowę i tekst w wielu językach bez łańcucha osobnych programów.",
   "why_en": "Shows how one model translates speech and text across many languages without a chain of separate programs."
  },
  "seamless-2023-streaming": {
   "id": "seamless-2023-streaming",
   "title": "Seamless: Multilingual Expressive and Streaming Speech Translation",
   "title_en": "Seamless: Multilingual Expressive and Streaming Speech Translation",
   "url": "https://arxiv.org/abs/2312.05187",
   "author": "Seamless Communication",
   "sponsored": false,
   "why": "Dokumentuje tłumaczenie strumieniowe, które zaczyna generować wynik przed końcem wypowiedzi.",
   "why_en": "Documents streaming translation that starts producing output before the source utterance ends."
  },
  "seedprover2025": {
   "id": "seedprover2025",
   "title": "Seed-Prover: Deep and Broad Reasoning for Automated Theorem Proving",
   "title_en": "Seed-Prover: Deep and Broad Reasoning for Automated Theorem Proving",
   "url": "https://arxiv.org/abs/2507.23726",
   "author": "Luoxin Chen, Jinming Gu, Liankai Huang i 34 współautorów",
   "sponsored": false,
   "why": "Poznasz iteracyjne poprawianie formalnych dowodów przez model uczony z informacją zwrotną od weryfikatora.",
   "why_en": "Explore iterative formal-proof refinement by a model trained using verifier feedback."
  },
  "segler-retro-2017": {
   "id": "segler-retro-2017",
   "title": "Learning to Plan Chemical Syntheses",
   "title_en": "Learning to Plan Chemical Syntheses",
   "url": "https://arxiv.org/abs/1708.04202",
   "author": "Marwin H. S. Segler, Mike Preuss, Mark P. Waller",
   "sponsored": false,
   "why": "Pokazuje, jak sieci neuronowe i przeszukiwanie drzewa planują krok po kroku syntezę nowej cząsteczki.",
   "why_en": "Shows how neural networks and tree search plan a new molecule's synthesis step by step."
  },
  "self-instruct-2022": {
   "id": "self-instruct-2022",
   "title": "Self-Instruct: Aligning Language Models with Self-Generated Instructions",
   "title_en": "Self-Instruct: Aligning Language Models with Self-Generated Instructions",
   "url": "https://arxiv.org/abs/2212.10560",
   "author": "Yizhong Wang, Yeganeh Kordi, Swaroop Mishra, Alisa Liu, Noah A. Smith, Daniel Khashabi, Hannaneh Hajishirzi",
   "sponsored": false,
   "why": "Dowiesz się, jak model generuje, filtruje i wykorzystuje własne instrukcje oraz odpowiedzi do dostrajania.",
   "why_en": "Learn how a model generates, filters and uses its own instructions and responses for fine-tuning."
  },
  "semantic-entropy-nature-2024": {
   "id": "semantic-entropy-nature-2024",
   "title": "Detecting hallucinations in large language models using semantic entropy",
   "title_en": "Detecting hallucinations in large language models using semantic entropy",
   "url": "https://www.nature.com/articles/s41586-024-07421-0",
   "author": "Sebastian Farquhar, Jannik Kossen, Lorenz Kuhn, Yarin Gal",
   "sponsored": false,
   "why": "Zrozumiesz wykrywanie konfabulacji przez grupowanie odpowiedzi według znaczenia i pomiar niepewności między grupami.",
   "why_en": "Understand confabulation detection by grouping responses by meaning and measuring uncertainty across groups."
  },
  "sennrich-bpe-2016": {
   "id": "sennrich-bpe-2016",
   "title": "Neural Machine Translation of Rare Words with Subword Units",
   "title_en": "Neural Machine Translation of Rare Words with Subword Units",
   "url": "https://arxiv.org/abs/1508.07909",
   "author": "Rico Sennrich, Barry Haddow, Alexandra Birch",
   "sponsored": false,
   "why": "Dowiesz się, jak jednostki podsłowowe obsługują rzadkie i nieznane słowa w tłumaczeniu maszynowym.",
   "why_en": "Learn how subword units handle rare and unknown words in machine translation."
  },
  "sentence-bert-2019": {
   "id": "sentence-bert-2019",
   "title": "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
   "title_en": "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
   "url": "https://arxiv.org/abs/1908.10084",
   "author": "Nils Reimers, Iryna Gurevych",
   "sponsored": false,
   "why": "Zrozumiesz uczenie embeddingów zdań umożliwiających szybkie porównywanie podobieństwa i grupowanie tekstów.",
   "why_en": "Understand learning sentence embeddings for efficient similarity comparisons and text clustering."
  },
  "sentencepiece-2018": {
   "id": "sentencepiece-2018",
   "title": "SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural Text Processing",
   "title_en": "SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural Text Processing",
   "url": "https://arxiv.org/abs/1808.06226",
   "author": "Taku Kudo, John Richardson",
   "sponsored": false,
   "why": "Poznasz tokenizację podsłowową trenowaną bezpośrednio na surowych zdaniach bez wcześniejszego podziału na słowa.",
   "why_en": "Explore subword tokenisation trained directly on raw sentences without prior word segmentation."
  },
  "sep-expected-utility": {
   "id": "sep-expected-utility",
   "title": "Briggs · Normative Theories of Rational Choice: Expected Utility (Stanford Encyclopedia of Philosophy)",
   "title_en": "Briggs · Normative Theories of Rational Choice: Expected Utility (Stanford Encyclopedia of Philosophy)",
   "url": "https://plato.stanford.edu/entries/rationality-normative-utility/",
   "author": "R. A. Briggs",
   "sponsored": false,
   "why": "Rzetelne omówienie aksjomatów oczekiwanej użyteczności i paradoksów, które im przeczą.",
   "why_en": "A careful account of expected-utility axioms and the paradoxes that challenge them."
  },
  "settles-active-learning-2009": {
   "id": "settles-active-learning-2009",
   "title": "Active Learning Literature Survey (Computer Sciences Technical Report 1648)",
   "title_en": "Active Learning Literature Survey (Computer Sciences Technical Report 1648)",
   "url": "https://minds.wisc.edu/handle/1793/60660",
   "author": "Burr Settles",
   "sponsored": false,
   "why": "Poznasz scenariusze i strategie wybierania przykładów, o których etykiety model prosi człowieka.",
   "why_en": "Explore scenarios and strategies for choosing examples whose labels a model requests from humans."
  },
  "settles-hlr-2016": {
   "id": "settles-hlr-2016",
   "title": "A Trainable Spaced Repetition Model for Language Learning",
   "title_en": "A Trainable Spaced Repetition Model for Language Learning",
   "url": "https://aclanthology.org/P16-1174/",
   "author": "Burr Settles, Brendan Meeder",
   "sponsored": true,
   "why": "Pokazuje, jak z logów nauki wyuczyć model zapominania, który wybiera termin powtórki.",
   "why_en": "Shows how to learn a forgetting model from study logs that picks when to review."
  },
  "sevgili-2020-neural-el-survey": {
   "id": "sevgili-2020-neural-el-survey",
   "title": "Neural Entity Linking: A Survey of Models Based on Deep Learning",
   "title_en": "Neural Entity Linking: A Survey of Models Based on Deep Learning",
   "url": "https://arxiv.org/abs/2006.00575",
   "author": "Ozge Sevgili, Artem Shelmanov, Mikhail Arkhipov, Alexander Panchenko, Chris Biemann",
   "sponsored": false,
   "why": "Pokazuje wspólny schemat, według którego programy dopasowują nazwy z tekstu do wpisów w bazie wiedzy.",
   "why_en": "Shows the common scheme programs use to match names in text to knowledge-base entries."
  },
  "sglang-2023": {
   "id": "sglang-2023",
   "title": "SGLang: Efficient Execution of Structured Language Model Programs",
   "title_en": "SGLang: Efficient Execution of Structured Language Model Programs",
   "url": "https://arxiv.org/abs/2312.07104",
   "author": "Lianmin Zheng, Liangsheng Yin, Zhiqiang Xie, Chuyue Sun, Jeff Huang, Cody Hao Yu, Shiyi Cao, Christos Kozyrakis, Ion Stoica, Joseph E. Gonzalez, Clark Barrett, Ying Sheng",
   "sponsored": false,
   "why": "Dowiesz się, jak współdzielony cache prefiksów i automaty wyjścia strukturalnego usprawniają wykonywanie programów językowych.",
   "why_en": "Learn how shared prefix caches and structured-output automata improve language-program execution."
  },
  "shaky-foundations-ehr-2023": {
   "id": "shaky-foundations-ehr-2023",
   "title": "The shaky foundations of large language models and foundation models for electronic health records",
   "title_en": "The shaky foundations of large language models and foundation models for electronic health records",
   "url": "https://www.nature.com/articles/s41746-023-00879-8",
   "author": "Michael Wornow, Yizhe Xu, Rahul Thapa i in.",
   "sponsored": false,
   "why": "Rozróżnia rodzaje modeli bazowych na danych pacjentów i pokazuje, czego w ich ocenie brakuje.",
   "why_en": "Distinguishes kinds of foundation models on patient data and shows what their evaluation lacks."
  },
  "shalev-bendavid-uml-2014": {
   "id": "shalev-bendavid-uml-2014",
   "title": "Shalev-Shwartz, Ben-David · Understanding Machine Learning: From Theory to Algorithms",
   "title_en": "Shalev-Shwartz & Ben-David · Understanding Machine Learning: From Theory to Algorithms",
   "url": "https://www.cambridge.org/core/books/understanding-machine-learning/3059695661405D25673058E43C8BE2A6",
   "author": "Shai Shalev-Shwartz, Shai Ben-David",
   "sponsored": false,
   "why": "Podręcznik krok po kroku wyprowadza uczenie PAC, wymiar VC i twierdzenie o braku darmowego obiadu.",
   "why_en": "A textbook that derives PAC learning, VC dimension and the no-free-lunch theorem step by step."
  },
  "shape-of-ai": {
   "id": "shape-of-ai",
   "title": "The Shape of AI — biblioteka wzorców UX dla AI",
   "title_en": "The Shape of AI — AI UX pattern library",
   "url": "https://www.shapeof.ai/",
   "author": "Emily Campbell",
   "sponsored": false,
   "why": "Biblioteka pokaże wzorce rozpoczynania pracy, konfiguracji, nadzoru i interakcji użytkownika z generatywną AI.",
   "why_en": "The library presents patterns for onboarding, configuration, oversight and user interaction with generative AI."
  },
  "shapley-value-rand-1952": {
   "id": "shapley-value-rand-1952",
   "title": "Lloyd S. Shapley · A Value for N-Person Games",
   "title_en": "Lloyd S. Shapley · A Value for N-Person Games",
   "url": "https://www.rand.org/pubs/papers/P295.html",
   "author": "Lloyd S. Shapley",
   "sponsored": false,
   "why": "Pierwotne źródło wartości Shapleya i jej aksjomatycznego uzasadnienia.",
   "why_en": "The primary source for the Shapley value and its axiomatic justification."
  },
  "shared-autonomy-hindsight-2015": {
   "id": "shared-autonomy-hindsight-2015",
   "title": "Shared Autonomy via Hindsight Optimization",
   "title_en": "Shared Autonomy via Hindsight Optimization",
   "url": "https://arxiv.org/abs/1503.07619",
   "author": "S. Javdani, S. S. Srinivasa, J. A. Bagnell (CMU)",
   "sponsored": false,
   "why": "Zrozumiesz, jak robot odgaduje cel operatora i pomaga mu, nie odbierając całej kontroli.",
   "why_en": "Understand how a robot infers the operator's goal and assists without taking full control."
  },
  "shen-multilexsum-2022": {
   "id": "shen-multilexsum-2022",
   "title": "Multi-LexSum: Real-World Summaries of Civil Rights Lawsuits at Multiple Granularities",
   "url": "https://arxiv.org/abs/2206.10883",
   "author": "Zejiang Shen, Kyle Lo, Lauren Yu, Nathan Dahlberg, Margo Schlanger, Doug Downey",
   "sponsored": false,
   "why": "Pokazuje, jak streszcza się całe akta sprawy na kilku poziomach szczegółowości.",
   "why_en": "Shows how whole case files are summarised at several levels of detail."
  },
  "shi-aryadoust-awf-review-2024": {
   "id": "shi-aryadoust-awf-review-2024",
   "title": "A systematic review of AI-based automated written feedback research",
   "title_en": "A systematic review of AI-based automated written feedback research",
   "url": "https://doi.org/10.1017/S0958344023000265",
   "author": "Huawei Shi, Vahid Aryadoust",
   "sponsored": false,
   "why": "Podsumowuje trzy dekady badań nad automatycznymi komentarzami do tekstów i ich mieszane wyniki.",
   "why_en": "Summarises three decades of research on automated comments on writing and its mixed results."
  },
  "shields-bayesian-reaction-optimization-2021": {
   "id": "shields-bayesian-reaction-optimization-2021",
   "title": "Bayesian reaction optimization as a tool for chemical synthesis",
   "url": "https://doi.org/10.1038/s41586-021-03213-y",
   "author": "Benjamin J. Shields, Jason Stevens, Jun Li, Marvin Parasram, Farhan Damani, Jesus I. Martinez Alvarado, Jacob M. Janey, Ryan P. Adams, Abigail G. Doyle",
   "sponsored": false,
   "why": "Pokazuje na prawdziwych eksperymentach, że optymalizacja bayesowska znajduje dobre ustawienia szybciej niż ludzie.",
   "why_en": "Shows on real experiments that Bayesian optimisation finds good settings faster than people."
  },
  "shinkaevolve-2025": {
   "id": "shinkaevolve-2025",
   "title": "ShinkaEvolve: Towards Open-Ended And Sample-Efficient Program Evolution",
   "title_en": "ShinkaEvolve: Towards Open-Ended And Sample-Efficient Program Evolution",
   "url": "https://arxiv.org/abs/2509.19349",
   "author": "Robert Tjarko Lange, Yuki Imajuku, Edoardo Cetin",
   "sponsored": false,
   "why": "Praca pokazuje, jak zmniejszyć liczbę wywołań modelu potrzebnych do ewolucyjnego odkrywania programów.",
   "why_en": "The paper shows how to cut the number of model calls needed for evolutionary program discovery."
  },
  "shukla-legal-case-summarization-2022": {
   "id": "shukla-legal-case-summarization-2022",
   "title": "Legal Case Document Summarization: Extractive and Abstractive Methods and their Evaluation",
   "url": "https://arxiv.org/abs/2210.07544",
   "author": "Abhay Shukla, Paheli Bhattacharya, Soham Poddar, Rajdeep Mukherjee, Kripabandhu Ghosh, Pawan Goyal, Saptarshi Ghosh",
   "sponsored": false,
   "why": "Porównuje metody streszczania wyroków i pokazuje, że automatyczne metryki rozmijają się z oceną prawników.",
   "why_en": "Compares judgment summarisation methods and shows automatic metrics diverge from lawyers' judgment."
  },
  "sima-team-2024": {
   "id": "sima-team-2024",
   "title": "Scaling Instructable Agents Across Many Simulated Worlds",
   "url": "https://arxiv.org/abs/2404.10179",
   "author": "SIMA Team (Google DeepMind)",
   "sponsored": true,
   "why": "Opisuje agenta, który przez ekran, klawiaturę i mysz wykonuje polecenia w wielu różnych grach 3D.",
   "why_en": "Describes an agent that follows instructions in many 3D games through screen, keyboard and mouse."
  },
  "simple-diffusion-2023": {
   "id": "simple-diffusion-2023",
   "title": "simple diffusion: End-to-end diffusion for high resolution images",
   "title_en": "simple diffusion: End-to-end diffusion for high resolution images",
   "url": "https://arxiv.org/abs/2301.11093",
   "author": "Emiel Hoogeboom, Jonathan Heek, Tim Salimans",
   "sponsored": false,
   "why": "Zobaczysz, czemu wysoka rozdzielczość w pikselach wymaga innego harmonogramu szumu i jednego modelu end-to-end.",
   "why_en": "See why high-resolution pixels need a different noise schedule and a single end-to-end model."
  },
  "simpler-2024": {
   "id": "simpler-2024",
   "title": "Evaluating Real-World Robot Manipulation Policies in Simulation (SIMPLER)",
   "title_en": "Evaluating Real-World Robot Manipulation Policies in Simulation (SIMPLER)",
   "url": "https://arxiv.org/abs/2405.05941",
   "author": "X. Li, K. Hsu, J. Gu, K. Pertsch, O. Mees, H. R. Walke i in. (m.in. S. Levine, J. Wu, C. Finn, H. Su, Q. Vuong, T. Xiao)",
   "sponsored": false,
   "why": "Dowiesz się, jak budować symulacje, których wyniki zgadzają się z testami prawdziwych robotów.",
   "why_en": "Learn how to build simulations whose scores agree with real-robot tests."
  },
  "skin-tone-ita-2023": {
   "id": "skin-tone-ita-2023",
   "title": "Revisiting Skin Tone Fairness in Dermatological Lesion Classification",
   "title_en": "Revisiting Skin Tone Fairness in Dermatological Lesion Classification",
   "url": "https://arxiv.org/abs/2308.09640",
   "author": "Thorsten Kalb, Kaisar Kushibar, Celia Cintas, Karim Lekadir, Oliver Diaz, Richard Osuala",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego szacowanie karnacji ze zdjęć utrudnia rzetelne badanie sprawiedliwości modeli.",
   "why_en": "Explains why estimating skin tone from photos makes fairness testing unreliable."
  },
  "sklearn-clustering": {
   "id": "sklearn-clustering",
   "title": "scikit-learn — 2.3 Clustering",
   "title_en": "scikit-learn — 2.3 Clustering",
   "url": "https://scikit-learn.org/stable/modules/clustering.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Porównasz założenia algorytmów klasteryzacji i metryki oceny grup o różnych kształtach oraz gęstościach.",
   "why_en": "Compare clustering-algorithm assumptions and evaluation metrics for groups with different shapes and densities."
  },
  "sklearn-featureselection-api": {
   "id": "sklearn-featureselection-api",
   "title": "scikit-learn — moduł sklearn.feature_selection (indeks API)",
   "title_en": "scikit-learn — sklearn.feature_selection module (API index)",
   "url": "https://scikit-learn.org/stable/api/sklearn.feature_selection.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Przegląd głównych rodzin metod selekcji cech dostępnych w jednej bibliotece.",
   "why_en": "An overview of the main feature-selection method families available in one library."
  },
  "sklearn-gb-quantile-example": {
   "id": "sklearn-gb-quantile-example",
   "title": "scikit-learn — Prediction Intervals for Gradient Boosting Regression (przykład)",
   "title_en": "scikit-learn — Prediction Intervals for Gradient Boosting Regression (example)",
   "url": "https://scikit-learn.org/stable/auto_examples/ensemble/plot_gradient_boosting_quantile.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Praktyczny przykład budowy przedziałów kwantylowych i dowodu, że ich pokrycie trzeba sprawdzać.",
   "why_en": "A hands-on example of building quantile intervals, showing why their coverage must be checked."
  },
  "sklearn-iterativeimputer": {
   "id": "sklearn-iterativeimputer",
   "title": "scikit-learn — IterativeImputer (dokumentacja API)",
   "title_en": "scikit-learn — IterativeImputer (API documentation)",
   "url": "https://scikit-learn.org/stable/modules/generated/sklearn.impute.IterativeImputer.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Pokazuje imputację iteracyjną i jej koszty oraz alternatywy: proste i sąsiedzkie uzupełnianie braków.",
   "why_en": "Explains iterative imputation, its costs, and the simple and nearest-neighbour alternatives."
  },
  "sklearn-model-evaluation": {
   "id": "sklearn-model-evaluation",
   "title": "scikit-learn User Guide · Metrics and scoring: quantifying the quality of predictions",
   "title_en": "scikit-learn User Guide · Metrics and scoring: quantifying the quality of predictions",
   "url": "https://scikit-learn.org/stable/modules/model_evaluation.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Nauczysz się dobierać i obliczać metryki klasyfikacji, regresji, rankingu oraz klasteryzacji.",
   "why_en": "Learn to select and calculate classification, regression, ranking and clustering metrics."
  },
  "sklearn-outliers": {
   "id": "sklearn-outliers",
   "title": "scikit-learn — 2.7 Novelty and Outlier Detection",
   "title_en": "scikit-learn — 2.7 Novelty and Outlier Detection",
   "url": "https://scikit-learn.org/stable/modules/outlier_detection.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Rozróżnisz wykrywanie anomalii w zanieczyszczonym zbiorze i rozpoznawanie nowości po treningu na czystych danych.",
   "why_en": "Distinguish anomaly detection in contaminated datasets from novelty detection after training on clean data."
  },
  "sklearn-pitfalls": {
   "id": "sklearn-pitfalls",
   "title": "scikit-learn — Common pitfalls and recommended practices",
   "title_en": "scikit-learn — Common pitfalls and recommended practices",
   "url": "https://scikit-learn.org/stable/common_pitfalls.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Dowiesz się, jak spójny preprocessing, potoki i kontrola losowości ograniczają wycieki oraz błędy ewaluacji.",
   "why_en": "Learn how consistent preprocessing, pipelines and randomness control limit leakage and evaluation errors."
  },
  "sklearn-selftraining": {
   "id": "sklearn-selftraining",
   "title": "scikit-learn — SelfTrainingClassifier (dokumentacja API)",
   "title_en": "scikit-learn — SelfTrainingClassifier (API documentation)",
   "url": "https://scikit-learn.org/stable/modules/generated/sklearn.semi_supervised.SelfTrainingClassifier.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Pokazuje krok po kroku, jak działa samouczenie z progiem pewności w popularnej bibliotece.",
   "why_en": "Shows step by step how confidence-threshold self-training works in a popular library."
  },
  "sklearn-semi-supervised-guide": {
   "id": "sklearn-semi-supervised-guide",
   "title": "scikit-learn — Semi-supervised learning (User Guide)",
   "title_en": "scikit-learn — Semi-supervised learning (User Guide)",
   "url": "https://scikit-learn.org/stable/modules/semi_supervised.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Oficjalny przewodnik porządkuje główne rodziny klasycznego uczenia pół-nadzorowanego.",
   "why_en": "The official guide organises the main families of classical semi-supervised learning."
  },
  "sklearn-stacking": {
   "id": "sklearn-stacking",
   "title": "scikit-learn — StackingClassifier (dokumentacja API)",
   "title_en": "scikit-learn — StackingClassifier (API documentation)",
   "url": "https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.StackingClassifier.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Pokazuje, jak poprawnie zbudować stacking na predykcjach poza-foldowych i czego unikać.",
   "why_en": "Shows how to build stacking correctly on out-of-fold predictions and what to avoid."
  },
  "sklearn-targetencoder": {
   "id": "sklearn-targetencoder",
   "title": "scikit-learn — TargetEncoder (dokumentacja API)",
   "title_en": "scikit-learn — TargetEncoder (API documentation)",
   "url": "https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.TargetEncoder.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Wyjaśnia kodowanie docelowe z cross-fittingiem i wygładzaniem oraz kiedy wybrać je zamiast one-hot.",
   "why_en": "Explains target encoding with cross-fitting and smoothing, and when to prefer it over one-hot."
  },
  "sklearn-user-guide": {
   "id": "sklearn-user-guide",
   "title": "scikit-learn User Guide (wersja 1.9.1)",
   "title_en": "scikit-learn User Guide (version 1.9.1)",
   "url": "https://scikit-learn.org/stable/user_guide.html",
   "author": "scikit-learn developers",
   "sponsored": false,
   "why": "Przewodnik uporządkuje klasyczne algorytmy, przygotowanie danych, wybór modeli i ewaluację.",
   "why_en": "The guide organises classical algorithms, data preparation, model selection and evaluation."
  },
  "sksurv-intro": {
   "id": "sksurv-intro",
   "title": "scikit-survival User Guide: Introduction to Survival Analysis",
   "title_en": "scikit-survival User Guide: Introduction to Survival Analysis",
   "url": "https://scikit-survival.readthedocs.io/en/stable/user_guide/00-introduction.html",
   "author": "Sebastian Pölsterl (scikit-survival)",
   "sponsored": false,
   "why": "Krok po kroku tłumaczy cenzurowanie, krzywą Kaplana–Meiera i model Coxa na przykładzie w Pythonie.",
   "why_en": "Walks through censoring, the Kaplan–Meier curve and the Cox model with a Python example."
  },
  "slam-radiance-fields-survey-2024": {
   "id": "slam-radiance-fields-survey-2024",
   "title": "How NeRFs and 3D Gaussian Splatting are Reshaping SLAM: a Survey",
   "title_en": "How NeRFs and 3D Gaussian Splatting are Reshaping SLAM: a Survey",
   "url": "https://arxiv.org/abs/2402.13255",
   "author": "Fabio Tosi, Youmin Zhang, Ziren Gong, Erik Sandström, Stefano Mattoccia, Martin R. Oswald, Matteo Poggi",
   "sponsored": false,
   "why": "Pokazuje, jak nowe sposoby zapisu scen 3D zmieniają mapowanie przez roboty.",
   "why_en": "Shows how new ways of storing 3D scenes are changing robot mapping."
  },
  "slivkins-bandits": {
   "id": "slivkins-bandits",
   "title": "Introduction to Multi-Armed Bandits",
   "title_en": "Introduction to Multi-Armed Bandits",
   "url": "https://arxiv.org/abs/1904.07272",
   "author": "Aleksandrs Slivkins",
   "sponsored": false,
   "why": "Zrozumiesz wybór działań przy niepewnych nagrodach, od prostych bandytów po ustawienia kontekstowe i adwersarialne.",
   "why_en": "Understand action selection under uncertain rewards, from basic bandits to contextual and adversarial settings."
  },
  "slp3-hmm": {
   "id": "slp3-hmm",
   "title": "Jurafsky, Martin · Speech and Language Processing (3rd ed. draft) — Dodatek A: Hidden Markov Models",
   "title_en": "Jurafsky & Martin · Speech and Language Processing (3rd ed. draft) — Appendix A: Hidden Markov Models",
   "url": "https://web.stanford.edu/~jurafsky/slp3/",
   "author": "Dan Jurafsky, James H. Martin",
   "sponsored": false,
   "why": "Dodatek wprowadzi ukryte modele Markowa jako probabilistyczny opis sekwencji stanów i obserwacji.",
   "why_en": "The appendix introduces hidden Markov models as probabilistic descriptions of state and observation sequences."
  },
  "snell-2022-contextdistill": {
   "id": "snell-2022-contextdistill",
   "title": "Learning by Distilling Context",
   "url": "https://arxiv.org/abs/2209.15189",
   "author": "Charlie Snell, Dan Klein, Ruiqi Zhong",
   "sponsored": false,
   "why": "Wyjaśnia, jak przenieść korzyści z długiego promptu do wag modelu i skrócić zapytania.",
   "why_en": "Explains how to move a long prompt's benefits into model weights and shorten requests."
  },
  "snell-ttc-2024": {
   "id": "snell-ttc-2024",
   "title": "Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters",
   "title_en": "Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters",
   "url": "https://arxiv.org/abs/2408.03314",
   "author": "Charlie Snell, Jaehoon Lee, Kelvin Xu, Aviral Kumar",
   "sponsored": false,
   "why": "Porównasz przeszukiwanie z weryfikatorem i poprawianie odpowiedzi oraz dobieranie budżetu inferencji do trudności pytania.",
   "why_en": "Compare verifier-guided search and response revision alongside allocating inference budgets by question difficulty."
  },
  "snorkel-2017": {
   "id": "snorkel-2017",
   "title": "Snorkel: Rapid Training Data Creation with Weak Supervision",
   "title_en": "Snorkel: Rapid Training Data Creation with Weak Supervision",
   "url": "https://arxiv.org/abs/1711.10160",
   "author": "Alexander Ratner, Stephen H. Bach, Henry Ehrenberg, Jason Fries, Sen Wu, Christopher Ré",
   "sponsored": false,
   "why": "Dowiesz się, jak funkcje etykietujące dostarczają słabego nadzoru, a model łączy ich zaszumione sygnały.",
   "why_en": "Learn how labelling functions provide weak supervision and a model combines their noisy signals."
  },
  "social-nav-challenges-2021": {
   "id": "social-nav-challenges-2021",
   "title": "Core Challenges of Social Robot Navigation: A Survey",
   "title_en": "Core Challenges of Social Robot Navigation: A Survey",
   "url": "https://arxiv.org/abs/2103.05668",
   "author": "C. Mavrogiannis, F. Baldini, A. Wang, D. Zhao, P. Trautman, A. Steinfeld, J. Oh",
   "sponsored": false,
   "why": "Zrozumiesz, czemu ruch robota wśród ludzi jest trudny i jak oceniać takie systemy.",
   "why_en": "Understand why robot motion among people is hard and how to evaluate such systems."
  },
  "softwaregym-github-2026": {
   "id": "softwaregym-github-2026",
   "title": "SoftwareGym GitHub repository",
   "title_en": "SoftwareGym GitHub repository",
   "url": "https://github.com/MrKiing-Jin/SoftwareGym",
   "author": "Tian Jin et al.",
   "sponsored": false,
   "why": "Otwarty kod implementacji pipeline syntezy środowisk i zbierania trajektorii.",
   "why_en": "Open-source code implementing the environment synthesis pipeline and trajectory collection."
  },
  "sohn-fixmatch-2020": {
   "id": "sohn-fixmatch-2020",
   "title": "FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence",
   "url": "https://arxiv.org/abs/2001.07685",
   "author": "Kihyuk Sohn, David Berthelot, Chun-Liang Li, Zizhao Zhang, Nicholas Carlini, Ekin D. Cubuk, Alex Kurakin, Han Zhang, Colin Raffel",
   "sponsored": false,
   "why": "Wzorcowa, prosta metoda łącząca pseudoetykiety z augmentacją; dobry punkt wejścia do głębokiego uczenia półnadzorowanego.",
   "why_en": "A simple reference method joining pseudo-labels with augmentation; a good entry point to deep semi-supervised learning."
  },
  "soldaini-2024-dolma": {
   "id": "soldaini-2024-dolma",
   "title": "Dolma: an Open Corpus of Three Trillion Tokens for Language Model Pretraining Research",
   "url": "https://arxiv.org/abs/2402.00159",
   "author": "Luca Soldaini, Rodney Kinney, Akshita Bhagia, Dustin Schwenk, David Atkinson, Russell Authur, Ben Bogin, Khyathi Chandu, Jennifer Dumas, Yanai Elazar, Valentin Hofmann, Ananya Harsh Jha, Sachin Kumar, Li Lucy, Xinxi Lyu, Nathan Lambert, Ian Magnusson, Jacob Morrison, Niklas Muennighoff, Aakanksha Naik, Crystal Nam, Matthew E. Peters, Abhilasha Ravichander, Kyle Richardson, Zejiang Shen, Emma Strubell, Nishant Subramani, Oyvind Tafjord, Pete Walsh, Luke Zettlemoyer, Noah A. Smith, Hannaneh Hajishirzi, Iz Beltagy, Dirk Groeneveld, Jesse Dodge, Kyle Lo",
   "sponsored": false,
   "why": "Konkretny, udokumentowany przykład filtrowania toksyczności i PII w otwartym korpusie z kompromisami progów.",
   "why_en": "A concrete, documented example of toxicity and PII filtering in an open corpus, with threshold trade-offs."
  },
  "sommer-paxson-closed-world-2010": {
   "id": "sommer-paxson-closed-world-2010",
   "title": "Outside the Closed World: On Using Machine Learning for Network Intrusion Detection",
   "title_en": "Outside the Closed World: On Using Machine Learning for Network Intrusion Detection",
   "url": "https://ieeexplore.ieee.org/document/5504793",
   "author": "Robin Sommer, Vern Paxson",
   "sponsored": false,
   "why": "Klasyczny tekst o tym, dlaczego uczenie maszynowe tak trudno przenieść do prawdziwego wykrywania włamań.",
   "why_en": "A classic on why machine learning is so hard to carry into real intrusion detection."
  },
  "song-consistency-2023": {
   "id": "song-consistency-2023",
   "title": "Consistency Models",
   "title_en": "Consistency Models",
   "url": "https://arxiv.org/abs/2303.01469",
   "author": "Yang Song, Prafulla Dhariwal, Mark Chen, Ilya Sutskever",
   "sponsored": false,
   "why": "Poznasz model, który z dowolnego poziomu szumu od razu przewiduje gotowy obraz.",
   "why_en": "Meet a model that predicts the finished image directly from any noise level."
  },
  "song-ddim-2020": {
   "id": "song-ddim-2020",
   "title": "Denoising Diffusion Implicit Models",
   "title_en": "Denoising Diffusion Implicit Models",
   "url": "https://arxiv.org/abs/2010.02502",
   "author": "Jiaming Song, Chenlin Meng, Stefano Ermon",
   "sponsored": false,
   "why": "Zrozumiesz, jak przyspieszyć gotowy model dyfuzyjny bez ponownego treningu.",
   "why_en": "Understand how to speed up a trained diffusion model without retraining."
  },
  "song-kingma-ebm-2021": {
   "id": "song-kingma-ebm-2021",
   "title": "How to Train Your Energy-Based Models",
   "title_en": "How to Train Your Energy-Based Models",
   "url": "https://arxiv.org/abs/2101.03288",
   "author": "Yang Song, Diederik P. Kingma",
   "sponsored": false,
   "why": "Poznasz trzy główne sposoby trenowania modeli energii i ich związek z dopasowaniem score.",
   "why_en": "Learn the three main ways to train energy-based models and their link to score matching."
  },
  "sora-tech-report-2024": {
   "id": "sora-tech-report-2024",
   "title": "Video generation models as world simulators",
   "title_en": "Video generation models as world simulators",
   "url": "https://openai.com/index/video-generation-models-as-world-simulators/",
   "author": "Tim Brooks, Bill Peebles, Connor Holmes, … Aditya Ramesh (OpenAI)",
   "sponsored": true,
   "why": "Wyjaśnia, jak model dzieli film na kawałki w czasie i przestrzeni, żeby go wygenerować.",
   "why_en": "Explains how a model splits a film into space-time pieces to generate it."
  },
  "sorensen-metaphor-2015": {
   "id": "sorensen-metaphor-2015",
   "title": "Metaheuristics—the metaphor exposed",
   "url": "https://www.cs.ubc.ca/~hutter/EARG.shtml/stack/2013_Sorensen_MetaheuristicsTheMetaphorExposed.pdf",
   "author": "Kenneth Sörensen",
   "sponsored": false,
   "why": "Wyjaśnia, dlaczego wiele „nowych” algorytmów inspirowanych naturą to stare metody pod nową nazwą.",
   "why_en": "Explains why many 'new' nature-inspired algorithms are old methods under a new name."
  },
  "souffle-datalog-docs": {
   "id": "souffle-datalog-docs",
   "title": "Soufflé · Dokumentacja języka Datalog",
   "title_en": "Soufflé · Datalog language documentation",
   "url": "https://souffle-lang.github.io/docs.html",
   "author": "Soufflé project",
   "sponsored": false,
   "why": "Potwierdza deklaratywny charakter Datalogu, zastosowania oraz wykonywanie do punktu stałego.",
   "why_en": "Confirms Datalog's declarative character, applications and fixed-point evaluation."
  },
  "sparsegpt-2023": {
   "id": "sparsegpt-2023",
   "title": "SparseGPT: Massive Language Models Can Be Accurately Pruned in One-Shot",
   "title_en": "SparseGPT: Massive Language Models Can Be Accurately Pruned in One-Shot",
   "url": "https://arxiv.org/abs/2301.00774",
   "author": "Elias Frantar, Dan Alistarh",
   "sponsored": false,
   "why": "Poznasz jednorazowe przycinanie wag dużego modelu bez ponownego treningu oraz obsługiwane wzorce rzadkości.",
   "why_en": "Explore one-shot pruning of large-model weights without retraining and supported sparsity patterns."
  },
  "specification-gaming-deepmind-2020": {
   "id": "specification-gaming-deepmind-2020",
   "title": "Specification gaming: the flip side of AI ingenuity",
   "title_en": "Specification gaming: the flip side of AI ingenuity",
   "url": "https://deepmind.google/discover/blog/specification-gaming-the-flip-side-of-ai-ingenuity/",
   "author": "V. Krakovna, J. Uesato, V. Mikulik, M. Rahtz, T. Everitt, R. Kumar, Z. Kenton, J. Leike, S. Legg (DeepMind)",
   "sponsored": false,
   "why": "Przykłady pokażą, jak dosłowne spełnienie funkcji nagrody może rozmijać się z zamierzonym rezultatem.",
   "why_en": "Examples show how literally satisfying reward functions can diverge from intended outcomes."
  },
  "spinningup-rl-taxonomy": {
   "id": "spinningup-rl-taxonomy",
   "title": "OpenAI Spinning Up — Part 2: Kinds of RL Algorithms",
   "title_en": "OpenAI Spinning Up — Part 2: Kinds of RL Algorithms",
   "url": "https://spinningup.openai.com/en/latest/spinningup/rl_intro2.html",
   "author": "Joshua Achiam / OpenAI",
   "sponsored": false,
   "why": "Porównasz uczenie polityki, Q-learning i metody korzystające z modelu środowiska.",
   "why_en": "Compare policy learning, Q-learning and methods using environment models."
  },
  "splitwise-2023": {
   "id": "splitwise-2023",
   "title": "Splitwise: Efficient Generative LLM Inference Using Phase Splitting",
   "title_en": "Splitwise: Efficient Generative LLM Inference Using Phase Splitting",
   "url": "https://arxiv.org/abs/2311.18677",
   "author": "Pratyush Patel, Esha Choukse, Chaojie Zhang, Aashaka Shah, Íñigo Goiri, Saeed Maleki, Ricardo Bianchini",
   "sponsored": false,
   "why": "Dowiesz się, jak rozdzielenie faz inferencji na różne maszyny dopasowuje sprzęt do ich ograniczeń.",
   "why_en": "Learn how splitting inference stages across machines matches hardware to each stage's constraints."
  },
  "squad-2016": {
   "id": "squad-2016",
   "title": "SQuAD: 100,000+ Questions for Machine Comprehension of Text",
   "title_en": "SQuAD: 100,000+ Questions for Machine Comprehension of Text",
   "url": "https://arxiv.org/abs/1606.05250",
   "author": "Pranav Rajpurkar, Jian Zhang, Konstantin Lopyrev, Percy Liang",
   "sponsored": false,
   "why": "Klasyczny zbiór pytań, na którym uczono modele czytania ze zrozumieniem.",
   "why_en": "The classic question set used to train reading-comprehension models."
  },
  "sre-canarying": {
   "id": "sre-canarying",
   "title": "The Site Reliability Workbook — rozdz. „Canarying Releases”",
   "title_en": "The Site Reliability Workbook — chapter \"Canarying Releases\"",
   "url": "https://sre.google/workbook/canarying-releases/",
   "author": "Google SRE (red. B. Beyer i in.)",
   "sponsored": false,
   "why": "Poznasz częściowe wdrażanie zmian, porównanie z kontrolą i wycofywanie wersji po wykryciu problemów.",
   "why_en": "Explore partial rollouts, comparisons against controls and rollback after detecting problems."
  },
  "stable-audio-open-2024": {
   "id": "stable-audio-open-2024",
   "title": "Stable Audio Open",
   "title_en": "Stable Audio Open",
   "url": "https://arxiv.org/abs/2407.14358",
   "author": "Zach Evans, Julian D. Parker, CJ Carr, Zack Zukowski, Josiah Taylor, Jordi Pons",
   "sponsored": true,
   "why": "Pokazuje otwarty generator dźwięku uczony na nagraniach z wolnych licencji.",
   "why_en": "Shows an open sound generator trained on freely licensed recordings."
  },
  "starcop-2023": {
   "id": "starcop-2023",
   "title": "Semantic segmentation of methane plumes with hyperspectral machine learning models",
   "title_en": "Semantic segmentation of methane plumes with hyperspectral machine learning models",
   "url": "https://www.nature.com/articles/s41598-023-44918-6",
   "author": "Vít Růžička; Gonzalo Mateo-Garcia; Luis Gómez-Chova; Anna Vaughan; Luis Guanter; Andrew Markham",
   "sponsored": false,
   "why": "Pokazuje, jak uczenie maszynowe ogranicza fałszywe alarmy przy szukaniu wycieków metanu z góry.",
   "why_en": "Shows how machine learning cuts false alarms when searching for methane leaks from above."
  },
  "step1x-edit-2025": {
   "id": "step1x-edit-2025",
   "title": "Step1X-Edit: A Practical Framework for General Image Editing",
   "title_en": "Step1X-Edit: A Practical Framework for General Image Editing",
   "url": "https://arxiv.org/abs/2504.17761",
   "author": "Shiyu Liu, Yucheng Han, Peng Xing, … Gang Yu, Daxin Jiang (StepFun)",
   "sponsored": true,
   "why": "Pokazuje, jak model rozumiejący język steruje edycją obrazu.",
   "why_en": "Shows how a language-understanding model steers image editing."
  },
  "stepsafe-arxiv-2610.20960": {
   "id": "stepsafe-arxiv-2610.20960",
   "title": "StepSafe: Learning Timely Intervention with Context-Aware Safety Reasoning",
   "title_en": "StepSafe: Learning Timely Intervention with Context-Aware Safety Reasoning",
   "url": "https://arxiv.org/abs/2610.20960",
   "author": "Siyi Gu, Kunhan Gao, Chao Peter Yang, Sukanta Ganguly, Rex Ying, Arman Cohan (Yale University, NetApp)",
   "sponsored": false,
   "why": "Poznasz trening monitora, który interweniuje we właściwym momencie dzięki dopasowaniu do etapu ryzyka i samodystylacji.",
   "why_en": "Learn how the monitor is trained to intervene at the right time via stage alignment and self-distillation."
  },
  "stewart-torchgeo-2021": {
   "id": "stewart-torchgeo-2021",
   "title": "TorchGeo: Deep Learning With Geospatial Data",
   "url": "https://arxiv.org/abs/2111.08872",
   "author": "Adam J. Stewart, Caleb Robinson, Isaac A. Corley, Anthony Ortiz, Juan M. Lavista Ferres, Arindam Banerjee",
   "sponsored": false,
   "why": "Pokazuje praktyczny zestaw narzędzi i zbiorów danych do nauki uczenia głębokiego na zdjęciach satelitarnych.",
   "why_en": "Shows a practical toolkit and datasets for learning deep learning on satellite imagery."
  },
  "stop-overthinking-survey-2025": {
   "id": "stop-overthinking-survey-2025",
   "title": "Stop Overthinking: A Survey on Efficient Reasoning for Large Language Models",
   "title_en": "Stop Overthinking: A Survey on Efficient Reasoning for Large Language Models",
   "url": "https://arxiv.org/abs/2503.16419",
   "author": "Yang Sui i in.",
   "sponsored": false,
   "why": "Porównasz metody skracania rozumowania przez trening modelu, sterowanie wyjściem i instrukcje w prompcie.",
   "why_en": "Compare shortening reasoning through model training, output control and prompt instructions."
  },
  "stoploss-arxiv-2610.25525": {
   "id": "stoploss-arxiv-2610.25525",
   "title": "StopLoss: Teaching Agents to Predict Failure and Stop Early",
   "title_en": "StopLoss: Teaching Agents to Predict Failure and Stop Early",
   "url": "https://arxiv.org/abs/2610.25525",
   "author": "Jiarong Liang, Xueguang Ma, Dongfu Jiang, Yuxuan Zhang, Ping Nie, Wenhu Chen",
   "sponsored": false,
   "why": "Pokazuje, jak nadzór wynikowy pozwala tanio przewidywać porażkę i oszczędzać koszty uruchomień.",
   "why_en": "Shows how outcome supervision enables cheap failure prediction and saves run costs."
  },
  "summerville-pcgml-2018": {
   "id": "summerville-pcgml-2018",
   "title": "Procedural Content Generation via Machine Learning (PCGML)",
   "url": "https://arxiv.org/abs/1702.00539",
   "author": "Adam Summerville, Sam Snodgrass, Matthew Guzdial, Christoffer Holmgård, Amy K. Hoover, Aaron Isaksen, Andy Nealen, Julian Togelius",
   "sponsored": false,
   "why": "Przegląd sposobów uczenia modeli tworzenia poziomów na podstawie istniejących plansz i ich ograniczeń.",
   "why_en": "Surveys ways to train models that make levels from existing ones, and their limitations."
  },
  "sun-multiagentopd-2026": {
   "id": "sun-multiagentopd-2026",
   "title": "MultiAgent-OPD: End-to-End Training of Hierarchical Multi-Agent Systems with On-Policy Distillation",
   "title_en": "MultiAgent-OPD: End-to-End Training of Hierarchical Multi-Agent Systems with On-Policy Distillation",
   "url": "https://arxiv.org/abs/2610.23234",
   "author": "Yuhan Sun, Jiaxin Zhao, Yongdong Luo, Yibo Hu, Meiguang Jin, Junfeng Ma, Weixun Wang, Weihang Pan, Zhongan Bi",
   "sponsored": false,
   "why": "Dowiesz się, jak zamrożony nauczyciel dostarcza lokalnego nadzoru procesowego dla podagentów w hierarchicznym zespole.",
   "why_en": "Learn how a frozen teacher supplies local process supervision for subagents in a hierarchical team."
  },
  "sun-ttt-2020": {
   "id": "sun-ttt-2020",
   "title": "Test-Time Training with Self-Supervision for Generalization under Distribution Shifts",
   "title_en": "Test-Time Training with Self-Supervision for Generalization under Distribution Shifts",
   "url": "https://arxiv.org/abs/1909.13231",
   "author": "Yu Sun, Xiaolong Wang, Zhuang Liu, John Miller, Alexei A. Efros, Moritz Hardt",
   "sponsored": false,
   "why": "Skąd nazwa i schemat: ćwiczenie bez etykiety na jednej próbce przed odpowiedzią.",
   "why_en": "Where the name and scheme come from: an unlabeled exercise on one sample before the answer."
  },
  "sun-tttlayers-2024": {
   "id": "sun-tttlayers-2024",
   "title": "Learning to (Learn at Test Time): RNNs with Expressive Hidden States",
   "title_en": "Learning to (Learn at Test Time): RNNs with Expressive Hidden States",
   "url": "https://arxiv.org/abs/2407.04620",
   "author": "Yu Sun, Xinhao Li, Karan Dalal, Jiarui Xu, Arjun Vikram, Genghan Zhang, Yann Dubois, Xinlei Chen, Xiaolong Wang, Sanmi Koyejo, Tatsunori Hashimoto, Carlos Guestrin",
   "sponsored": false,
   "why": "Warstwa, w której pamięć jest małym modelem douczanym na teście.",
   "why_en": "The layer whose memory is a small model trained at test time."
  },
  "supir-2024": {
   "id": "supir-2024",
   "title": "Scaling Up to Excellence: Practicing Model Scaling for Photo-Realistic Image Restoration In the Wild (SUPIR)",
   "title_en": "Scaling Up to Excellence: Practicing Model Scaling for Photo-Realistic Image Restoration In the Wild (SUPIR)",
   "url": "https://arxiv.org/abs/2401.13627",
   "author": "Fanghua Yu, Jinjin Gu, Zheyuan Li, Jinfan Hu, Xiangtao Kong, Xintao Wang, Jingwen He, Yu Qiao, Chao Dong",
   "sponsored": false,
   "why": "Pokazuje, jak duże modele generatywne odnawiają zdjęcia i czemu trzeba pilnować wierności.",
   "why_en": "Shows how large generative models restore photos and why fidelity must be watched."
  },
  "sutton-barto-rl-2018": {
   "id": "sutton-barto-rl-2018",
   "title": "Reinforcement Learning: An Introduction (wyd. 2)",
   "title_en": "Reinforcement Learning: An Introduction (2nd edition)",
   "url": "http://incompleteideas.net/book/the-book-2nd.html",
   "author": "Richard S. Sutton, Andrew G. Barto",
   "sponsored": false,
   "why": "Podręcznik krok po kroku wyprowadza programowanie dynamiczne, metody Monte Carlo i uczenie TD z równań Bellmana.",
   "why_en": "The textbook derives dynamic programming, Monte Carlo methods and TD learning step by step from the Bellman equations."
  },
  "sutton-td-1988": {
   "id": "sutton-td-1988",
   "title": "Learning to Predict by the Methods of Temporal Differences",
   "title_en": "Learning to Predict by the Methods of Temporal Differences",
   "url": "https://mlanthology.org/mlj/1988/sutton1988mlj-learning/",
   "author": "Richard S. Sutton",
   "sponsored": false,
   "why": "Poznasz źródłową ideę uczenia z różnic między kolejnymi przewidywaniami zamiast czekania na ostateczny wynik.",
   "why_en": "Learn the original idea of learning from differences between successive predictions instead of waiting for the final outcome."
  },
  "swarmrobotics-review-2013": {
   "id": "swarmrobotics-review-2013",
   "title": "Swarm robotics: a review from the swarm engineering perspective",
   "url": "https://research.vu.nl/en/publications/swarm-robotics-a-review-from-the-swarm-engineering-perspective/",
   "author": "Manuele Brambilla, Eliseo Ferrante, Mauro Birattari, Marco Dorigo",
   "sponsored": false,
   "why": "Przegląd porządkuje robotykę rojową w dwie taksonomie: metod projektowania i typowych zachowań zbiorowych.",
   "why_en": "The review organises swarm robotics into two taxonomies: design methods and typical collective behaviours."
  },
  "swebench-2023": {
   "id": "swebench-2023",
   "title": "SWE-bench: Can Language Models Resolve Real-World GitHub Issues?",
   "title_en": "SWE-bench: Can Language Models Resolve Real-World GitHub Issues?",
   "url": "https://arxiv.org/abs/2310.06770",
   "author": "Carlos E. Jimenez, John Yang, Alexander Wettig, Shunyu Yao, Kexin Pei, Ofir Press, Karthik Narasimhan",
   "sponsored": false,
   "why": "Poznasz ocenianie modeli przez naprawianie rzeczywistych zgłoszeń w repozytoriach kodu.",
   "why_en": "Explore evaluating models through fixing real issues in code repositories."
  },
  "swetaskflow-2026": {
   "id": "swetaskflow-2026",
   "title": "Coding-Agent Benchmarks Should Match Their Users' Task Flows",
   "title_en": "Coding-Agent Benchmarks Should Match Their Users' Task Flows",
   "url": "https://arxiv.org/abs/2610.09633",
   "author": "Igor Slinko, Yaroslav Golubev, Sergey Titov",
   "sponsored": false,
   "why": "Definiuje Task Flow, metodę SWE-TaskFlow z prompt splitting, QA i TFAS oraz wyniki pilotażu.",
   "why_en": "Defines Task Flow, the SWE-TaskFlow method with prompt splitting, QA and TFAS, and pilot results."
  },
  "swi-prolog-sld-glossary": {
   "id": "swi-prolog-sld-glossary",
   "title": "SWI-Prolog · Glossary: SLD resolution and Prolog execution",
   "title_en": "SWI-Prolog · Glossary: SLD resolution and Prolog execution",
   "url": "https://www.swi-prolog.org/pldoc/man?section=glossary",
   "author": "SWI-Prolog project",
   "sponsored": false,
   "why": "Potwierdza, jak Prolog wykonuje reguły przez rezolucję SLD i przeszukiwanie w głąb.",
   "why_en": "Confirms how Prolog executes rules through SLD resolution and depth-first search."
  },
  "swift-drone-racing-2023": {
   "id": "swift-drone-racing-2023",
   "title": "Champion-level drone racing using deep reinforcement learning",
   "title_en": "Champion-level drone racing using deep reinforcement learning",
   "url": "https://www.nature.com/articles/s41586-023-06419-4",
   "author": "Elia Kaufmann, Leonard Bauersfeld, Antonio Loquercio, Matthias Müller, Vladlen Koltun, Davide Scaramuzza",
   "sponsored": false,
   "why": "Dowiesz się, jak dron sterowany siecią wytrenowaną w symulacji pokonał mistrzów wyścigów.",
   "why_en": "Learn how a drone driven by a simulation-trained network beat racing champions."
  },
  "swiglu-2020": {
   "id": "swiglu-2020",
   "title": "GLU Variants Improve Transformer",
   "title_en": "GLU Variants Improve Transformer",
   "url": "https://arxiv.org/abs/2002.05202",
   "author": "Noam Shazeer",
   "sponsored": false,
   "why": "Zrozumiesz bramkowane projekcje w warstwie feed-forward i porównanie wariantów funkcji aktywacji.",
   "why_en": "Understand gated feed-forward projections and comparisons of activation-function variants."
  },
  "switch-transformer-2021": {
   "id": "switch-transformer-2021",
   "title": "Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity",
   "title_en": "Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity",
   "url": "https://arxiv.org/abs/2101.03961",
   "author": "William Fedus, Barret Zoph, Noam Shazeer",
   "sponsored": false,
   "why": "Dowiesz się, jak routing do pojedynczego eksperta upraszcza trening dużego, rzadkiego modelu.",
   "why_en": "Learn how single-expert routing simplifies training large sparse models."
  },
  "sycophancy-sharma-2023": {
   "id": "sycophancy-sharma-2023",
   "title": "Towards Understanding Sycophancy in Language Models",
   "title_en": "Towards Understanding Sycophancy in Language Models",
   "url": "https://arxiv.org/abs/2310.13548",
   "author": "M. Sharma, M. Tong, T. Korbak, D. Duvenaud, A. Askell, S. R. Bowman i in. (19 autorów)",
   "sponsored": false,
   "why": "Poznasz badanie odpowiedzi zgodnych z przekonaniami użytkownika oraz wpływu ocen preferencji na to zachowanie.",
   "why_en": "Explore research on responses matching user beliefs and preference ratings influencing that behaviour."
  },
  "symptom-checkers-review-2022": {
   "id": "symptom-checkers-review-2022",
   "title": "The diagnostic and triage accuracy of digital and online symptom checker tools: a systematic review",
   "title_en": "The diagnostic and triage accuracy of digital and online symptom checker tools: a systematic review",
   "url": "https://www.nature.com/articles/s41746-022-00667-w",
   "author": "William Wallace, Calvin Chan, Swathikan Chidambaram i in.",
   "sponsored": false,
   "why": "Podsumowuje, jak trafnie aplikacje do sprawdzania objawów stawiają diagnozę i kierują po pomoc.",
   "why_en": "Summarises how accurately symptom-checker apps diagnose and direct people to care."
  },
  "synthetic-data-best-practices-2024": {
   "id": "synthetic-data-best-practices-2024",
   "title": "Best Practices and Lessons Learned on Synthetic Data",
   "title_en": "Best Practices and Lessons Learned on Synthetic Data",
   "url": "https://arxiv.org/abs/2404.07503",
   "author": "Ruibo Liu, Jerry Wei, Fangyu Liu, Chenglei Si, Yanzhe Zhang, Jinmeng Rao, Steven Zheng, Daiyi Peng, Diyi Yang, Denny Zhou, Andrew M. Dai",
   "sponsored": false,
   "why": "Poznasz zastosowania danych syntetycznych w treningu oraz praktyki kontroli ich jakości i różnorodności.",
   "why_en": "Explore synthetic-data applications in training and practices for controlling quality and diversity."
  },
  "synthid-text-nature-2024": {
   "id": "synthid-text-nature-2024",
   "title": "Scalable watermarking for identifying large language model outputs",
   "title_en": "Scalable watermarking for identifying large language model outputs",
   "url": "https://www.nature.com/articles/s41586-024-08025-4",
   "author": "S. Dathathri, A. See, S. Ghaisas, P.-S. Huang, R. McAdam i in. (23 autorów; Google DeepMind)",
   "sponsored": false,
   "why": "Dowiesz się, jak modyfikacja próbkowania osadza wykrywalny znak wodny w tekście generowanym przez model.",
   "why_en": "Learn how modifying sampling embeds detectable watermarks in model-generated text."
  },
  "system1-2-survey-2025": {
   "id": "system1-2-survey-2025",
   "title": "From System 1 to System 2: A Survey of Reasoning Large Language Models",
   "title_en": "From System 1 to System 2: A Survey of Reasoning Large Language Models",
   "url": "https://arxiv.org/abs/2502.17419",
   "author": "Zhong-Zhi Li i in.",
   "sponsored": false,
   "why": "Przegląd uporządkuje budowę modeli rozumujących, ich cechy i sposoby oceniania względem szybkich odpowiedzi.",
   "why_en": "The review organises reasoning-model construction, characteristics and evaluation against fast responses."
  },
  "szwarcman-prithvi-eo-2-2024": {
   "id": "szwarcman-prithvi-eo-2-2024",
   "title": "Prithvi-EO-2.0: A Versatile Multi-Temporal Foundation Model for Earth Observation Applications",
   "url": "https://arxiv.org/abs/2412.02732",
   "author": "Daniela Szwarcman, Sujit Roy, Paolo Fraccaro, Þorsteinn Elí Gíslason, Benedikt Blumenstiel, et al. (NASA, IBM i partnerzy)",
   "sponsored": false,
   "why": "Opisuje, jak buduje się i stosuje otwarty model bazowy dla danych satelitarnych.",
   "why_en": "Describes how an open foundation model for satellite data is built and applied."
  },
  "t2i-adapter-2023": {
   "id": "t2i-adapter-2023",
   "title": "T2I-Adapter: Learning Adapters to Dig out More Controllable Ability for Text-to-Image Diffusion Models",
   "title_en": "T2I-Adapter: Learning Adapters to Dig out More Controllable Ability for Text-to-Image Diffusion Models",
   "url": "https://arxiv.org/abs/2302.08453",
   "author": "Chong Mou, Xintao Wang, Liangbin Xie, Yanze Wu, Jian Zhang, Zhongang Qi, Ying Shan, Xiaohu Qie",
   "sponsored": false,
   "why": "Pokazuje tańszą alternatywę sterowania obrazem przez małe, łączone moduły.",
   "why_en": "Shows a cheaper way to steer images with small, combinable modules."
  },
  "t5-2019": {
   "id": "t5-2019",
   "title": "Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer",
   "title_en": "Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer",
   "url": "https://arxiv.org/abs/1910.10683",
   "author": "Colin Raffel, Noam Shazeer, Adam Roberts et al.",
   "sponsored": false,
   "why": "Zrozumiesz ujednolicenie zadań językowych jako przekształcania tekstu w tekst oraz porównanie celów pretrainingu.",
   "why_en": "Understand unifying language tasks as text-to-text transformations and comparing pretraining objectives."
  },
  "tabarena-github": {
   "id": "tabarena-github",
   "title": "TabArena — A Living Benchmark for Machine Learning on Tabular Data (repozytorium)",
   "title_en": "TabArena — A Living Benchmark for Machine Learning on Tabular Data (repository)",
   "url": "https://github.com/autogluon/tabarena",
   "author": "AutoGluon / zespół TabArena",
   "sponsored": false,
   "why": "Poznasz standaryzowane porównywanie metod tabelarycznych z walidacją krzyżową, strojeniem hiperparametrów i ponownym treningiem.",
   "why_en": "Explore standardised tabular-method comparisons using cross-validation, hyperparameter tuning and refitting."
  },
  "tabpfn25-2025": {
   "id": "tabpfn25-2025",
   "title": "TabPFN-2.5: Advancing the State of the Art in Tabular Foundation Models",
   "title_en": "TabPFN-2.5: Advancing the State of the Art in Tabular Foundation Models",
   "url": "https://arxiv.org/abs/2511.08667",
   "author": "Léo Grinsztajn, Klemens Flöge, Oscar Key i in. (26 autorów)",
   "sponsored": false,
   "why": "Poznasz rozszerzenie tabelarycznego modelu bazowego i destylację jego predykcji do szybszych modeli.",
   "why_en": "Explore extending a tabular foundation model and distilling its predictions into faster models."
  },
  "tamp-survey-2020": {
   "id": "tamp-survey-2020",
   "title": "Integrated Task and Motion Planning",
   "title_en": "Integrated Task and Motion Planning",
   "url": "https://arxiv.org/abs/2010.01083",
   "author": "Caelan Reed Garrett, Rohan Chitnis, Rachel Holladay, Beomjoon Kim, Tom Silver, Leslie Pack Kaelbling, Tomás Lozano-Pérez",
   "sponsored": false,
   "why": "Poznasz klasyfikację metod łączących planowanie symboliczne z planowaniem ruchu robota.",
   "why_en": "Learn a classification of methods combining symbolic planning with robot motion planning."
  },
  "tan-llm4decompile-2024": {
   "id": "tan-llm4decompile-2024",
   "title": "LLM4Decompile: Decompiling Binary Code with Large Language Models",
   "title_en": "LLM4Decompile: Decompiling Binary Code with Large Language Models",
   "url": "https://arxiv.org/abs/2403.05286",
   "author": "Hanzhuo Tan, Qi Luo, Jing Li, Yuqun Zhang",
   "sponsored": false,
   "why": "Otwarte modele i benchmark, na których można samemu wypróbować dekompilację modelem językowym.",
   "why_en": "Open models and a benchmark you can use to try language-model decompilation yourself."
  },
  "tang-2023-vidllm-survey": {
   "id": "tang-2023-vidllm-survey",
   "title": "Video Understanding with Large Language Models: A Survey",
   "title_en": "Video Understanding with Large Language Models: A Survey",
   "url": "https://arxiv.org/abs/2312.17432",
   "author": "Yolo Y. Tang, Jing Bi, Siting Xu, Luchuan Song, Susan Liang, Teng Wang, Daoan Zhang, Jie An, Jingyang Lin, Rongyi Zhu, Ali Vosoughi, Chao Huang, Zeliang Zhang, Pinxin Liu, Mingqian Feng, Feng Zheng, Jianguo Zhang, Ping Luo, Jiebo Luo, Chenliang Xu",
   "sponsored": false,
   "why": "Porządkuje sposoby, w jakie modele językowe „oglądają” nagrania i odpowiadają na pytania o nie.",
   "why_en": "Organises the ways language models 'watch' recordings and answer questions about them."
  },
  "task-arithmetic-2022": {
   "id": "task-arithmetic-2022",
   "title": "Editing Models with Task Arithmetic",
   "title_en": "Editing Models with Task Arithmetic",
   "url": "https://arxiv.org/abs/2212.04089",
   "author": "Gabriel Ilharco, Marco Tulio Ribeiro, Mitchell Wortsman i in.",
   "sponsored": false,
   "why": "Dowiesz się, jak różnice wag po dostrajaniu tworzą wektory zadań, które można dodawać i odejmować.",
   "why_en": "Learn how fine-tuning weight differences form task vectors that can be added and subtracted."
  },
  "taubench-2024": {
   "id": "taubench-2024",
   "title": "τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains",
   "url": "https://arxiv.org/abs/2406.12045",
   "author": "Shunyu Yao, Noah Shinn, Pedram Razavi, Karthik Narasimhan (Sierra)",
   "sponsored": false,
   "why": "Pokazuje symulowanego klienta, ocenę po stanie bazy i miarę pass^k dla niezawodności agentów.",
   "why_en": "Shows a simulated customer, grading by database state and the pass^k reliability metric for agents."
  },
  "td3-2018": {
   "id": "td3-2018",
   "title": "Addressing Function Approximation Error in Actor-Critic Methods (TD3)",
   "title_en": "Addressing Function Approximation Error in Actor-Critic Methods (TD3)",
   "url": "https://arxiv.org/abs/1802.09477",
   "author": "Scott Fujimoto; Herke van Hoof; David Meger",
   "sponsored": false,
   "why": "Zrozumiesz trzy proste poprawki, które stabilizują uczenie płynnego sterowania.",
   "why_en": "Understand three simple fixes that stabilise learning of continuous control."
  },
  "tedrake-manipulation": {
   "id": "tedrake-manipulation",
   "title": "Robotic Manipulation: Perception, Planning, and Control (notatki kursu MIT)",
   "title_en": "Robotic Manipulation: Perception, Planning, and Control (MIT course notes)",
   "url": "https://manipulation.csail.mit.edu/",
   "author": "Russ Tedrake (MIT CSAIL)",
   "sponsored": false,
   "why": "Aktualny kurs MIT prowadzący od percepcji pozy przez chwytanie i planowanie po sterowanie manipulatorem.",
   "why_en": "A current MIT course leading from pose perception through grasping and planning to manipulator control."
  },
  "terminal-rsi-2026": {
   "id": "terminal-rsi-2026",
   "title": "Terminal-RSI: Recursive Self-Improving Terminal Agents via Recursive Self-Rewrite and Policy-Refine",
   "title_en": "Terminal-RSI: Recursive Self-Improving Terminal Agents via Recursive Self-Rewrite and Policy-Refine",
   "url": "https://arxiv.org/abs/2610.22192",
   "author": "Junyao Yang; Zongxia Li; Yucheng Shi; Zhongzhi Li; Ruhan Wang; Ruiwen Zhou; Haitao Mi; Shuicheng Yan; Leowei Liang",
   "sponsored": false,
   "why": "Opisuje pełną metodę rekurencyjnego rewrite trajektorii i refine polityki dla agentów terminalowych.",
   "why_en": "Describes the full method of recursive trajectory rewrite and policy refine for terminal agents."
  },
  "tevet-mdm-2022": {
   "id": "tevet-mdm-2022",
   "title": "Human Motion Diffusion Model",
   "title_en": "Human Motion Diffusion Model",
   "url": "https://arxiv.org/abs/2209.14916",
   "author": "Guy Tevet, Sigal Raab, Brian Gordon, Yonatan Shafir, Daniel Cohen-Or, Amit H. Bermano",
   "sponsored": false,
   "why": "Wyjaśnia, jak model dyfuzyjny zamienia opis tekstowy w realistyczny ruch całego ciała postaci.",
   "why_en": "Explains how a diffusion model turns a text description into realistic full-body character motion."
  },
  "textual-inversion-2022": {
   "id": "textual-inversion-2022",
   "title": "An Image is Worth One Word: Personalizing Text-to-Image Generation using Textual Inversion",
   "title_en": "An Image is Worth One Word: Personalizing Text-to-Image Generation using Textual Inversion",
   "url": "https://arxiv.org/abs/2208.01618",
   "author": "Rinon Gal, Yuval Alaluf, Yuval Atzmon, Or Patashnik, Amit H. Bermano, Gal Chechik, Daniel Cohen-Or",
   "sponsored": false,
   "why": "Pokazuje, że jedno wyuczone słowo może zastąpić całe douczanie modelu.",
   "why_en": "Shows that one learned word can replace retraining the whole model."
  },
  "thapa-phishing-llm-vs-classical-2025": {
   "id": "thapa-phishing-llm-vs-classical-2025",
   "title": "Phishing Detection in the Gen-AI Era: Quantized LLMs vs Classical Models",
   "title_en": "Phishing Detection in the Gen-AI Era: Quantized LLMs vs Classical Models",
   "url": "https://arxiv.org/html/2507.07406v1",
   "author": "Jikesh Thapa, Gurrehmat Chahal, Şerban Voinea Gabreanu, Yazan Otoum (Algoma University)",
   "sponsored": false,
   "why": "Pokazuje, jak maile przepisane przez AI oszukują zarówno klasyczne, jak i nowe filtry antyphishingowe.",
   "why_en": "Shows how AI-rewritten emails fool both classic and newer anti-phishing filters."
  },
  "think-complexity-gol": {
   "id": "think-complexity-gol",
   "title": "Think Complexity, Chapter 7: Game of Life",
   "url": "https://www.oreilly.com/library/view/think-complexity/9781449331672/ch07.html",
   "author": "Allen B. Downey",
   "sponsored": false,
   "why": "Przystępne wyjaśnienie reguł Gry w życie i tego, dlaczego proste reguły dają złożone wzory.",
   "why_en": "An accessible explanation of the Game of Life rules and why simple rules yield complex patterns."
  },
  "tian-var-2024": {
   "id": "tian-var-2024",
   "title": "Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction",
   "title_en": "Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction",
   "url": "https://arxiv.org/abs/2404.02905",
   "author": "Keyu Tian, Yi Jiang, Zehuan Yuan, Bingyue Peng, Liwei Wang",
   "sponsored": false,
   "why": "Zobaczysz, jak generowanie od zgrubnej skali do detalu pozwoliło modelom autoregresyjnym dogonić dyfuzję.",
   "why_en": "See how coarse-to-fine scale prediction let autoregressive models catch up with diffusion."
  },
  "ties-merging-2023": {
   "id": "ties-merging-2023",
   "title": "TIES-Merging: Resolving Interference When Merging Models",
   "title_en": "TIES-Merging: Resolving Interference When Merging Models",
   "url": "https://arxiv.org/abs/2306.01708",
   "author": "Prateek Yadav, Derek Tam, Leshem Choshen i in.",
   "sponsored": false,
   "why": "Zrozumiesz ograniczanie interferencji przy scalaniu przez przycinanie zmian i wybieranie zgodnych znaków aktualizacji.",
   "why_en": "Understand limiting merge interference through trimming changes and selecting compatible update signs."
  },
  "tm-onpolicy-distill-2025": {
   "id": "tm-onpolicy-distill-2025",
   "title": "On-Policy Distillation",
   "title_en": "On-Policy Distillation",
   "url": "https://thinkingmachines.ai/blog/on-policy-distillation/",
   "author": "Kevin Lu i zespół Thinking Machines Lab",
   "sponsored": false,
   "why": "Poznasz destylację na trajektoriach ucznia z gęstą oceną nauczyciela dla kolejnych tokenów.",
   "why_en": "Explore distillation on student trajectories with dense teacher feedback for successive tokens."
  },
  "togelius-sbpcg-2011": {
   "id": "togelius-sbpcg-2011",
   "title": "Search-based Procedural Content Generation: A Taxonomy and Survey",
   "url": "https://gpbib.cs.ucl.ac.uk/gp-html/Togelius_2011_TCIAIG.html",
   "author": "Julian Togelius, Georgios N. Yannakakis, Kenneth O. Stanley, Cameron Browne",
   "sponsored": false,
   "why": "Wyjaśnia, jak ewolucja i ocena jakości służą do automatycznego tworzenia poziomów i plansz.",
   "why_en": "Explains how evolution and quality scoring are used to create levels and boards automatically."
  },
  "tokamak-rl-2022": {
   "id": "tokamak-rl-2022",
   "title": "Accelerating fusion science through learned plasma control (wpis o pracy: Magnetic control of tokamak plasmas through deep reinforcement learning, Nature 2022)",
   "title_en": "Accelerating fusion science through learned plasma control (post on: Magnetic control of tokamak plasmas through deep reinforcement learning, Nature 2022)",
   "url": "https://deepmind.google/discover/blog/accelerating-fusion-science-through-learned-plasma-control/",
   "author": "Google DeepMind i Swiss Plasma Center EPFL (praca: Degrave i in.)",
   "sponsored": false,
   "why": "Opisuje, jak agent wytrenowany w symulatorze utrzymał i kształtował plazmę w prawdziwym tokamaku.",
   "why_en": "Describes how a simulator-trained agent held and shaped plasma in a real tokamak."
  },
  "topollai-contract-rag-2025": {
   "id": "topollai-contract-rag-2025",
   "title": "Streamlining Industrial Contract Management with Retrieval-Augmented LLMs",
   "url": "https://arxiv.org/abs/2511.14671",
   "author": "Kristi Topollai, Tolga Dimlioglu, Anna Choromanska, Simon Odie, Reginald Hui",
   "sponsored": false,
   "why": "Opisuje system, który uczy się z dawnych negocjacji proponować poprawki umowy akceptowalne dla firmy.",
   "why_en": "Describes a system that learns from past negotiations to propose contract edits the company will accept."
  },
  "tpi-bench-voice": {
   "id": "tpi-bench-voice",
   "title": "Still Between Us? Odporność asystentów głosowych na wypowiedzi osób trzecich",
   "title_en": "Still Between Us? Evaluating and Improving Voice Assistant Robustness to Third-Party Interruptions",
   "url": "https://arxiv.org/abs/2604.17358",
   "author": "Dongwook Lee i współautorzy",
   "sponsored": false,
   "why": "Dowiesz się, jak benchmark sprawdza odróżnianie rzeczywistego rozmówcy od przerwań i wypowiedzi osób trzecich.",
   "why_en": "Learn how a benchmark tests distinguishing genuine interlocutors from interruptions and third-party speech."
  },
  "tpu-v1-jouppi-2017": {
   "id": "tpu-v1-jouppi-2017",
   "title": "In-Datacenter Performance Analysis of a Tensor Processing Unit",
   "title_en": "In-Datacenter Performance Analysis of a Tensor Processing Unit",
   "url": "https://arxiv.org/abs/1704.04760",
   "author": "Norman P. Jouppi, Cliff Young, Nishant Patil, David Patterson i in. (Google)",
   "sponsored": true,
   "why": "Poznasz projekt akceleratora z macierzą jednostek mnożąco-sumujących i analizę jego działania na obciążeniach produkcyjnych.",
   "why_en": "Explore an accelerator's multiply-accumulate array design and analysis on production workloads."
  },
  "tracing-data-trail-2026": {
   "id": "tracing-data-trail-2026",
   "title": "Tracing the Data Trail: A Survey of Data Provenance, Transparency and Traceability in LLMs",
   "title_en": "Tracing the Data Trail: A Survey of Data Provenance, Transparency and Traceability in LLMs",
   "url": "https://arxiv.org/abs/2601.14311",
   "author": "Richard Hohensinner, Belgin Mutlu, Inti Gabriel Mendoza Estrada, Matej Vukovic, Simone Kopeinik, Roman Kern",
   "sponsored": false,
   "why": "Przegląd uporządkuje pochodzenie, przejrzystość i śledzenie danych modeli językowych oraz narzędzia wspierające te praktyki.",
   "why_en": "The review organises language-model data provenance, transparency and traceability and tools supporting these practices."
  },
  "tradingagents-2024": {
   "id": "tradingagents-2024",
   "title": "TradingAgents: Multi-Agents LLM Financial Trading Framework",
   "title_en": "TradingAgents: Multi-Agents LLM Financial Trading Framework",
   "url": "https://arxiv.org/abs/2412.20138",
   "author": "Yijia Xiao, Edward Sun, Di Luo, Wei Wang",
   "sponsored": false,
   "why": "Opisuje typową architekturę zespołu agentów LLM odwzorowującego role w firmie inwestycyjnej.",
   "why_en": "Describes a typical LLM agent-team architecture mirroring roles in an investment firm."
  },
  "trafilatura-docs": {
   "id": "trafilatura-docs",
   "title": "Trafilatura: discover web content, extract text and metadata (dokumentacja)",
   "title_en": "Trafilatura: discover web content, extract text and metadata (documentation)",
   "url": "https://trafilatura.readthedocs.io/en/latest/",
   "author": "Adrien Barbaresi",
   "sponsored": false,
   "why": "Przećwiczysz wydobywanie treści i metadanych z HTML z zachowaniem struktury i ograniczeniem powtarzanego szumu strony.",
   "why_en": "Practise extracting HTML content and metadata while retaining structure and reducing repeated page noise."
  },
  "trajectory-survey-llm-2024": {
   "id": "trajectory-survey-llm-2024",
   "title": "Trajectory Data Management and Mining: A Survey from Deep Learning to the LLM Era",
   "title_en": "Trajectory Data Management and Mining: A Survey from Deep Learning to the LLM Era",
   "url": "https://arxiv.org/abs/2403.14151",
   "author": "Wei Chen; Yuanshao Zhu; Yanchuan Chang; Kang Luo; Haomin Wen; Lei Li; Yanwei Yu; Qingsong Wen; Chao Chen; Kai Zheng; Yunjun Gao; Yu Zheng; Xiaofang Zhou; Yuxuan Liang",
   "sponsored": false,
   "why": "Daje mapę całej dziedziny analizy trajektorii, od czyszczenia danych po modele językowe.",
   "why_en": "Gives a map of the whole trajectory-analysis field, from data cleaning to language models."
  },
  "transformer-deid-2022": {
   "id": "transformer-deid-2022",
   "title": "A Comparative Evaluation Of Transformer Models For De-Identification Of Clinical Text Data",
   "title_en": "A Comparative Evaluation Of Transformer Models For De-Identification Of Clinical Text Data",
   "url": "https://arxiv.org/abs/2204.07056",
   "author": "Christopher Meaney, Wali Hakimpour, Sumeet Kalia, Rahim Moineddin",
   "sponsored": false,
   "why": "Pokazuje, jak skutecznie transformery znajdują dane osobowe w notatkach i które z nich gubią.",
   "why_en": "Shows how well transformers find personal details in notes and which ones they miss."
  },
  "treeflex-arxiv-2610.20334": {
   "id": "treeflex-arxiv-2610.20334",
   "title": "TreeFlex: Agents Navigating Their Own Search Trees",
   "title_en": "TreeFlex: Agents Navigating Their Own Search Trees",
   "url": "https://arxiv.org/abs/2610.20334",
   "author": "Dongzhuo Li, Fangzhou Cheng, Weiwei Li, Kevin Han, Haixu Ma, Zhongchang Sun, Ruiyi Li, Serena Li, Xiangjun Fan, Lizhu Zhang, Yuandong Tian",
   "sponsored": false,
   "why": "Opisuje mechanizm nawigacji drzewa, trening i wyniki na benchmarkach agentów.",
   "why_en": "Describes the tree navigation mechanism, training and results on agent benchmarks."
  },
  "treeopsd-2026": {
   "id": "treeopsd-2026",
   "title": "Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning",
   "title_en": "Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning",
   "url": "https://arxiv.org/abs/2610.23181",
   "author": "Heming Zou, Qi Wang, Yixiu Mao, Yun Qu, Yuyi Guo, Zeyuan Liu, Chenglin Li, Weijie Liu, Saiyong Yang, Xiangyang Ji",
   "sponsored": false,
   "why": "Opisuje bez-krytyczne przypisywanie kredytu przez drzewo i destylację.",
   "why_en": "Describes critic-free credit assignment via tree and distillation."
  },
  "trellis-2024": {
   "id": "trellis-2024",
   "title": "Structured 3D Latents for Scalable and Versatile 3D Generation (TRELLIS)",
   "title_en": "Structured 3D Latents for Scalable and Versatile 3D Generation (TRELLIS)",
   "url": "https://arxiv.org/abs/2412.01506",
   "author": "Jianfeng Xiang, Zelong Lv, Sicheng Xu, Yu Deng, Ruicheng Wang, Bowen Zhang, Dong Chen, Xin Tong, Jiaolong Yang",
   "sponsored": true,
   "why": "Pokazuje duży model, który od razu tworzy obiekty 3D w kilku formatach.",
   "why_en": "Shows a large model that creates 3D objects directly in several formats."
  },
  "trews-2022": {
   "id": "trews-2022",
   "title": "Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis",
   "title_en": "Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis",
   "url": "https://www.nature.com/articles/s41591-022-01894-0",
   "author": "Roy Adams, Katharine E. Henry i in., Suchi Saria (Johns Hopkins)",
   "sponsored": true,
   "why": "Pokazuje, że szybka reakcja na alert o sepsie wiązała się z mniejszą liczbą zgonów w szpitalach.",
   "why_en": "Shows that acting quickly on a sepsis alert was linked to fewer hospital deaths."
  },
  "tripod-ai-2024": {
   "id": "tripod-ai-2024",
   "title": "TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods",
   "title_en": "TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods",
   "url": "https://www.bmj.com/content/385/bmj-2023-078378",
   "author": "Gary S. Collins, Karel G. M. Moons, Paula Dhiman, Richard D. Riley, Andrew L. Beam i in.",
   "sponsored": false,
   "why": "Pokazuje, co dobre badanie modelu medycznego musi opisać, i daje gotowe listy kontrolne.",
   "why_en": "Shows what a good medical model study must report and provides ready checklists."
  },
  "tripod-llm-2025": {
   "id": "tripod-llm-2025",
   "title": "The TRIPOD-LLM reporting guideline for studies using large language models",
   "title_en": "The TRIPOD-LLM reporting guideline for studies using large language models",
   "url": "https://pubmed.ncbi.nlm.nih.gov/39779929/",
   "author": "Jack Gallifant i in.; TRIPOD-LLM Working Group",
   "sponsored": false,
   "why": "Potwierdza istnienie i zakres wytycznych raportowania badań medycznych wykorzystujących LLM.",
   "why_en": "Confirms the existence and scope of reporting guidance for medical studies using LLMs."
  },
  "tsrl-continual-2026": {
   "id": "tsrl-continual-2026",
   "title": "TSRL: Trigger-based Supervised Reinforcement Learning for Continual Agent Training",
   "title_en": "TSRL: Trigger-based Supervised Reinforcement Learning for Continual Agent Training",
   "url": "https://arxiv.org/abs/2610.17726",
   "author": "Yuqian Fu, Kaiwen Jiang, Zijun Song, Jiawei Wang, Yuanheng Zhu, Dongbin Zhao",
   "sponsored": false,
   "why": "Opisuje selektywny nadzór eksperta w RL do ograniczenia zapominania w ciągłym treningu agentów.",
   "why_en": "Describes selective expert supervision in RL to limit forgetting in continual agent training."
  },
  "tts-survey-2025": {
   "id": "tts-survey-2025",
   "title": "A Survey on Test-Time Scaling in Large Language Models: What, How, Where, and How Well?",
   "title_en": "A Survey on Test-Time Scaling in Large Language Models: What, How, Where, and How Well?",
   "url": "https://arxiv.org/abs/2503.24235",
   "author": "Qiyuan Zhang, Fuyuan Lyu, Zexu Sun, Lei Wang i in.",
   "sponsored": false,
   "why": "Porównasz równoległe, sekwencyjne i hybrydowe skalowanie obliczeń inferencji oraz sposoby oceny ich skuteczności.",
   "why_en": "Compare parallel, sequential and hybrid inference-compute scaling and methods for evaluating their effectiveness."
  },
  "tulu3-2024": {
   "id": "tulu3-2024",
   "title": "Tulu 3: Pushing Frontiers in Open Language Model Post-Training",
   "title_en": "Tulu 3: Pushing Frontiers in Open Language Model Post-Training",
   "url": "https://arxiv.org/abs/2411.15124",
   "author": "Nathan Lambert, Jacob Morrison, Valentina Pyatkin i in. (Allen Institute for AI)",
   "sponsored": false,
   "why": "Poznasz otwartą recepturę post-trainingu łączącą demonstracje, preferencje i nagrody z weryfikowalnych zadań.",
   "why_en": "Explore an open post-training recipe combining demonstrations, preferences and rewards from verifiable tasks."
  },
  "tutor-copilot-2024": {
   "id": "tutor-copilot-2024",
   "title": "Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise",
   "title_en": "Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise",
   "url": "https://arxiv.org/abs/2410.03017",
   "author": "Rose E. Wang, Ana T. Ribeiro, Carly D. Robinson, Susanna Loeb, Dora Demszky",
   "sponsored": false,
   "why": "Pokazuje w dużym eksperymencie, że podpowiedzi AI dla korepetytorów poprawiają wyniki uczniów, zwłaszcza u słabszych tutorów.",
   "why_en": "Shows in a large trial that AI suggestions for tutors improve student results, especially for weaker tutors."
  },
  "ucla-ai-scribes-rct-2025": {
   "id": "ucla-ai-scribes-rct-2025",
   "title": "Ambient AI Scribes in Clinical Practice: A Randomized Trial",
   "title_en": "Ambient AI Scribes in Clinical Practice: A Randomized Trial",
   "url": "https://pubmed.ncbi.nlm.nih.gov/41497288/",
   "author": "Paul J. Lukac, William Turner, Sitaram Vangala, Aaron T. Chin, Joshua Khalili, Ya-Chen Tina Shih, Catherine Sarkisian, Eric M. Cheng, John N. Mafi",
   "sponsored": false,
   "why": "Pokazuje, ile czasu naprawdę oszczędzają skryby AI i jakie błędy popełniają w prawdziwych wizytach.",
   "why_en": "Shows how much time AI scribes really save and what errors they make in real visits."
  },
  "ucsd-ai-drafts-2024": {
   "id": "ucsd-ai-drafts-2024",
   "title": "AI-Generated Draft Replies Integrated Into Health Records and Physicians’ Electronic Communication",
   "title_en": "AI-Generated Draft Replies Integrated Into Health Records and Physicians’ Electronic Communication",
   "url": "https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2817615",
   "author": "Ming Tai-Seale, Sally L. Baxter, Florin Vaida i in.",
   "sponsored": false,
   "why": "Pokazuje, co w praktyce zmieniają szkice AI w korespondencji lekarzy, a czego nie.",
   "why_en": "Shows what AI drafts actually change in doctors' messaging, and what they don't."
  },
  "udlbook-toc": {
   "id": "udlbook-toc",
   "title": "Understanding Deep Learning (Simon J.D. Prince) — lista rozdziałów",
   "title_en": "Understanding Deep Learning (Simon J.D. Prince) — chapter list",
   "url": "https://udlbook.github.io/udlbook/",
   "author": "Simon J.D. Prince",
   "sponsored": false,
   "why": "Lista rozdziałów uporządkuje podstawy sieci, funkcje straty, gradienty, regularyzację i architektury generatywne.",
   "why_en": "The chapter list organises network foundations, losses, gradients, regularisation and generative architectures."
  },
  "ultralytics-tasks": {
   "id": "ultralytics-tasks",
   "title": "Ultralytics YOLO Docs — Computer Vision Tasks",
   "title_en": "Ultralytics YOLO Docs — Computer Vision Tasks",
   "url": "https://docs.ultralytics.com/tasks/",
   "author": "Ultralytics",
   "sponsored": false,
   "why": "Rozróżnisz praktyczne zadania detekcji, segmentacji, klasyfikacji, estymacji głębi i pozy w narzędziu wizyjnym.",
   "why_en": "Distinguish practical detection, segmentation, classification, depth-estimation and pose-estimation tasks in a vision toolkit."
  },
  "unc-handling-hallucinations-2026": {
   "id": "unc-handling-hallucinations-2026",
   "title": "Handling Hallucinations: A Reflection on the Last Three Years",
   "url": "https://library.law.unc.edu/2026/06/handling-hallucinations-a-reflection/",
   "author": "Aaron Kirschenfeld (Kathrine R. Everett Law Library, UNC)",
   "sponsored": false,
   "why": "Opowiada, jak sądy i wydawcy prawni reagują na falę pism ze zmyślonymi orzeczeniami.",
   "why_en": "Describes how courts and legal publishers are reacting to a wave of filings with invented rulings."
  },
  "unet-2015": {
   "id": "unet-2015",
   "title": "U-Net: Convolutional Networks for Biomedical Image Segmentation",
   "title_en": "U-Net: Convolutional Networks for Biomedical Image Segmentation",
   "url": "https://arxiv.org/abs/1505.04597",
   "author": "Olaf Ronneberger, Philipp Fischer, Thomas Brox",
   "sponsored": false,
   "why": "Zrozumiesz współpracę ścieżek kompresji i odtwarzania rozdzielczości w precyzyjnej segmentacji obrazów.",
   "why_en": "Understand cooperation between contracting and resolution-restoring paths for precise image segmentation."
  },
  "uni-pathology-2023": {
   "id": "uni-pathology-2023",
   "title": "A General-Purpose Self-Supervised Model for Computational Pathology (UNI)",
   "title_en": "A General-Purpose Self-Supervised Model for Computational Pathology (UNI)",
   "url": "https://arxiv.org/abs/2308.15474",
   "author": "Richard J. Chen, Tong Ding, Ming Y. Lu i in. (Mahmood Lab)",
   "sponsored": false,
   "why": "Pokazuje, jak jeden model uczony na milionach fragmentów tkanek obsługuje dziesiątki zadań patologicznych.",
   "why_en": "Shows how one model trained on millions of tissue patches handles dozens of pathology tasks."
  },
  "uniad-2022": {
   "id": "uniad-2022",
   "title": "Planning-oriented Autonomous Driving (UniAD)",
   "title_en": "Planning-oriented Autonomous Driving (UniAD)",
   "url": "https://arxiv.org/abs/2212.10156",
   "author": "Yihan Hu, Jiazhi Yang, Li Chen, Keyu Li, Chonghao Sima, Xizhou Zhu i in. (16 autorów)",
   "sponsored": false,
   "why": "Pokazuje, jak zbudować jedną sieć do całej jazdy, nie tracąc podglądu na etapy pośrednie.",
   "why_en": "Shows how to build one network for all of driving without losing sight of intermediate stages."
  },
  "unisim-2023": {
   "id": "unisim-2023",
   "title": "UniSim: A Neural Closed-Loop Sensor Simulator",
   "title_en": "UniSim: A Neural Closed-Loop Sensor Simulator",
   "url": "https://arxiv.org/abs/2308.01898",
   "author": "Ze Yang, Yun Chen, Jingkang Wang, Sivabalan Manivasagam, Wei-Chiu Ma, Anqi Joyce Yang, Raquel Urtasun",
   "sponsored": false,
   "why": "Pokazuje, jak z jednego nagrania jazdy zrobić symulator do testów nowych sytuacji.",
   "why_en": "Shows how to turn one driving recording into a simulator for testing new situations."
  },
  "urbanowicz-lcs-2009": {
   "id": "urbanowicz-lcs-2009",
   "title": "Learning Classifier Systems: A Complete Introduction, Review, and Roadmap",
   "url": "https://doi.org/10.1155/2009/736398",
   "author": "Ryan J. Urbanowicz, Jason H. Moore",
   "sponsored": false,
   "why": "Przystępne wprowadzenie do systemów, które ewolucyjnie uczą się czytelnych reguł decyzyjnych.",
   "why_en": "An accessible introduction to systems that evolve readable decision rules."
  },
  "urlnet-malicious-url-2018": {
   "id": "urlnet-malicious-url-2018",
   "title": "URLNet: Learning a URL Representation with Deep Learning for Malicious URL Detection",
   "title_en": "URLNet: Learning a URL Representation with Deep Learning for Malicious URL Detection",
   "url": "https://arxiv.org/abs/1802.03162",
   "author": "Hung Le, Quang Pham, Doyen Sahoo, Steven C. H. Hoi",
   "sponsored": false,
   "why": "Pokazuje, jak sieć neuronowa rozpoznaje złośliwy link po samym adresie.",
   "why_en": "Shows how a neural network recognises a malicious link from the address alone."
  },
  "us-mrm-guidance-2026-orrick": {
   "id": "us-mrm-guidance-2026-orrick",
   "title": "Agencies Overhaul Model Risk Management Guidance for Banks: Here's What Changed",
   "title_en": "Agencies Overhaul Model Risk Management Guidance for Banks: Here's What Changed",
   "url": "https://www.orrick.com/en/Insights/2026/04/Agencies-Overhaul-Model-Risk-Management-Guidance-for-Banks-Heres-What-Changed",
   "author": "Orrick, Herrington & Sutcliffe LLP",
   "sponsored": false,
   "why": "Streszcza, jak w 2026 r. zmieniły się amerykańskie zasady nadzoru nad modelami w bankach.",
   "why_en": "Summarises how US rules for overseeing bank models changed in 2026."
  },
  "usleep-2021": {
   "id": "usleep-2021",
   "title": "U-Sleep: resilient high-frequency sleep staging",
   "title_en": "U-Sleep: resilient high-frequency sleep staging",
   "url": "https://www.nature.com/articles/s41746-021-00440-5",
   "author": "Mathias Perslev, Sune Darkner, Lykke Kempfner, Miki Nikolic, Poul Jørgen Jennum, Christian Igel",
   "sponsored": false,
   "why": "Pokazuje, jak jedna sieć ocenia fazy snu w różnych klinikach bez ponownego trenowania.",
   "why_en": "Shows how one network scores sleep stages across clinics without retraining."
  },
  "vae-2013": {
   "id": "vae-2013",
   "title": "Auto-Encoding Variational Bayes",
   "title_en": "Auto-Encoding Variational Bayes",
   "url": "https://arxiv.org/abs/1312.6114",
   "author": "Diederik P. Kingma, Max Welling",
   "sponsored": false,
   "why": "Dowiesz się, jak reparametryzacja umożliwia uczenie modelu ze zmiennymi ukrytymi przez cel wariacyjny.",
   "why_en": "Learn how reparameterisation enables training latent-variable models through a variational objective."
  },
  "valevski-gamengen-2024": {
   "id": "valevski-gamengen-2024",
   "title": "Diffusion Models Are Real-Time Game Engines",
   "url": "https://arxiv.org/abs/2408.14837",
   "author": "Dani Valevski, Yaniv Leviathan, Moab Arar, Shlomi Fruchter",
   "sponsored": true,
   "why": "Pokazuje, jak model dyfuzyjny nauczył się w czasie rzeczywistym odtwarzać grywalną klasyczną strzelankę.",
   "why_en": "Shows how a diffusion model learned to run a playable classic shooter in real time."
  },
  "vandemeent-ppl-2018": {
   "id": "vandemeent-ppl-2018",
   "title": "van de Meent i in. · An Introduction to Probabilistic Programming",
   "title_en": "van de Meent et al. · An Introduction to Probabilistic Programming",
   "url": "https://arxiv.org/abs/1809.10756",
   "author": "Jan-Willem van de Meent, Brooks Paige, Hongseok Yang, Frank Wood",
   "sponsored": false,
   "why": "Systematyczne wprowadzenie: jak zapisać model jako program i jak automatycznie po nim wnioskować.",
   "why_en": "A systematic introduction to writing models as programs and running inference on them automatically."
  },
  "vandenoord-vqvae-2017": {
   "id": "vandenoord-vqvae-2017",
   "title": "Neural Discrete Representation Learning",
   "title_en": "Neural Discrete Representation Learning",
   "url": "https://arxiv.org/abs/1711.00937",
   "author": "Aaron van den Oord, Oriol Vinyals, Koray Kavukcuoglu",
   "sponsored": false,
   "why": "Poznasz pomysł zamiany obrazu i dźwięku na dyskretne kody z wyuczonej książki kodów.",
   "why_en": "Learn the idea of turning images and sound into discrete codes from a learned codebook."
  },
  "vandenoord-wavenet-2016": {
   "id": "vandenoord-wavenet-2016",
   "title": "WaveNet: A Generative Model for Raw Audio",
   "title_en": "WaveNet: A Generative Model for Raw Audio",
   "url": "https://arxiv.org/abs/1609.03499",
   "author": "Aaron van den Oord, Sander Dieleman, Heiga Zen, Karen Simonyan, Oriol Vinyals, Alex Graves, Nal Kalchbrenner, Andrew Senior, Koray Kavukcuoglu",
   "sponsored": false,
   "why": "Zobaczysz, jak rozszerzone sploty przyczynowe pozwoliły generować naturalnie brzmiącą mowę.",
   "why_en": "See how dilated causal convolutions made natural-sounding speech generation possible."
  },
  "vaswani-attention-2017": {
   "id": "vaswani-attention-2017",
   "title": "Attention Is All You Need",
   "title_en": "Attention Is All You Need",
   "url": "https://arxiv.org/abs/1706.03762",
   "author": "Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, Illia Polosukhin",
   "sponsored": false,
   "why": "Zrozumiesz uwagę przez zapytania, klucze i wartości, wiele głów, maskowanie przyszłości i kodowanie pozycji.",
   "why_en": "Understand query-key-value attention, multiple heads, future masking and position encoding."
  },
  "vectornet-2020": {
   "id": "vectornet-2020",
   "title": "VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation",
   "title_en": "VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation",
   "url": "https://arxiv.org/abs/2005.04259",
   "author": "Jiyang Gao, Chen Sun, Hang Zhao, Yi Shen, Dragomir Anguelov, Congcong Li, Cordelia Schmid (Waymo, Google Research)",
   "sponsored": false,
   "why": "Wyjaśnia, jak zapisać mapę i ruch jako kreski, by model szybciej przewidywał zachowania.",
   "why_en": "Explains how to write maps and motion as line segments so a model predicts behaviour faster."
  },
  "veo-3-model-card-2025": {
   "id": "veo-3-model-card-2025",
   "title": "Veo 3 Model Card",
   "title_en": "Veo 3 Model Card",
   "url": "https://storage.googleapis.com/deepmind-media/Model-Cards/Veo-3-Model-Card.pdf",
   "author": "Google DeepMind",
   "sponsored": true,
   "why": "Pokazuje model wideo z dźwiękiem i otwarcie wymienia jego słabości.",
   "why_en": "Shows a video model with sound and openly lists its weaknesses."
  },
  "vernikos-2024-qe-fusion": {
   "id": "vernikos-2024-qe-fusion",
   "title": "Don't Rank, Combine! Combining Machine Translation Hypotheses Using Quality Estimation",
   "title_en": "Don't Rank, Combine! Combining Machine Translation Hypotheses Using Quality Estimation",
   "url": "https://arxiv.org/abs/2401.06688",
   "author": "Giorgos Vernikos, Andrei Popescu-Belis",
   "sponsored": false,
   "why": "Pokazuje, jak automatyczna ocena jakości pomaga wybrać i złożyć najlepsze tłumaczenie z kilku wersji.",
   "why_en": "Shows how automatic quality scores help choose and assemble the best translation from several versions."
  },
  "vero-baxbench-2025": {
   "id": "vero-baxbench-2025",
   "title": "BaxBench: Can LLMs Generate Correct and Secure Backends?",
   "title_en": "BaxBench: Can LLMs Generate Correct and Secure Backends?",
   "url": "https://arxiv.org/abs/2502.11844",
   "author": "Mark Vero, Niels Mündler, Victor Chibotaru, Veselin Raychev, Maximilian Baader, Nikola Jovanović, Jingxuan He, Martin Vechev",
   "sponsored": false,
   "why": "Mierzy prawdziwymi atakami, ile kodu od AI jest jednocześnie działającego i bezpiecznego.",
   "why_en": "Uses real attacks to measure how much AI code is both working and secure."
  },
  "vigor-2021": {
   "id": "vigor-2021",
   "title": "VIGOR: Cross-View Image Geo-localization beyond One-to-one Retrieval",
   "title_en": "VIGOR: Cross-View Image Geo-localization beyond One-to-one Retrieval",
   "url": "https://arxiv.org/abs/2011.12172",
   "author": "Sijie Zhu; Taojiannan Yang; Chen Chen",
   "sponsored": false,
   "why": "Pokazuje realistyczne ustawienie zadania dopasowania zdjęcia z ulicy do mapy i jego trudności.",
   "why_en": "Shows a realistic setup for matching street photos to maps and its difficulties."
  },
  "vinyals-alphastar-2019": {
   "id": "vinyals-alphastar-2019",
   "title": "Grandmaster level in StarCraft II using multi-agent reinforcement learning",
   "url": "https://www.nature.com/articles/s41586-019-1724-z",
   "author": "Oriol Vinyals, Igor Babuschkin, Wojciech M. Czarnecki i in. (DeepMind)",
   "sponsored": false,
   "why": "Opisuje trening w lidze agentów, który doprowadził program do mistrzowskiego poziomu w grze strategicznej.",
   "why_en": "Describes league training that brought a program to grandmaster level in a strategy game."
  },
  "vision": {
   "id": "vision",
   "title": "Stanford CS231n · Computer Vision (2026)",
   "url": "https://cs231n.stanford.edu/",
   "kind": "reference",
   "note": "Sieci neuronowe i rozumienie obrazów.",
   "sponsored": false,
   "why": "Kurs wprowadzi sieci neuronowe do rozpoznawania i rozumienia obrazów.",
   "why_en": "The course introduces neural networks for recognising and understanding images."
  },
  "vision-drones-survey-2023": {
   "id": "vision-drones-survey-2023",
   "title": "Vision-Based Learning for Drones: A Survey",
   "title_en": "Vision-Based Learning for Drones: A Survey",
   "url": "https://arxiv.org/abs/2312.05019",
   "author": "J. Xiao, R. Zhang, Y. Zhang, M. Feroskhan (Nanyang Technological University)",
   "sponsored": false,
   "why": "Poznasz podział metod wizyjnego sterowania dronami: od klasycznego stosu po polityki końcowo-końcowe.",
   "why_en": "Learn the split of vision-based drone control methods, from the classic stack to end-to-end policies."
  },
  "visuotactile-review-2024": {
   "id": "visuotactile-review-2024",
   "title": "When Vision Meets Touch: A Contemporary Review for Visuotactile Sensors from the Signal Processing Perspective",
   "title_en": "When Vision Meets Touch: A Contemporary Review for Visuotactile Sensors from the Signal Processing Perspective",
   "url": "https://arxiv.org/abs/2406.12226",
   "author": "S. Li, Z. Wang, C. Wu, X. Li, S. Luo, B. Fang, F. Sun, X.-P. Zhang, W. Ding",
   "sponsored": false,
   "why": "Poznasz budowę czujników wizyjno-dotykowych i metody przetwarzania ich sygnałów.",
   "why_en": "Learn how visuotactile sensors are built and how their signals are processed."
  },
  "vivanco-geoclip-2023": {
   "id": "vivanco-geoclip-2023",
   "title": "GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization",
   "url": "https://arxiv.org/abs/2309.16020",
   "author": "Vicente Vivanco Cepeda, Gaurav Kumar Nayak, Mubarak Shah",
   "sponsored": false,
   "why": "Pokazuje, jak dopasowanie zdjęcia do współrzędnych pozwala zgadywać miejsce na całym świecie.",
   "why_en": "Shows how matching photos to coordinates lets a model guess locations worldwide."
  },
  "vla-survey-2025": {
   "id": "vla-survey-2025",
   "title": "Vision-Language-Action Models: Concepts, Progress, Applications and Challenges",
   "title_en": "Vision-Language-Action Models: Concepts, Progress, Applications and Challenges",
   "url": "https://arxiv.org/abs/2505.04769",
   "author": "R. Sapkota, Y. Cao, K. I. Roumeliotis, M. Karkee",
   "sponsored": false,
   "why": "Poznasz modele łączące obraz, język i działania oraz wyzwania transferu między robotami.",
   "why_en": "Explore models combining vision, language and actions and challenges of transferring across robots."
  },
  "vllm-disagg-prefill": {
   "id": "vllm-disagg-prefill",
   "title": "Disaggregated Prefilling (experimental) — dokumentacja vLLM",
   "title_en": "Disaggregated Prefilling (experimental) — vLLM docs",
   "url": "https://docs.vllm.ai/en/latest/features/disagg_prefill.html",
   "author": "Projekt vLLM",
   "sponsored": true,
   "why": "Dowiesz się, jak osobne instancje przetwarzania wejścia i dekodowania współpracują przez transfer pamięci kontekstu.",
   "why_en": "Learn how separate input-processing and decoding instances cooperate through context-cache transfer."
  },
  "vllm-lora-docs": {
   "id": "vllm-lora-docs",
   "title": "LoRA Adapters — dokumentacja vLLM",
   "title_en": "LoRA Adapters — vLLM docs",
   "url": "https://docs.vllm.ai/en/latest/features/lora.html",
   "author": "Projekt vLLM",
   "sponsored": true,
   "why": "Przećwiczysz rejestrowanie adapterów, wybór adaptera dla żądania i kontrolę liczby równocześnie aktywnych adaptacji.",
   "why_en": "Practise registering adapters, choosing adapters per request and controlling concurrently active adaptations."
  },
  "vllm-openai-server": {
   "id": "vllm-openai-server",
   "title": "OpenAI-Compatible Server / Online Serving — dokumentacja vLLM",
   "title_en": "OpenAI-Compatible Server / Online Serving — vLLM docs",
   "url": "https://docs.vllm.ai/en/latest/serving/online_serving/",
   "author": "Projekt vLLM",
   "sponsored": true,
   "why": "Poznasz uruchamianie serwera modeli, dostępne interfejsy zapytań i wymagania formatowania rozmowy.",
   "why_en": "Explore launching model servers, available query interfaces and conversation-format requirements."
  },
  "vllm-pagedattention-2023": {
   "id": "vllm-pagedattention-2023",
   "title": "Efficient Memory Management for Large Language Model Serving with PagedAttention",
   "title_en": "Efficient Memory Management for Large Language Model Serving with PagedAttention",
   "url": "https://arxiv.org/abs/2309.06180",
   "author": "Woosuk Kwon, Zhuohan Li, Siyuan Zhuang, Ying Sheng, Lianmin Zheng, Cody Hao Yu, Joseph E. Gonzalez, Hao Zhang, Ion Stoica",
   "sponsored": false,
   "why": "Zrozumiesz zarządzanie pamięcią kluczy i wartości w blokach oraz współdzielenie jej między żądaniami.",
   "why_en": "Understand block-based key-value memory management and sharing across requests."
  },
  "voiceprimer": {
   "id": "voiceprimer",
   "title": "Voice AI & Voice Agents: ilustrowany przewodnik",
   "title_en": "Voice AI & Voice Agents: An Illustrated Primer",
   "url": "https://voiceaiandvoiceagents.com/",
   "author": "Kwindla Hultman Kramer i współautorzy (Daily / Pipecat)",
   "sponsored": false,
   "why": "Przewodnik uporządkuje elementy agenta głosowego, przepływ audio i sterowanie rozmową.",
   "why_en": "The guide organises voice-agent components, audio flow and conversation control."
  },
  "von-stosch-hybrid-semiparametric-2014": {
   "id": "von-stosch-hybrid-semiparametric-2014",
   "title": "Hybrid semi-parametric modeling in process systems engineering: Past, present and future",
   "url": "https://doi.org/10.1016/j.compchemeng.2013.08.008",
   "author": "Moritz von Stosch, Rui Oliveira, Joana Peres, Sebastião Feyo de Azevedo",
   "sponsored": false,
   "why": "Wyjaśnia, jak buduje się modele łączące równania procesu z danymi i kiedy to się opłaca.",
   "why_en": "Explains how models combining process equations with data are built and when it pays off."
  },
  "w3c-owl": {
   "id": "w3c-owl",
   "title": "W3C · Web Ontology Language (OWL)",
   "title_en": "W3C · Web Ontology Language (OWL)",
   "url": "https://www.w3.org/OWL/",
   "author": "W3C OWL Working Group",
   "sponsored": false,
   "why": "Poznasz reprezentowanie pojęć i relacji w ontologii oraz logiczne sprawdzanie spójności i wyprowadzanie wiedzy.",
   "why_en": "Explore representing concepts and relations in ontologies and logically checking consistency and deriving knowledge."
  },
  "wafer-gpu": {
   "id": "wafer-gpu",
   "title": "Performance Engineering for AI Infra — learning guide",
   "title_en": "Performance Engineering for AI Infra — learning guide",
   "url": "https://github.com/wafer-ai/gpu-perf-engineering-resources",
   "author": "Wafer (wafer-ai)",
   "kind": "repozytorium GitHub · kurikulum z poziomami Tier 1–3 · licencja MIT",
   "kind_en": "GitHub repository · tiered curriculum (Tier 1–3) · MIT licence",
   "note": "Materiał firmowy z ofertą pracy, ale dowody to głównie źródła pierwotne. Spis treści przesiany: węzłami zostały tylko tematy; poziomy zachowane jako etykiety linków.",
   "note_en": "Company material with a hiring note, but the evidence is mostly primary sources. Table of contents sieved: only topics became nodes; tiers kept as link labels.",
   "sponsored": false,
   "retrieved": "2026-09-21",
   "why": "Znajdziesz uporządkowane materiały do nauki analizy i poprawiania wydajności infrastruktury AI.",
   "why_en": "Find organised resources for learning to analyse and improve AI-infrastructure performance."
  },
  "wan-2025": {
   "id": "wan-2025",
   "title": "Wan: Open and Advanced Large-Scale Video Generative Models",
   "title_en": "Wan: Open and Advanced Large-Scale Video Generative Models",
   "url": "https://arxiv.org/abs/2503.20314",
   "author": "Team Wan (Alibaba)",
   "sponsored": true,
   "why": "Pokazuje otwarty model wideo, który da się uruchomić na domowej karcie graficznej.",
   "why_en": "Shows an open video model that can run on a home graphics card."
  },
  "wanda-2023": {
   "id": "wanda-2023",
   "title": "A Simple and Effective Pruning Approach for Large Language Models (Wanda)",
   "title_en": "A Simple and Effective Pruning Approach for Large Language Models (Wanda)",
   "url": "https://arxiv.org/abs/2306.11695",
   "author": "Mingjie Sun, Zhuang Liu, Anna Bair, J. Zico Kolter",
   "sponsored": false,
   "why": "Dowiesz się, jak wielkość wagi i aktywacji wejściowej wspólnie wskazują parametry do przycięcia.",
   "why_en": "Learn how weight magnitude and input activations jointly identify parameters for pruning."
  },
  "wang-2020-curriculum-survey": {
   "id": "wang-2020-curriculum-survey",
   "title": "A Survey on Curriculum Learning",
   "url": "https://arxiv.org/abs/2010.13166",
   "author": "Xin Wang, Yudong Chen, Wenwu Zhu",
   "sponsored": false,
   "why": "Porządkuje metody uczenia z programem nauczania w prosty schemat: miernik trudności i harmonogram.",
   "why_en": "Organises curriculum learning methods into a simple scheme: difficulty measurer and scheduler."
  },
  "wang-antipersistence-2026": {
   "id": "wang-antipersistence-2026",
   "title": "More Memory, Worse Agents: Error Reproduction and Anti-Persistence in LLM Agents",
   "title_en": "More Memory, Worse Agents: Error Reproduction and Anti-Persistence in LLM Agents",
   "url": "https://arxiv.org/abs/2610.27406",
   "author": "Ruhan Wang; Kishan Panaganti; Dongruo Zhou",
   "sponsored": false,
   "why": "Pierwotne źródło techniki Anti-Persistence i opisu cyklu reprodukcji błędów w pamięci agentów.",
   "why_en": "Primary source for the Anti-Persistence technique and the description of the error-reproduction cycle in agent memory."
  },
  "wang-jtrans-2022": {
   "id": "wang-jtrans-2022",
   "title": "jTrans: Jump-Aware Transformer for Binary Code Similarity Detection",
   "title_en": "jTrans: Jump-Aware Transformer for Binary Code Similarity Detection",
   "url": "https://arxiv.org/abs/2205.12713",
   "author": "Hao Wang, Wenjie Qu, Gilad Katz, Wenyu Zhu, Zeyu Gao, Han Qiu, Jianwei Zhuge, Chao Zhang",
   "sponsored": false,
   "why": "Pokazuje, jak transformer uczy się rozpoznawać tę samą funkcję w różnie skompilowanych programach.",
   "why_en": "Shows how a transformer learns to recognise the same function in differently compiled programs."
  },
  "wang-m3dm-2023": {
   "id": "wang-m3dm-2023",
   "title": "Multimodal Industrial Anomaly Detection via Hybrid Fusion",
   "url": "https://arxiv.org/abs/2303.00601",
   "author": "Yue Wang, Jinlong Peng, Jiangning Zhang, Ran Yi, Yabiao Wang, Chengjie Wang",
   "sponsored": false,
   "why": "Pokazuje, jak łączyć kolorowe zdjęcie ze skanem 3D, żeby lepiej znajdować wady.",
   "why_en": "Shows how to combine a colour photo with a 3D scan to find defects better."
  },
  "wang-remdm-2025": {
   "id": "wang-remdm-2025",
   "title": "Remasking Discrete Diffusion Models with Inference-Time Scaling",
   "title_en": "Remasking Discrete Diffusion Models with Inference-Time Scaling",
   "url": "https://arxiv.org/abs/2503.00307",
   "author": "Guanghan Wang, Yair Schiff, Subham Sekhar Sahoo, Volodymyr Kuleshov",
   "sponsored": false,
   "why": "Pokazuje formalny sampler, który pozwala ponownie maskować już przewidziane tokeny i zwiększać budżet obliczeń podczas generowania.",
   "why_en": "Shows a principled sampler that can mask predicted tokens again and scale inference-time computation."
  },
  "wang-rwm-2026": {
   "id": "wang-rwm-2026",
   "title": "Language Models as AI Research World Models",
   "title_en": "Language Models as AI Research World Models",
   "url": "https://arxiv.org/abs/2610.12235",
   "author": "Zijun Wang; Zewen Liu; Minhua Lin; Zhaotian Weng; Zhan Shi; Bing He; Yisi Sang; Dakuo Wang; Benoit Dumoulin; Wei Jin; Yuyin Zhou; Cihang Xie; Hanqing Lu",
   "sponsored": false,
   "why": "Definicja i ewaluacja modeli językowych jako predyktorów wyników eksperymentów badawczych.",
   "why_en": "Definition and evaluation of language models as predictors of research experiment outcomes."
  },
  "wang-self-consistency-2022": {
   "id": "wang-self-consistency-2022",
   "title": "Self-Consistency Improves Chain of Thought Reasoning in Language Models",
   "title_en": "Self-Consistency Improves Chain of Thought Reasoning in Language Models",
   "url": "https://arxiv.org/abs/2203.11171",
   "author": "Xuezhi Wang, Jason Wei, Dale Schuurmans, Quoc Le, Ed Chi, Sharan Narang, Aakanksha Chowdhery, Denny Zhou",
   "sponsored": false,
   "why": "Zrozumiesz wybieranie odpowiedzi przez agregowanie wyników wielu próbkowanych ścieżek rozumowania.",
   "why_en": "Understand choosing answers by aggregating outcomes from multiple sampled reasoning paths."
  },
  "wavchat-survey": {
   "id": "wavchat-survey",
   "title": "WavChat: przegląd modeli dialogu mówionego",
   "title_en": "WavChat: A Survey of Spoken Dialogue Models",
   "url": "https://arxiv.org/abs/2411.13577",
   "author": "Shengpeng Ji i współautorzy",
   "sponsored": false,
   "why": "Porównasz kaskadowe i zintegrowane modele dialogu mówionego oraz podejścia do strumieniowania i dupleksu.",
   "why_en": "Compare cascaded and integrated spoken-dialogue models and approaches to streaming and duplex interaction."
  },
  "waymo-crash-7m-2023": {
   "id": "waymo-crash-7m-2023",
   "title": "Comparison of Waymo Rider-Only Crash Data to Human Benchmarks at 7.1 Million Miles",
   "title_en": "Comparison of Waymo Rider-Only Crash Data to Human Benchmarks at 7.1 Million Miles",
   "url": "https://arxiv.org/abs/2312.12675",
   "author": "Kristofer D. Kusano, John M. Scanlon, Yin-Hsiu Chen, Timothy L. McMurry, Ruoshu Chen, Tilia Gode, Trent Victor (Waymo)",
   "sponsored": true,
   "why": "Pokazuje, jak porównuje się bezpieczeństwo aut bez kierowcy z ludźmi i jakie są pułapki.",
   "why_en": "Shows how driverless-car safety is compared with humans, and the pitfalls of doing so."
  },
  "weak-to-strong-2023": {
   "id": "weak-to-strong-2023",
   "title": "Weak-to-Strong Generalization: Eliciting Strong Capabilities With Weak Supervision",
   "title_en": "Weak-to-Strong Generalization: Eliciting Strong Capabilities With Weak Supervision",
   "url": "https://arxiv.org/abs/2312.09390",
   "author": "C. Burns, P. Izmailov, J. H. Kirchner, B. Baker, L. Gao i in. (12 autorów; OpenAI)",
   "sponsored": false,
   "why": "Poznasz badanie uczenia silniejszego modelu na etykietach słabszego i ograniczenia odzyskiwania jego zdolności.",
   "why_en": "Explore training stronger models on weaker models' labels and limitations in recovering their capabilities."
  },
  "webdataset-github": {
   "id": "webdataset-github",
   "title": "WebDataset – repozytorium i dokumentacja",
   "title_en": "WebDataset – repository and documentation",
   "url": "https://github.com/webdataset/webdataset",
   "author": "WebDataset (Thomas Breuel i współtwórcy)",
   "sponsored": false,
   "why": "Dokumentacja najpopularniejszego otwartego formatu shardowanych zbiorów z przykładami użycia.",
   "why_en": "Documentation of the most popular open sharded-dataset format, with usage examples."
  },
  "weber-elliptic-2019": {
   "id": "weber-elliptic-2019",
   "title": "Anti-Money Laundering in Bitcoin: Experimenting with Graph Convolutional Networks for Financial Forensics",
   "title_en": "Anti-Money Laundering in Bitcoin: Experimenting with Graph Convolutional Networks for Financial Forensics",
   "url": "https://arxiv.org/abs/1908.02591",
   "author": "Mark Weber, Giacomo Domeniconi, Jie Chen, Daniel Karl I. Weidele, Claudio Bellei, Tom Robinson, Charles E. Leiserson",
   "sponsored": false,
   "why": "Pokazuje na publicznym grafie transakcji, jak porównać klasyczne modele z sieciami grafowymi w wykrywaniu prania.",
   "why_en": "Shows on a public transaction graph how classic models compare with graph networks for laundering detection."
  },
  "wei-cortex-alert-triage-2025": {
   "id": "wei-cortex-alert-triage-2025",
   "title": "CORTEX: Collaborative LLM Agents for High-Stakes Alert Triage",
   "title_en": "CORTEX: Collaborative LLM Agents for High-Stakes Alert Triage",
   "url": "https://arxiv.org/abs/2510.00311",
   "author": "Bowen Wei, Yuan Shen Tay, Howard Liu, Jinhao Pan, Kun Luo, Ziwei Zhu, Chris Jordan",
   "sponsored": false,
   "why": "Pokazuje, jak kilku współpracujących agentów AI ocenia alarmy bezpieczeństwa zamiast zmęczonego analityka.",
   "why_en": "Shows how several cooperating AI agents assess security alarms instead of a tired analyst."
  },
  "wei-cot-2022": {
   "id": "wei-cot-2022",
   "title": "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models",
   "title_en": "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models",
   "url": "https://arxiv.org/abs/2201.11903",
   "author": "Jason Wei, Xuezhi Wang, Dale Schuurmans, Maarten Bosma, Brian Ichter, Fei Xia, Ed Chi, Quoc Le, Denny Zhou",
   "sponsored": false,
   "why": "Dowiesz się, jak przykłady z pośrednimi krokami rozumowania zmieniają sposób odpowiadania modelu.",
   "why_en": "Learn how examples containing intermediate reasoning steps change a model's responses."
  },
  "weng-rs-vlm-survey-2025": {
   "id": "weng-rs-vlm-survey-2025",
   "title": "Vision-Language Modeling Meets Remote Sensing: Models, Datasets and Perspectives",
   "url": "https://arxiv.org/abs/2505.14361",
   "author": "Xingxing Weng, Chao Pang, Gui-Song Xia",
   "sponsored": false,
   "why": "Uporządkowany przegląd rodzin modeli wizja–język dla zdjęć satelitarnych i ich wyzwań.",
   "why_en": "An organised overview of vision-language model families for satellite images and their challenges."
  },
  "wiki-bkt": {
   "id": "wiki-bkt",
   "title": "Bayesian knowledge tracing",
   "title_en": "Bayesian knowledge tracing",
   "url": "https://en.wikipedia.org/wiki/Bayesian_knowledge_tracing",
   "author": "Wikipedia contributors",
   "sponsored": false,
   "why": "Wyjaśnia cztery parametry klasycznego modelu śledzenia wiedzy i jego związek z ukrytymi modelami Markowa.",
   "why_en": "Explains the four parameters of the classic knowledge-tracing model and its link to hidden Markov models."
  },
  "wiki-cat": {
   "id": "wiki-cat",
   "title": "Computerized adaptive testing",
   "title_en": "Computerized adaptive testing",
   "url": "https://en.wikipedia.org/wiki/Computerized_adaptive_testing",
   "author": "Wikipedia contributors",
   "sponsored": false,
   "why": "Opisuje krok po kroku działanie testu adaptacyjnego, jego zalety i koszty budowy banku pytań.",
   "why_en": "Describes step by step how an adaptive test works, its advantages and the cost of building an item bank."
  },
  "wiki-irt": {
   "id": "wiki-irt",
   "title": "Item response theory",
   "title_en": "Item response theory",
   "url": "https://en.wikipedia.org/wiki/Item_response_theory",
   "author": "Wikipedia contributors",
   "sponsored": false,
   "why": "Wyjaśnia modele 1PL, 2PL i 3PL, funkcję informacji oraz założenia teorii odpowiedzi na pytania.",
   "why_en": "Explains the 1PL, 2PL and 3PL models, the information function and the assumptions of item response theory."
  },
  "wikipedia-utility-system": {
   "id": "wikipedia-utility-system",
   "title": "Utility system (Wikipedia)",
   "title_en": "Utility system (Wikipedia)",
   "url": "https://en.wikipedia.org/wiki/Utility_system",
   "sponsored": false,
   "why": "Krótka historia punktowego AI postaci, od symulatorów życia po architektury sterowane danymi.",
   "why_en": "A short history of score-based character AI, from life simulators to data-driven architectures."
  },
  "wikipedia-vibecoding": {
   "id": "wikipedia-vibecoding",
   "title": "Vibe coding – Wikipedia",
   "title_en": "Vibe coding – Wikipedia",
   "url": "https://en.wikipedia.org/wiki/Vibe_coding",
   "sponsored": false,
   "why": "Daje krótką historię terminu, jego definicję i główne zarzuty krytyków.",
   "why_en": "Gives a short history of the term, its definition and the main criticisms."
  },
  "wildawm-arxiv-2610-26828": {
   "id": "wildawm-arxiv-2610-26828",
   "title": "Agent World Model in the Wild: Computer-Use Agent Environment Synthesis",
   "title_en": "Agent World Model in the Wild: Computer-Use Agent Environment Synthesis",
   "url": "https://arxiv.org/abs/2610.26828",
   "author": "Zhaoyang Wang, Qianhui Wu, Haorui Wang, Simon Yu, Baolin Peng, Canwen Xu, Hao Cheng, Wenlin Yao, Boyi Liu, Yite Wang, Jianfeng Gao, Huaxiu Yao",
   "sponsored": false,
   "why": "Opis pipeline syntezy światów i zadań XAI z bramkami jakości oraz transferu na 8 benchmarków.",
   "why_en": "Description of the world and XAI task synthesis pipeline with quality gates and transfer to 8 benchmarks."
  },
  "wildawm-github-2026": {
   "id": "wildawm-github-2026",
   "title": "MSR-Orchard/WildAWM",
   "title_en": "MSR-Orchard/WildAWM",
   "url": "https://github.com/MSR-Orchard/WildAWM",
   "author": "MSR-Orchard",
   "sponsored": false,
   "why": "Publiczne repozytorium implementacji WildAWM z kodem syntezy, ewaluacji oraz odnośnikami do danych i modeli.",
   "why_en": "Public WildAWM implementation repository with synthesis and evaluation code plus links to data and models."
  },
  "willard-physics-ml-integration-2020": {
   "id": "willard-physics-ml-integration-2020",
   "title": "Integrating Scientific Knowledge with Machine Learning for Engineering and Environmental Systems",
   "url": "https://arxiv.org/abs/2003.04919",
   "author": "Jared Willard, Xiaowei Jia, Shaoming Xu, Michael Steinbach, Vipin Kumar",
   "sponsored": false,
   "why": "Porządkuje sposoby łączenia wiedzy fizycznej z uczeniem maszynowym w inżynierii.",
   "why_en": "Organises the ways of combining physical knowledge with machine learning in engineering."
  },
  "williams-2017-multinli": {
   "id": "williams-2017-multinli",
   "title": "A Broad-Coverage Challenge Corpus for Sentence Understanding through Inference",
   "title_en": "A Broad-Coverage Challenge Corpus for Sentence Understanding through Inference",
   "url": "https://ar5iv.labs.arxiv.org/html/1704.05426",
   "author": "Adina Williams, Nikita Nangia, Samuel R. Bowman",
   "sponsored": false,
   "why": "Opisuje jeden z głównych zbiorów, na których modele uczą się oceny, czy zdanie wynika z innego.",
   "why_en": "Describes one of the main datasets models use to learn whether one sentence follows from another."
  },
  "willison-vibecoding-2025": {
   "id": "willison-vibecoding-2025",
   "title": "Not all AI-assisted programming is vibe coding (but vibe coding rocks)",
   "title_en": "Not all AI-assisted programming is vibe coding (but vibe coding rocks)",
   "url": "https://simonwillison.net/2025/Mar/19/vibe-coding/",
   "author": "Simon Willison",
   "sponsored": false,
   "why": "Wyjaśnia, czym vibe coding różni się od odpowiedzialnego programowania z pomocą AI i kiedy ma sens.",
   "why_en": "Explains how vibe coding differs from responsible AI-assisted programming and when it makes sense."
  },
  "wizardlm-evol-instruct-2023": {
   "id": "wizardlm-evol-instruct-2023",
   "title": "WizardLM: Empowering large pre-trained language models to follow complex instructions",
   "title_en": "WizardLM: Empowering large pre-trained language models to follow complex instructions",
   "url": "https://arxiv.org/abs/2304.12244",
   "author": "Can Xu, Qingfeng Sun, Kai Zheng, Xiubo Geng, Pu Zhao, Jiazhan Feng, Chongyang Tao, Qingwei Lin, Daxin Jiang",
   "sponsored": false,
   "why": "Poznasz iteracyjne przekształcanie prostych instrukcji w trudniejsze przykłady do dostrajania modelu.",
   "why_en": "Explore iteratively transforming simple instructions into harder examples for model fine-tuning."
  },
  "womd-2021": {
   "id": "womd-2021",
   "title": "Large Scale Interactive Motion Forecasting for Autonomous Driving: The Waymo Open Motion Dataset",
   "title_en": "Large Scale Interactive Motion Forecasting for Autonomous Driving: The Waymo Open Motion Dataset",
   "url": "https://arxiv.org/abs/2104.10133",
   "author": "Scott Ettinger, Shuyang Cheng, Benjamin Caine, Chenxi Liu, Hang Zhao, Sabeek Pradhan i in. (18 autorów)",
   "sponsored": false,
   "why": "Pokazuje, na jakich danych uczy się przewidywania ruchu i jak odróżnia się predykcję łączną.",
   "why_en": "Shows the data motion forecasting learns from and how joint prediction is distinguished."
  },
  "woodbridge-dga-lstm-2016": {
   "id": "woodbridge-dga-lstm-2016",
   "title": "Predicting Domain Generation Algorithms with Long Short-Term Memory Networks",
   "title_en": "Predicting Domain Generation Algorithms with Long Short-Term Memory Networks",
   "url": "https://arxiv.org/pdf/1611.00791",
   "author": "Jonathan Woodbridge, Hyrum S. Anderson, Anjum Ahuja, Daniel Grant",
   "sponsored": false,
   "why": "Klasyczny, prosty przykład: mała sieć rekurencyjna czyta nazwę domeny i rozpoznaje adresy wymyślone przez malware.",
   "why_en": "A classic simple example: a small recurrent network reads a domain name and spots addresses invented by malware."
  },
  "word2vec-2013": {
   "id": "word2vec-2013",
   "title": "Efficient Estimation of Word Representations in Vector Space",
   "title_en": "Efficient Estimation of Word Representations in Vector Space",
   "url": "https://arxiv.org/abs/1301.3781",
   "author": "Tomas Mikolov, Kai Chen, Greg Corrado, Jeffrey Dean",
   "sponsored": false,
   "why": "Zrozumiesz uczenie wektorów słów z tekstu i ocenę reprezentowanych relacji składniowych oraz semantycznych.",
   "why_en": "Understand learning word vectors from text and evaluating represented syntactic and semantic relationships."
  },
  "workbank-2025": {
   "id": "workbank-2025",
   "title": "Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce",
   "title_en": "Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce",
   "url": "https://arxiv.org/abs/2506.06576",
   "author": "Yijia Shao, Humishka Zope, Yucheng Jiang, Jiaxin Pei, David Nguyen, Erik Brynjolfsson, Diyi Yang",
   "sponsored": false,
   "why": "Poznasz ankietowe porównanie możliwości automatyzacji z preferowanym udziałem człowieka w różnych zadaniach pracy.",
   "why_en": "Explore a survey comparing automation potential with preferred human involvement across workplace tasks."
  },
  "worldstrat-2022": {
   "id": "worldstrat-2022",
   "title": "Open High-Resolution Satellite Imagery: The WorldStrat Dataset – With Application to Super-Resolution",
   "title_en": "Open High-Resolution Satellite Imagery: The WorldStrat Dataset – With Application to Super-Resolution",
   "url": "https://arxiv.org/abs/2207.06418",
   "author": "Julien Cornebise; Ivan Oršolić; Freddie Kalaitzis",
   "sponsored": false,
   "why": "Pokazuje, jak modele wyostrzania uczą się na wielu przelotach darmowego satelity i gdzie leżą pułapki ocen.",
   "why_en": "Shows how sharpening models learn from many free-satellite revisits and where evaluation pitfalls lie."
  },
  "wortsman-instabilities-2023": {
   "id": "wortsman-instabilities-2023",
   "title": "Small-scale proxies for large-scale Transformer training instabilities",
   "title_en": "Small-scale proxies for large-scale Transformer training instabilities",
   "url": "https://arxiv.org/abs/2309.14322",
   "author": "Mitchell Wortsman, Peter J. Liu, Lechao Xiao i in. (Google DeepMind)",
   "sponsored": false,
   "why": "Dowiesz się, jak małe modele przy dużym kroku uczenia odtwarzają wybrane niestabilności dużych transformerów.",
   "why_en": "Learn how small models at high learning rates reproduce selected large-transformer training instabilities."
  },
  "wrap-rephrasing-2024": {
   "id": "wrap-rephrasing-2024",
   "title": "Rephrasing the Web: A Recipe for Compute and Data-Efficient Language Modeling",
   "title_en": "Rephrasing the Web: A Recipe for Compute and Data-Efficient Language Modeling",
   "url": "https://arxiv.org/abs/2401.16380",
   "author": "Pratyush Maini, Skyler Seto, He Bai, David Grangier, Yizhe Zhang, Navdeep Jaitly",
   "sponsored": false,
   "why": "Poznasz uzupełnianie korpusu pretrainingowego dokumentami sieciowymi przepisanymi przez model w różnych stylach.",
   "why_en": "Explore augmenting pretraining corpora with web documents rewritten by a model in different styles."
  },
  "wsd-hagele-2024": {
   "id": "wsd-hagele-2024",
   "title": "Scaling Laws and Compute-Optimal Training Beyond Fixed Training Durations",
   "title_en": "Scaling Laws and Compute-Optimal Training Beyond Fixed Training Durations",
   "url": "https://arxiv.org/abs/2405.18392",
   "author": "Alexander Hägele, Elie Bakouch, Atli Kosson i in. (EPFL / Hugging Face)",
   "sponsored": false,
   "why": "Zrozumiesz harmonogram stałego kroku z końcowym wygaszaniem oraz jego użycie do eksperymentów skalowania.",
   "why_en": "Understand stable learning rates with final cooldown and their use in scaling experiments."
  },
  "wu-2024-reft": {
   "id": "wu-2024-reft",
   "title": "ReFT: Representation Finetuning for Language Models",
   "url": "https://arxiv.org/abs/2404.03592",
   "author": "Zhengxuan Wu, Aryaman Arora, Zheng Wang, Atticus Geiger, Dan Jurafsky, Christopher D. Manning, Christopher Potts",
   "sponsored": false,
   "why": "Opisuje dostrajanie przez interwencje na wewnętrznych reprezentacjach zamiast na wagach modelu.",
   "why_en": "Describes fine-tuning through interventions on internal representations rather than weights."
  },
  "wu-ml-mpc-tutorial-2025": {
   "id": "wu-ml-mpc-tutorial-2025",
   "title": "A tutorial review of machine learning-based model predictive control methods",
   "url": "https://doi.org/10.1515/revce-2024-0055",
   "author": "Zhe Wu, Panagiotis D. Christofides, Wanlu Wu, Yujia Wang, Fahim Abdullah, Aisha Alnajdi, Yash Kadakia",
   "sponsored": false,
   "why": "Pokazuje na procesie chemicznym, jak budować sterowanie predykcyjne z modelem uczonym i jakie są jego pułapki.",
   "why_en": "Shows on a chemical process how to build predictive control with a learned model and its pitfalls."
  },
  "wuthrich-merz-actuarial-learning-2023": {
   "id": "wuthrich-merz-actuarial-learning-2023",
   "title": "Statistical Foundations of Actuarial Learning and its Applications",
   "title_en": "Statistical Foundations of Actuarial Learning and its Applications",
   "url": "https://link.springer.com/book/10.1007/978-3-031-12409-9",
   "author": "Mario V. Wüthrich, Michael Merz",
   "sponsored": true,
   "why": "Pierwotny, otwarty podręcznik łączący modele GLM i uczenie głębokie w zastosowaniach aktuarialnych.",
   "why_en": "Primary open-access textbook connecting GLMs and deep learning in actuarial applications."
  },
  "xia-dota-2017": {
   "id": "xia-dota-2017",
   "title": "DOTA: A Large-scale Dataset for Object Detection in Aerial Images",
   "url": "https://arxiv.org/abs/1711.10398",
   "author": "Gui-Song Xia, Xiang Bai, Jian Ding, Zhen Zhu, Serge Belongie, et al.",
   "sponsored": false,
   "why": "Zbiór, który zdefiniował zadanie wykrywania obróconych obiektów na zdjęciach z góry.",
   "why_en": "The dataset that defined oriented object detection in overhead images."
  },
  "xiao-2024-visual-grounding-survey": {
   "id": "xiao-2024-visual-grounding-survey",
   "title": "Toward Visual Grounding: A Survey",
   "title_en": "Toward Visual Grounding: A Survey",
   "url": "https://arxiv.org/abs/2412.20206",
   "author": "Linhui Xiao, Xiaoshan Yang, Xiangyuan Lan, Yaowei Wang, Changsheng Xu",
   "sponsored": false,
   "why": "Porządkuje odmiany zadania „wskaż na obrazie to, co opisuję” i pokazuje, dokąd zmierza.",
   "why_en": "Organises the variants of 'point to what I describe in the image' and shows where it is heading."
  },
  "xiao-rs-foundation-models-survey-2024": {
   "id": "xiao-rs-foundation-models-survey-2024",
   "title": "Foundation Models for Remote Sensing and Earth Observation: A Survey",
   "url": "https://arxiv.org/abs/2410.16602",
   "author": "Aoran Xiao, Weihao Xuan, Junjue Wang, Jiaxing Huang, Dacheng Tao, Shijian Lu, Naoto Yokoya",
   "sponsored": false,
   "why": "Mapa rodzin modeli bazowych dla teledetekcji: od maskowanych autoenkoderów po modele wizja–język.",
   "why_en": "Maps families of remote-sensing foundation models, from masked autoencoders to vision-language models."
  },
  "xiong-longcontext-2023": {
   "id": "xiong-longcontext-2023",
   "title": "Effective Long-Context Scaling of Foundation Models",
   "title_en": "Effective Long-Context Scaling of Foundation Models",
   "url": "https://arxiv.org/abs/2309.16039",
   "author": "Wenhan Xiong, Jingyu Liu, Igor Molybog i in. (Meta)",
   "sponsored": false,
   "why": "Poznasz wydłużanie efektywnego kontekstu przez dalszy pretraining na dłuższych sekwencjach i ewaluację zadań długokontekstowych.",
   "why_en": "Explore extending effective context through continued pretraining on longer sequences and evaluating long-context tasks."
  },
  "xlm-r-2019": {
   "id": "xlm-r-2019",
   "title": "Unsupervised Cross-lingual Representation Learning at Scale (XLM-R)",
   "title_en": "Unsupervised Cross-lingual Representation Learning at Scale (XLM-R)",
   "url": "https://arxiv.org/abs/1911.02116",
   "author": "Alexis Conneau, Kartikay Khandelwal, Naman Goyal, Vishrav Chaudhary, Guillaume Wenzek, Francisco Guzmán, Edouard Grave, Myle Ott, Luke Zettlemoyer, Veselin Stoyanov (Facebook AI)",
   "sponsored": true,
   "why": "Pokazuje, że jeden model uczony na wielu językach pomaga najbardziej językom z małą ilością danych.",
   "why_en": "Shows that one model trained on many languages helps low-data languages the most."
  },
  "xu-2019-ctgan": {
   "id": "xu-2019-ctgan",
   "title": "Modeling Tabular data using Conditional GAN",
   "url": "https://arxiv.org/abs/1907.00503",
   "author": "Lei Xu, Maria Skoularidou, Alfredo Cuesta-Infante, Kalyan Veeramachaneni",
   "sponsored": false,
   "why": "Wyjaśnia, czemu dane tabelaryczne są trudne do syntezy i jak radzi sobie z tym warunkowy GAN.",
   "why_en": "Explains why tabular data is hard to synthesise and how a conditional GAN addresses it."
  },
  "xu-2023-llm-generative-ie-survey": {
   "id": "xu-2023-llm-generative-ie-survey",
   "title": "Large Language Models for Generative Information Extraction: A Survey",
   "title_en": "Large Language Models for Generative Information Extraction: A Survey",
   "url": "https://arxiv.org/abs/2312.17617",
   "author": "Derong Xu, Wei Chen, Wenjun Peng, Chao Zhang, Tong Xu, Xiangyu Zhao, Xian Wu, Yefeng Zheng, Yang Wang, Enhong Chen",
   "sponsored": false,
   "why": "Przegląd tego, jak duże modele językowe zmieniły wyciąganie faktów z tekstu.",
   "why_en": "An overview of how large language models changed pulling facts out of text."
  },
  "xu-kd-llm-survey-2024": {
   "id": "xu-kd-llm-survey-2024",
   "title": "A Survey on Knowledge Distillation of Large Language Models",
   "title_en": "A Survey on Knowledge Distillation of Large Language Models",
   "url": "https://arxiv.org/abs/2402.13116",
   "author": "Xiaohan Xu, Ming Li, Chongyang Tao i in.",
   "sponsored": false,
   "why": "Przegląd uporządkuje algorytmy destylacji modeli językowych, przenoszone umiejętności i zastosowania dziedzinowe.",
   "why_en": "The review organises language-model distillation algorithms, transferred skills and domain applications."
  },
  "xu-llm4security-survey-2024": {
   "id": "xu-llm4security-survey-2024",
   "title": "Large Language Models for Cyber Security: A Systematic Literature Review",
   "title_en": "Large Language Models for Cyber Security: A Systematic Literature Review",
   "url": "https://arxiv.org/abs/2405.04760",
   "author": "Hanxiang Xu, Shenao Wang, Ningke Li, Kailong Wang, Yanjie Zhao, Kai Chen, Ting Yu, Yang Liu, Haoyu Wang",
   "sponsored": false,
   "why": "Pokazuje, do jakich zadań bezpieczeństwa używa się modeli językowych i jak to pole się rozwija.",
   "why_en": "Shows which security tasks language models are used for and how the field is developing."
  },
  "xview3-sar-2022": {
   "id": "xview3-sar-2022",
   "title": "xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture Radar Imagery",
   "title_en": "xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture Radar Imagery",
   "url": "https://arxiv.org/abs/2206.00897",
   "author": "Fernando Paolo; Tsu-ting Tim Lin; Ritwik Gupta; Bryce Goodman; Nirav Patel; Daniel Kuster; David Kroodsma; Jared Dunnmon",
   "sponsored": false,
   "why": "Opisuje największy zbiór do wykrywania ciemnych statków na radarze i sposób budowy etykiet.",
   "why_en": "Describes the largest dataset for detecting dark vessels in radar and how its labels were built."
  },
  "yang-2022-mup": {
   "id": "yang-2022-mup",
   "title": "Tensor Programs V: Tuning Large Neural Networks via Zero-Shot Hyperparameter Transfer",
   "url": "https://arxiv.org/abs/2203.03466",
   "author": "Greg Yang, Edward J. Hu, Igor Babuschkin, Szymon Sidor, Xiaodong Liu, David Farhi, Nick Ryder, Jakub Pachocki, Weizhu Chen, Jianfeng Gao",
   "sponsored": false,
   "why": "Źródło metody strojenia ustawień na małym modelu i przenoszenia ich na duży bez dodatkowych prób.",
   "why_en": "Source of tuning settings on a small model and transferring them to a large one without extra trials."
  },
  "yannakakis-player-modeling-2013": {
   "id": "yannakakis-player-modeling-2013",
   "title": "Player Modeling",
   "url": "https://drops.dagstuhl.de/opus/volltexte/2013/4335/",
   "author": "Georgios N. Yannakakis, Pieter Spronck, Daniele Loiacono, Elisabeth André",
   "sponsored": false,
   "why": "Definiuje modelowanie gracza i porządkuje, z jakich danych i jak buduje się takie modele.",
   "why_en": "Defines player modelling and organises what data and methods such models are built from."
  },
  "yannakakis-togelius-aigames-2025": {
   "id": "yannakakis-togelius-aigames-2025",
   "title": "Artificial Intelligence and Games (2nd edition)",
   "url": "https://gameaibook.org/",
   "author": "Georgios N. Yannakakis, Julian Togelius",
   "sponsored": false,
   "why": "Podręcznik, który dzieli AI w grach na granie, generowanie treści i modelowanie graczy.",
   "why_en": "A textbook that splits game AI into playing, content generation and player modelling."
  },
  "yao-tree-of-thoughts-2023": {
   "id": "yao-tree-of-thoughts-2023",
   "title": "Tree of Thoughts: Deliberate Problem Solving with Large Language Models",
   "title_en": "Tree of Thoughts: Deliberate Problem Solving with Large Language Models",
   "url": "https://arxiv.org/abs/2305.10601",
   "author": "Shunyu Yao, Dian Yu, Jeffrey Zhao, Izhak Shafran, Thomas L. Griffiths, Yuan Cao, Karthik Narasimhan",
   "sponsored": false,
   "why": "Zrozumiesz przeszukiwanie wielu ścieżek rozumowania z oceną kandydatów i możliwością cofania decyzji.",
   "why_en": "Understand searching multiple reasoning paths with candidate evaluation and the ability to backtrack."
  },
  "yarn-2023": {
   "id": "yarn-2023",
   "title": "YaRN: Efficient Context Window Extension of Large Language Models",
   "title_en": "YaRN: Efficient Context Window Extension of Large Language Models",
   "url": "https://arxiv.org/abs/2309.00071",
   "author": "Bowen Peng, Jeffrey Quesnelle, Honglu Fan i in.",
   "sponsored": false,
   "why": "Poznasz metodę rozszerzania okna kontekstu modeli korzystających z rotacyjnego kodowania pozycji.",
   "why_en": "Explore a context-window extension method for models using rotary position encoding."
  },
  "yu-dare-2023": {
   "id": "yu-dare-2023",
   "title": "Language Models are Super Mario: Absorbing Abilities from Homologous Models as a Free Lunch",
   "title_en": "Language Models are Super Mario: Absorbing Abilities from Homologous Models as a Free Lunch",
   "url": "https://arxiv.org/abs/2311.03099",
   "author": "Le Yu, Bowen Yu, Haiyang Yu, Fei Huang, Yongbin Li",
   "sponsored": false,
   "why": "Dowiesz się, jak losowe zerowanie i przeskalowanie aktualizacji przygotowuje modele zadaniowe do scalania.",
   "why_en": "Learn how randomly dropping and rescaling updates prepares task-specific models for merging."
  },
  "yuan-2024-selfrewarding": {
   "id": "yuan-2024-selfrewarding",
   "title": "Self-Rewarding Language Models",
   "title_en": "Self-Rewarding Language Models",
   "url": "https://arxiv.org/abs/2401.10020",
   "author": "Weizhe Yuan, Richard Yuanzhe Pang, Kyunghyun Cho, Xian Li, Sainbayar Sukhbaatar, Jing Xu, Jason Weston",
   "sponsored": false,
   "why": "Pierwotnie opisuje iteracyjne DPO, w którym bieżący model generuje odpowiedzi, ocenia je jako sędzia i tworzy świeże pary preferencji do następnej rundy.",
   "why_en": "Primary source for iterative DPO in which the current model generates responses, judges them and creates fresh preference pairs for the next round."
  },
  "yuan-lmars-2025": {
   "id": "yuan-lmars-2025",
   "title": "L-MARS: Legal Multi-Agent System with Agentic Search and Citation-Faithfulness Audit",
   "url": "https://arxiv.org/abs/2509.00761",
   "author": "Boqin Yuan, Ziqi Wang",
   "sponsored": false,
   "why": "Pokazuje, jak osobny agent-weryfikator sprawdza przypisy i jak mało to wciąż daje.",
   "why_en": "Shows how a separate verifier agent checks citations and how modest the gains still are."
  },
  "yuan-wu-insider-threat-dl-review-2020": {
   "id": "yuan-wu-insider-threat-dl-review-2020",
   "title": "Deep Learning for Insider Threat Detection: Review, Challenges and Opportunities",
   "title_en": "Deep Learning for Insider Threat Detection: Review, Challenges and Opportunities",
   "url": "https://arxiv.org/abs/2005.12433",
   "author": "Shuhan Yuan, Xintao Wu",
   "sponsored": false,
   "why": "Porządkuje metody wykrywania nieuczciwych pracowników i wyjaśnia, dlaczego to wciąż trudny problem.",
   "why_en": "Organises methods for detecting malicious insiders and explains why it remains a hard problem."
  },
  "zawacki-richter-aied-review-2019": {
   "id": "zawacki-richter-aied-review-2019",
   "title": "Systematic review of research on artificial intelligence applications in higher education – where are the educators?",
   "title_en": "Systematic review of research on artificial intelligence applications in higher education – where are the educators?",
   "url": "https://educationaltechnologyjournal.springeropen.com/articles/10.1186/s41239-019-0171-0",
   "author": "Olaf Zawacki-Richter, Victoria I. Marín, Melissa Bond, Franziska Gouverneur",
   "sponsored": false,
   "why": "Pokazuje, na jakie główne obszary dzieli się AI w edukacji i czego brakuje w badaniach.",
   "why_en": "Shows the main areas AI in education splits into and what research is still missing."
  },
  "zech-2018": {
   "id": "zech-2018",
   "title": "Confounding variables can degrade generalization performance of radiological deep learning models",
   "title_en": "Confounding variables can degrade generalization performance of radiological deep learning models",
   "url": "https://arxiv.org/abs/1807.00431",
   "author": "John R. Zech, Marcus A. Badgeley, Manway Liu, Anthony B. Costa, Joseph J. Titano, Eric K. Oermann",
   "sponsored": false,
   "why": "Pokazuje na zdjęciach płuc, że model z jednego szpitala potrafi zawieść w innym.",
   "why_en": "Shows with chest X-rays that a model from one hospital can fail in another."
  },
  "zelikman-2022-star": {
   "id": "zelikman-2022-star",
   "title": "STaR: Bootstrapping Reasoning With Reasoning",
   "url": "https://arxiv.org/abs/2203.14465",
   "author": "Eric Zelikman, Yuhuai Wu, Jesse Mu, Noah D. Goodman",
   "sponsored": false,
   "why": "Pokazuje prosty mechanizm: generuj wiele rozwiązań, zostaw poprawne, ucz się na nich i powtarzaj.",
   "why_en": "Shows a simple loop: generate many solutions, keep correct ones, train on them and repeat."
  },
  "zhang-2022-absa-survey": {
   "id": "zhang-2022-absa-survey",
   "title": "A Survey on Aspect-Based Sentiment Analysis: Tasks, Methods, and Challenges",
   "title_en": "A Survey on Aspect-Based Sentiment Analysis: Tasks, Methods, and Challenges",
   "url": "https://arxiv.org/abs/2203.01054",
   "author": "Wenxuan Zhang, Xin Li, Yang Deng, Lidong Bing, Wai Lam",
   "sponsored": false,
   "why": "Wyjaśnia, z jakich czterech elementów składa się opinia o konkretnej cesze produktu.",
   "why_en": "Explains the four elements that make up an opinion about a specific product feature."
  },
  "zhang-2024-summarization-survey": {
   "id": "zhang-2024-summarization-survey",
   "title": "A Systematic Survey of Text Summarization: From Statistical Methods to Large Language Models",
   "title_en": "A Systematic Survey of Text Summarization: From Statistical Methods to Large Language Models",
   "url": "https://arxiv.org/abs/2406.11289",
   "author": "Haopeng Zhang, Philip S. Yu, Jiawei Zhang",
   "sponsored": false,
   "why": "Pokazuje drogę streszczania od prostych statystyk do dużych modeli językowych.",
   "why_en": "Shows how summarisation evolved from simple statistics to large language models."
  },
  "zhang-bytetrack-2021": {
   "id": "zhang-bytetrack-2021",
   "title": "ByteTrack: Multi-Object Tracking by Associating Every Detection Box",
   "title_en": "ByteTrack: Multi-Object Tracking by Associating Every Detection Box",
   "url": "https://arxiv.org/abs/2110.06864",
   "author": "Yifu Zhang, Peize Sun, Yi Jiang i in.",
   "sponsored": false,
   "why": "Poznasz łączenie detekcji z trajektoriami, w tym wykorzystanie słabszych detekcji do zachowania tożsamości obiektu.",
   "why_en": "Explore associating detections with trajectories, including using weaker detections to preserve object identity."
  },
  "zhang-cybench-2024": {
   "id": "zhang-cybench-2024",
   "title": "Cybench: A Framework for Evaluating Cybersecurity Capabilities and Risks of Language Models",
   "title_en": "Cybench: A Framework for Evaluating Cybersecurity Capabilities and Risks of Language Models",
   "url": "https://arxiv.org/abs/2408.08926",
   "author": "Andy K. Zhang, Neil Perry i in. (m.in. Dan Boneh, Daniel E. Ho, Percy Liang)",
   "sponsored": false,
   "why": "Pokazuje, jak mierzy się umiejętności hakerskie modeli na zadaniach z prawdziwych zawodów.",
   "why_en": "Shows how models' hacking skills are measured on tasks from real competitions."
  },
  "zhang-dynamic-malware-feature-learning-2019": {
   "id": "zhang-dynamic-malware-feature-learning-2019",
   "title": "Dynamic Malware Analysis with Feature Engineering and Feature Learning",
   "title_en": "Dynamic Malware Analysis with Feature Engineering and Feature Learning",
   "url": "https://arxiv.org/pdf/1907.07352",
   "author": "Yao Zhang, Xiao Song, Dong Liu",
   "sponsored": false,
   "why": "Pokazuje krok po kroku, jak zamienić zachowanie programu w piaskownicy na dane dla sieci neuronowej.",
   "why_en": "Shows step by step how to turn a program's sandbox behaviour into data for a neural network."
  },
  "zhang-jepattt-2026": {
   "id": "zhang-jepattt-2026",
   "title": "JEPA-TTT: Persistent Test-Time Training of Latent World Models for Planning under Dynamics Shifts",
   "title_en": "JEPA-TTT: Persistent Test-Time Training of Latent World Models for Planning under Dynamics Shifts",
   "url": "https://arxiv.org/abs/2610.00722",
   "author": "Zheyuan Zhang, Suyu Ye, Nakul Agarwal, Hossein Nourkhiz Mahjoub, Ehsan Moradi Pari, Daniel Khashabi, Tianmin Shu, Vaishnav Tadiparthi",
   "sponsored": false,
   "why": "Świeże, niezależne użycie uczenia w czasie testu, poza obrazami i tekstem.",
   "why_en": "A recent, independent use of test-time training, outside images and text."
  },
  "zhang-l2d-jssp-2020": {
   "id": "zhang-l2d-jssp-2020",
   "title": "Learning to Dispatch for Job Shop Scheduling via Deep Reinforcement Learning",
   "url": "https://arxiv.org/abs/2010.12367",
   "author": "Cong Zhang, Wen Song, Zhiguang Cao, Jie Zhang, Puay Siew Tan, Chi Xu",
   "sponsored": false,
   "why": "Pokazuje, jak uczenie ze wzmocnieniem samo wymyśla reguły kolejności zadań na maszynach.",
   "why_en": "Shows how reinforcement learning invents its own rules for ordering jobs on machines."
  },
  "zhang-llm-fuzz-driver-generation-2024": {
   "id": "zhang-llm-fuzz-driver-generation-2024",
   "title": "How Effective Are They? Exploring Large Language Model Based Fuzz Driver Generation",
   "title_en": "How Effective Are They? Exploring Large Language Model Based Fuzz Driver Generation",
   "url": "https://arxiv.org/abs/2307.12469",
   "author": "Cen Zhang, Yaowen Zheng, Mingqiang Bai, Yeting Li, Wei Ma, Xiaofei Xie, Yuekang Li, Limin Sun, Yang Liu",
   "sponsored": false,
   "why": "Największe badanie tego, jak dobrze modele piszą kod podłączający fuzzer i co poprawia wyniki.",
   "why_en": "The largest study of how well models write fuzzer hook-up code and what improves results."
  },
  "zhao-2023-relation-extraction-survey": {
   "id": "zhao-2023-relation-extraction-survey",
   "title": "A Comprehensive Survey on Relation Extraction: Recent Advances and New Frontiers",
   "title_en": "A Comprehensive Survey on Relation Extraction: Recent Advances and New Frontiers",
   "url": "https://arxiv.org/abs/2306.02051",
   "author": "Xiaoyan Zhao, Yang Deng, Min Yang, Lingzhi Wang, Rui Zhang, Hong Cheng, Wai Lam, Ying Shen, Ruifeng Xu",
   "sponsored": false,
   "why": "Porządkuje sposoby wydobywania z tekstu powiązań typu „kto, z kim, w jakiej relacji”.",
   "why_en": "Organises the ways of pulling 'who relates to whom, and how' out of text."
  },
  "zhao-2024-galore": {
   "id": "zhao-2024-galore",
   "title": "GaLore: Memory-Efficient LLM Training by Gradient Low-Rank Projection",
   "url": "https://arxiv.org/abs/2403.03507",
   "author": "Jiawei Zhao, Zhenyu Zhang, Beidi Chen, Zhangyang Wang, Anima Anandkumar, Yuandong Tian",
   "sponsored": false,
   "why": "Pokazuje, jak trenować wszystkie wagi modelu przy pamięci zbliżonej do oszczędnego dostrajania.",
   "why_en": "Shows how to train all of a model's weights with memory close to lightweight fine-tuning."
  },
  "zhao-dl-machine-health-2016": {
   "id": "zhao-dl-machine-health-2016",
   "title": "Deep Learning and Its Applications to Machine Health Monitoring: A Survey",
   "url": "https://arxiv.org/abs/1612.07640",
   "author": "Rui Zhao, Ruqiang Yan, Zhenghua Chen, Kezhi Mao, Peng Wang, Robert X. Gao",
   "sponsored": false,
   "why": "Przegląd głównych rodzin sieci neuronowych używanych do oceny stanu maszyn z danych czujników.",
   "why_en": "Reviews the main neural network families used to assess machine condition from sensor data."
  },
  "zhao-privilege-transfer-2021": {
   "id": "zhao-privilege-transfer-2021",
   "title": "An Empirical Study on Transfer Learning for Privilege Review",
   "url": "https://arxiv.org/abs/2112.08606",
   "author": "Haozhen Zhao, Shi Ye, Jingchao Yang",
   "sponsored": false,
   "why": "Pokazuje na prawdziwych sprawach, jak dobrze modele wyławiają dokumenty z tajemnicą i gdzie zawodzą.",
   "why_en": "Shows on real matters how well models find privileged documents and where they fail."
  },
  "zhao-udtl-fault-diagnosis-2021": {
   "id": "zhao-udtl-fault-diagnosis-2021",
   "title": "Applications of Unsupervised Deep Transfer Learning to Intelligent Fault Diagnosis: A Survey and Comparative Study",
   "url": "https://arxiv.org/abs/1912.12528",
   "author": "Zhibin Zhao, Qiyang Zhang, Xiaolei Yu, Chuang Sun, Shibin Wang, Ruqiang Yan, Xuefeng Chen",
   "sponsored": false,
   "why": "Porównuje metody przenoszenia modeli diagnostycznych między maszynami i warunkami pracy na wspólnych danych.",
   "why_en": "Compares methods for moving diagnostic models across machines and operating conditions on shared data."
  },
  "zheng-casehold-2021": {
   "id": "zheng-casehold-2021",
   "title": "When Does Pretraining Help? Assessing Self-Supervised Learning for Law and the CaseHOLD Dataset",
   "url": "https://arxiv.org/abs/2104.08671",
   "author": "Lucia Zheng, Neel Guha, Brandon R. Anderson, Peter Henderson, Daniel E. Ho",
   "sponsored": false,
   "why": "Pokazuje, kiedy uczenie modelu na prawie opłaca się, a kiedy prawie nic nie daje.",
   "why_en": "Shows when training a model on law pays off and when it adds almost nothing."
  },
  "zheng-hpe-survey": {
   "id": "zheng-hpe-survey",
   "title": "Deep Learning-Based Human Pose Estimation: A Survey",
   "title_en": "Deep Learning-Based Human Pose Estimation: A Survey",
   "url": "https://arxiv.org/abs/2012.13392",
   "author": "Ce Zheng, Wenhan Wu, Chen Chen, Taojiannan Yang, Sijie Zhu, Ju Shen, Nasser Kehtarnavaz, Mubarak Shah",
   "sponsored": false,
   "why": "Przegląd porówna metody estymacji pozy człowieka, dane, metryki i wyzwania okluzji oraz niejednoznacznej głębi.",
   "why_en": "The review compares human-pose estimation methods, data, metrics and challenges of occlusion and depth ambiguity."
  },
  "zheng-llmjudge-2023": {
   "id": "zheng-llmjudge-2023",
   "title": "Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena",
   "url": "https://arxiv.org/abs/2306.05685",
   "author": "Lianmin Zheng, Wei-Lin Chiang, Ying Sheng, Siyuan Zhuang, Zhanghao Wu, Yonghao Zhuang, Zi Lin, Zhuohan Li, Dacheng Li, Eric P. Xing, Hao Zhang, Joseph E. Gonzalez, Ion Stoica",
   "sponsored": false,
   "why": "Dowiesz się, jak działają trzy tryby sędziego LLM i jakie uprzedzenia zmierzono w praktyce.",
   "why_en": "Learn how the three LLM-judge modes work and which biases were measured in practice."
  },
  "zhong-legalai-survey-2020": {
   "id": "zhong-legalai-survey-2020",
   "title": "How Does NLP Benefit Legal System: A Summary of Legal Artificial Intelligence",
   "url": "https://arxiv.org/abs/2004.12158",
   "author": "Haoxi Zhong, Chaojun Xiao, Cunchao Tu, Tianyang Zhang, Zhiyuan Liu, Maosong Sun",
   "sponsored": false,
   "why": "Pokazuje, jak NLP pomaga w pracy prawniczej i czym różni się podejście prawników od informatyków.",
   "why_en": "Shows how NLP helps legal work and how lawyers' and computer scientists' approaches differ."
  },
  "zhu-2024-multilingual-llm-survey": {
   "id": "zhu-2024-multilingual-llm-survey",
   "title": "Multilingual Large Language Models: A Systematic Survey",
   "title_en": "Multilingual Large Language Models: A Systematic Survey",
   "url": "https://arxiv.org/abs/2411.11072",
   "author": "Shaolin Zhu, Supryadi, Shaoyang Xu, Haoran Sun, Leiyu Pan, Menglong Cui, Jiangcun Du, Renren Jin, António Branco, Deyi Xiong",
   "sponsored": false,
   "why": "Przegląd tego, jak budować i oceniać duże modele językowe działające w wielu językach.",
   "why_en": "An overview of how to build and evaluate large language models that work in many languages."
  },
  "zhu-cyclegan-2017": {
   "id": "zhu-cyclegan-2017",
   "title": "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks",
   "title_en": "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks",
   "url": "https://arxiv.org/abs/1703.10593",
   "author": "Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros",
   "sponsored": false,
   "why": "Zrozumiesz, jak przekładać obrazy między dziedzinami bez par przykładów dzięki stracie cyklu.",
   "why_en": "Understand how to translate images between domains without paired examples using a cycle loss."
  },
  "zhu-dl-meets-sar-2020": {
   "id": "zhu-dl-meets-sar-2020",
   "title": "Deep Learning Meets SAR",
   "url": "https://arxiv.org/abs/2006.10027",
   "author": "Xiao Xiang Zhu, Sina Montazeri, Mohsin Ali, Yuansheng Hua, Yuanyuan Wang, et al.",
   "sponsored": false,
   "why": "Wyjaśnia, czym obrazy radarowe różnią się od zdjęć i jak dostosować do nich sieci.",
   "why_en": "Explains how radar images differ from photos and how to adapt networks to them."
  },
  "zhu-dl-remote-sensing-2017": {
   "id": "zhu-dl-remote-sensing-2017",
   "title": "Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources",
   "url": "https://arxiv.org/abs/1710.03959",
   "author": "Xiao Xiang Zhu, Devis Tuia, Lichao Mou, Gui-Song Xia, Liangpei Zhang, Feng Xu, Friedrich Fraundorfer",
   "sponsored": false,
   "why": "Klasyczny przegląd, jak uczenie głębokie trafiło do teledetekcji i czym różnią się tu dane.",
   "why_en": "A classic review of how deep learning entered remote sensing and why the data differ."
  },
  "zhu-log-parsing-benchmark-2019": {
   "id": "zhu-log-parsing-benchmark-2019",
   "title": "Tools and Benchmarks for Automated Log Parsing",
   "title_en": "Tools and Benchmarks for Automated Log Parsing",
   "url": "https://arxiv.org/abs/1811.03509",
   "author": "Jieming Zhu, Shilin He, Jinyang Liu, Pinjia He, Qi Xie, Zibin Zheng, Michael R. Lyu",
   "sponsored": false,
   "why": "Standardowy punkt wyjścia: porównuje klasyczne parsery logów i udostępnia zbiory, na których można ćwiczyć.",
   "why_en": "The standard starting point: compares classic log parsers and provides datasets to practise on."
  },
  "zou-hybridagents-2026": {
   "id": "zou-hybridagents-2026",
   "title": "Hybrid Reasoning Agents",
   "title_en": "Hybrid Reasoning Agents",
   "url": "https://arxiv.org/abs/2610.18861",
   "author": "Jiaru Zou; Yunzhe Qi; Sirui Chen; Federico Bianchi; Shang Zhu; Pan Lu; Jingrui He; James Zou",
   "sponsored": false,
   "why": "Pierwotne źródło techniki hybrydowego przełączania między myśleniem ukrytym a tekstem dla agentów.",
   "why_en": "Primary source for the hybrid switch between latent thinking and text for agents."
  }
 },
 "redirects": {}
}