Dictionar Termeni IT si Securitate Cibernetica

Deep Learning foloseste retele neuronale cu multiple straturi ascunse (de obicei zeci sau sute) care invata reprezentari ierarhice ale datelor. Pe o sarcina de recunoastere imagini, primele straturi detecteaza muchii si culori, straturile intermediare detecteaza forme si texturi, iar straturile finale recunosc obiecte intregi. Acest principiu de invatare ierarhica este motivul pentru care Deep Learning depaseste algoritmii ML clasici la sarcini complexe cu date nestructurate.

Arhitecturile dominante in 2026 sunt: Convolutional Neural Networks (CNN) pentru imagini, Recurrent Neural Networks si LSTM pentru secvente, si Transformer pentru text si din ce in ce mai mult pentru imagini (Vision Transformers). Antrenarea unui model Deep Learning serios necesita GPU-uri puternice (NVIDIA H100 sau A100) si poate dura zile sau saptamani, motivul pentru care majoritatea companiilor folosesc modele preantrenate plus transfer learning sau fine-tuning.

In enterprise, Deep Learning sta in spatele aproape tuturor serviciilor AI prebuilt: Azure AI Vision pentru OCR si analiza imagini, Azure AI Speech pentru transcriere, Azure AI Language pentru NLP, si Azure OpenAI pentru GPT-4. Companiile rareori antreneaza Deep Learning de la zero, ci consuma serviciile cloud sau fac fine-tuning pe modele existente. Costul antrenarii unui CNN custom pentru classification imagini pe Azure este tipic 50-500 EUR pentru un dataset mediu.

AI nu este o tehnologie unica ci o umbrela peste sub-domenii distincte: Machine Learning (sisteme care invata din date), Deep Learning (retele neuronale cu multe straturi), Computer Vision (interpretare imagini), Natural Language Processing (procesare limbaj), Robotica si sisteme expert. In 2026, cand cineva spune AI in context business, de obicei se refera la Generative AI bazat pe LLM-uri precum GPT-4, Claude sau Gemini.

Distinctia cheie este intre AI ingusta (narrow AI), care rezolva o sarcina specifica precum recunoasterea fetelor sau traducere, si AGI (Artificial General Intelligence), un sistem teoretic cu inteligenta umana generala care nu exista inca. Toate produsele comerciale din 2026, inclusiv ChatGPT si Microsoft Copilot, sunt forme de AI ingusta foarte avansata, nu AGI.

Pentru o organizatie, adoptia AI inseamna tipic trei valuri: 1) AI ca feature in produse existente (Copilot in M365, Intellisense in IDE), 2) AI ca platforma pentru aplicatii custom (Azure OpenAI, Azure Machine Learning), 3) AI ca infrastructura de decizie integrata in ERP, CRM si helpdesk. Bugetul tipic pentru un pilot Azure OpenAI intr-o companie cu 50-200 angajati este intre 5000 si 25000 EUR pe an.

Machine Learning inverseaza paradigma traditionala a programarii. In codul clasic, programatorul scrie reguli si datele intra ca input pentru a produce output. In ML, programatorul ofera datele si output-urile dorite (etichete), iar sistemul invata singur regulile sub forma de parametri intr-un model matematic. Acelasi model antrenat pe milioane de imagini cu pisici si caini va clasifica corect o poza noua fara sa fi vazut-o vreodata.

Fluxul tipic ML are sapte etape: definire problema, colectare date, curatare si pre-procesare, feature engineering, antrenare model, evaluare cu metrici (accuracy, precision, recall) si deployment in productie cu monitoring. Cele trei familii mari sunt Supervised Learning (cu etichete), Unsupervised Learning (fara etichete) si Reinforcement Learning (prin reward). 80% din proiectele ML reale in 2026 sunt supervised classification sau regression.

In ecosistem Microsoft, Azure Machine Learning ofera workspace gestionat pentru tot ciclul ML, de la notebooks pana la endpoint-uri REST pentru predictii. Pentru companii fara echipa de data science, Azure AutoML alege automat algoritmul si features potrivite. Costul tipic Azure ML pentru o echipa de 3-5 data scientists este 800-3000 EUR pe luna, in functie de compute folosit la antrenare.

Transfer Learning rezolva una dintre marile probleme practice ale Deep Learning: nevoia de seturi enorme de date etichetate pentru a antrena un model bun de la zero. Un model preantrenat pe ImageNet, cu 14 milioane de imagini si 20000 categorii, a invatat deja sa recunoasca muchii, forme si texturi generale. Cand vrei sa-l adaptezi sa recunoasca, de exemplu, defecte pe placi electronice, refolosesti straturile inferioare si reantrenezi doar ultimele 1-2 straturi pe cateva sute sau mii de imagini specifice.

In practica, transfer learning are doua variante. Feature extraction inghetneaza tot modelul preantrenat si adauga straturi noi peste, antrenand doar acelea. Fine-tuning permite reantrenarea unora dintre straturile preantrenate cu un learning rate mic. Custom Vision de la Azure si majoritatea framework-urilor enterprise folosesc transfer learning sub capota fara sa fie nevoie sa scrii cod, cerand doar 50-500 imagini per categorie pentru rezultate utilizabile.

In business, transfer learning este motivul pentru care un proiect de Computer Vision care ar fi costat 200000 EUR in 2018 costa azi 5000-15000 EUR. Companiile mici si medii pot acum antrena modele specifice domeniului lor fara echipa de data science, folosind servicii precum Custom Vision, Form Recognizer custom sau fine-tuning pe Azure OpenAI. Pentru NLP specific domeniului (juridic, medical, financiar), fine-tuning pe modele open-source precum Llama 3 a devenit cea mai eficienta cale.

Classification e una dintre cele doua probleme fundamentale supervised, alaturi de regression. Outputul este categoric: o clasa dintr-un set finit. Variantele sunt binary (doua clase: aprobat/respins), multi-class (mai multe clase exclusive: spam/promotional/personal/important) si multi-label (mai multe etichete pot fi adevarate simultan: un articol despre AI si securitate).

Metrici cheie pentru classification: accuracy (procent corect), precision si recall (esentiale pentru clase dezechilibrate), F1 score, AUC-ROC pentru classification binary, si matricea de confuzie pentru a vedea unde greseste modelul. Algoritmi populari: Logistic Regression, Random Forest, Gradient Boosting (XGBoost, LightGBM), Support Vector Machines si Neural Networks. Pentru text, Transformer-uri precum BERT depasesc clar metodele clasice.

In enterprise, classification este peste tot: clasificare automata reclamatii clienti pe departamente, detectie fraude in plati, scoring lead-uri sales, identificare documente confidentiale pentru DLP, triaj tichete IT pe urgente. Costul tipic unui pilot Azure ML pentru classification text custom pe 50000 exemple este 2000-8000 EUR. AutoML reduce timpul de la weeks la days pentru echipe fara expertiza ML.

Clustering analizeaza un set de date si imparte exemplele in grupuri (clustere) astfel incat exemplele dintr-un cluster sa fie similare intre ele si diferite de cele din alte clustere. Notiunea de similaritate este definita matematic prin distanta (Euclidean, cosine, Manhattan) intr-un spatiu de features. Spre deosebire de classification, clustering nu primeste etichete si nu stie ce reprezinta grupurile descoperite.

Algoritmi: K-Means (cel mai folosit, necesita sa precizezi K), DBSCAN (descopera singur numarul de clustere, robust la outliers), Hierarchical Clustering (produce o dendrograma cu clustere imbricate), si HDBSCAN. Cantitatea de clustere optima poate fi estimata cu metoda Elbow sau Silhouette Score. Pentru date cu sute de dimensiuni, este recomandat sa aplici intai PCA sau UMAP pentru reducere dimensiuni, apoi clustering.

In enterprise, clustering apare in segmentare clienti (RFM analysis), gruparea automata a reclamatiilor pe topice, identificare profiluri de utilizatori pentru personalizare, analiza patternuri de trafic in retea, si detectie anomalii (datele care nu se incadreaza in niciun cluster). Pentru retail si telecom, segmentarea clientilor pe baza comportamentului prin K-Means este analiza zilnica clasica.

Regression este a doua problema fundamentala supervised. Spre deosebire de classification care prezice categorii, regression prezice valori numerice continue. Outputul poate fi orice numar real: pretul unei case, numarul de vizite saptamana viitoare, temperatura unui server in urmatoarea ora, sau timpul estimat de livrare al unei comenzi.

Metrici cheie: Mean Absolute Error (MAE, eroare medie absoluta in unitati reale), Mean Squared Error (MSE, penalizeaza erorile mari), Root Mean Squared Error (RMSE, in aceleasi unitati cu target-ul) si R-squared (cat din varianta target-ului este explicata). Algoritmi: Linear Regression si Ridge/Lasso pentru baseline interpretabil, Random Forest si Gradient Boosting pentru putere maxima pe tabular data, si Neural Networks pentru relatii non-liniare complexe.

In enterprise, regression este motorul predictiilor cantitative: forecast vanzari pe categorii de produse, estimare consum energetic in cladiri, predictie demand pentru stocuri, calcul scor risc credit ca probabilitate. Time series forecasting este o ramura specializata cu propriile algoritmi (ARIMA, Prophet, NeuralProphet, Temporal Fusion Transformer). Azure ML AutoML detecteaza automat ca problema este regression si selecteaza algoritmii potriviti.

Reinforcement Learning (RL) modeleaza problema ca un agent care interactioneaza cu un mediu prin actiuni si primeste feedback sub forma de reward (pozitiv) sau penalty (negativ). Obiectivul agentului este sa maximizeze recompensa cumulativa pe termen lung, descoperind politici (policy) optime prin trial-and-error. Spre deosebire de Supervised Learning, RL nu primeste raspunsul corect ci doar un semnal de calitate al actiunilor sale.

Algoritmi cunoscuti: Q-Learning, Deep Q-Networks (DQN), Policy Gradient, Actor-Critic si PPO (Proximal Policy Optimization). RL a devenit faimos prin AlphaGo, care a invins campionii mondiali la Go, si DeepMind StarCraft II. In 2026, cea mai importanta aplicatie comerciala a RL este RLHF (Reinforcement Learning from Human Feedback), tehnica folosita la antrenarea GPT-4 si Claude pentru a-i face sa raspunda intr-un mod util si sigur.

In enterprise, RL este folosit relativ rar comparativ cu ML supervised, deoarece necesita un mediu simulabil sau experimentare in productie costisitoare. Apare in: optimizare retele de telecom, robotica, recomandari produse cu A/B testing automat, trading algoritmic, si tuning automat al sistemelor (load balancing, energy management). Pentru companii medii in Romania, RL este de obicei o tehnologie de cercetare, nu un instrument zilnic.

In Supervised Learning, dataset-ul de antrenare contine perechi (input, output) unde output-ul este eticheta corecta. Modelul ajusteaza progresiv parametrii pentru a minimiza diferenta intre predictiile sale si etichetele reale, folosind functii de cost precum cross-entropy pentru classification sau mean squared error pentru regression. Dupa antrenare, modelul poate prezice eticheta pentru date noi pe care nu le-a vazut.

Supervised Learning acopera 75-80% din proiectele ML enterprise in 2026 deoarece majoritatea problemelor de business sunt formulate ca predictie: spam sau nu, factura aprobata sau respinsa, client va pleca sau nu, ce valoare va avea o casa. Algoritmi populari: Logistic Regression, Decision Trees, Random Forest, Gradient Boosting (XGBoost, LightGBM, CatBoost) si Neural Networks. Pentru tabular data, ensemble methods precum XGBoost depasesc adesea deep learning.

Limitarea principala este nevoia de date etichetate, care necesita timp si bani pentru a fi create. O regula empirica: ai nevoie de minim 1000 exemple pe categorie pentru classification serioasa, ideal 10000+. Cand etichetarea manuala este prea costisitoare, alternativele sunt semi-supervised learning, active learning sau folosirea LLM-urilor pentru a genera etichete sintetice. Pe Azure ML, costul tipic pentru un proiect supervised end-to-end este 3000-15000 EUR plus efortul de etichetare.

Spre deosebire de Supervised, in Unsupervised nu exista raspunsuri corecte de invatat. Algoritmul primeste doar inputurile si trebuie sa descopere singur structura ascunsa: grupuri (clustering), reprezentari compacte (dimensionality reduction precum PCA si t-SNE), reguli de asociere (cosul tipic de cumparaturi). Acest paradigma este utila cand etichetarea manuala este imposibila sau cand nu stii ce cauti.

Algoritmii cei mai folositi sunt K-Means si DBSCAN pentru clustering, PCA si UMAP pentru reducere dimensiuni, si Apriori sau FP-Growth pentru reguli de asociere. In 2026, autoencoderele si modelele de embedding au devenit cele mai utile reprezentari unsupervised pentru text si imagini. Embedding-urile produse de modele precum text-embedding-3-large stau la baza cautarii semantice si a sistemelor RAG.

In enterprise, unsupervised learning apare in segmentare clienti pentru marketing, detectie anomalii in trafic de retea sau plati cu carduri, analiza topicelor in reviews clienti, si compresia datelor inainte de a le da unui model supervised. Combinatia tipica este unsupervised pentru explorare initiala plus supervised pentru predictia finala. Avantaj cheie: nu necesita etichetare costisitoare, scalandu-se direct la milioane de inregistrari.

Feature Engineering transforma datele brute (timestamps, text, ID-uri, valori categorice) in variabile numerice care surprind informatia utila pentru model. Exemple: din timestamp extragi ziua saptamanii, ora din zi, weekend sau workday; din adresa extragi orasul si codul postal; dintr-un text extragi lungimea, numarul de cuvinte cheie, sentiment score. O regula empirica veche dar valabila: feature engineering bun bate aproape intotdeauna un algoritm mai sofisticat pe acelasi set de date.

Tehnici comune: one-hot encoding pentru variabile categorice cu putine valori, target encoding pentru cele cu multe valori, normalizare si standardizare pentru valori numerice cu scale diferite, binning pentru valori continue, log transform pentru distributii skewed, si crearea de features de interactiune (raport, produs, diferenta intre coloane existente). Pentru timpuri si datete, feature-uri lag si rolling means sunt esentiale in forecast.

In 2026, Deep Learning a redus importanta feature engineering pentru imagini si text (modelele invata reprezentari singure), dar pentru tabular data feature engineering ramane critic. Tools precum Featuretools si Azure ML Designer automatizeaza partial procesul. Un proiect tipic ML aloca 40-60% din timp curatarii datelor si feature engineering-ului, restul fiind training si deployment.

Un Neural Network contine straturi de noduri (neuroni) conectate prin ponderi (weights). Fiecare neuron primeste valorile de la straturile anterioare, le inmulteste cu ponderile sale, aduna un bias si aplica o functie de activare non-liniara (ReLU, sigmoid, tanh). Reteaua invata ajustand ponderile prin backpropagation, un algoritm care propaga eroarea de la stratul de output spre intrare si actualizeaza ponderile in directia care reduce eroarea.

Arhitecturile cele mai cunoscute: Multi-Layer Perceptron (MLP, baza pentru tabular), Convolutional Neural Networks (CNN, pentru imagini), Recurrent Neural Networks si LSTM (pentru secvente), si Transformer (pentru text si din ce in ce mai mult pentru tot). Antrenarea unei retele moderne necesita GPU-uri si framework-uri precum PyTorch (cel mai folosit in 2026) sau TensorFlow. Modelele mari pot avea miliarde sau trilioane de parametri.

In enterprise, neural networks stau in spatele aproape tuturor serviciilor AI cloud: Azure AI Vision, Azure AI Speech, Azure AI Language si Azure OpenAI. Companiile rareori antreneaza retele de la zero, ci consuma servicii cloud, fac transfer learning pe modele existente sau folosesc AutoML. Pentru tabular data, gradient boosting (XGBoost) inca depaseste deseori neural networks la cost mult mai mic.

Arhitectura Transformer a fost introdusa de Google in 2017 in lucrarea Attention Is All You Need, inlocuind RNN-urile si LSTM-urile pentru sarcini de procesare a secventelor. Inovatia centrala este self-attention, un mecanism prin care fiecare token din secventa poate sa atinga direct orice alt token si sa invete relatii intre ele. Spre deosebire de RNN care procesa secvential, Transformer proceseaza paralel toata secventa, fiind dramatic mai rapid pe GPU.

Doua variante mari de Transformer: encoder-only (BERT, RoBERTa) pentru understanding text, decoder-only (GPT, Claude, Llama) pentru generative text, si encoder-decoder (T5, BART) pentru sarcini sequence-to-sequence precum traducere. Toate Large Language Models comerciale in 2026 (GPT-4, Claude, Gemini, Llama) sunt arhitecturi decoder-only Transformer scalate la sute de miliarde de parametri.

In enterprise, Transformer este abstract si invizibil pentru utilizator dar este motorul din spatele Azure OpenAI, Azure AI Language si Microsoft Copilot. Pentru companii care vor sa-si construiasca solutii AI custom, folosesc tipic modele Transformer preantrenate accesibile via Hugging Face si fac fine-tuning sau RAG. Costul antrenarii unui Transformer de la zero la scara GPT-4 depaseste 100 milioane USD, motivul pentru care companiile rareori antreneaza modele proprii.

Accuracy se calculeaza ca (predictii corecte) impartit la (total predictii) si este cea mai intuitiva metrica pentru classification. Daca un model are accuracy 95%, inseamna ca a clasificat corect 95 din 100 de exemple de test. Este metrica preferata cand toate clasele sunt echilibrate ca frecventa si cand toate erorile au cost similar.

Problema majora apare cu date dezechilibrate. Daca 99% din tranzactiile bancare sunt legitime si 1% sunt fraude, un model care prezice intotdeauna legitim are accuracy 99% dar este complet inutil. Pentru astfel de probleme se folosesc precision, recall, F1 score, AUC-ROC sau matricea de confuzie. Accuracy ramane utila ca metrica de raportare catre management, dar nu ca metrica de optimizare.

In proiectele enterprise reale, este obligatoriu sa raportezi multiple metrici simultan si sa intelegi distributia claselor. Azure ML afiseaza automat toate metricile relevante in dashboard-ul de evaluare. Un benchmark sanatos: pentru classification binary echilibrata, accuracy peste 90% este buna, peste 95% excelenta. Pentru NLP complex sau imagini, depinde mult de domeniu - un classifier medical poate fi util si la 80% daca depaseste medicii.

F1 Score combina precision si recall intr-un singur numar prin media armonica: F1 = 2 * (precision * recall) / (precision + recall). Spre deosebire de media aritmetica, media armonica penalizeaza puternic dezechilibrul. Un model cu precision 100% si recall 0% are F1 = 0, nu 50%. Pentru ca F1 sa fie mare, ambele metrici trebuie sa fie bune.

F1 Score este preferatul cand vrei un singur numar pentru comparatie modele si cand precision si recall sunt aproximativ la fel de importante. Exista si variante ponderate: F-beta unde beta mai mare de 1 favorizeaza recall si beta mai mic de 1 favorizeaza precision (F2 este folosit cand recall conteaza mai mult, F0.5 cand precision conteaza mai mult).

In enterprise ML, F1 este metrica de optimizare cea mai folosita pentru classification binary cu clase dezechilibrate. Pentru multi-class, se folosesc variantele macro-F1 (media simpla pe clase, fiecare clasa conteaza la fel) sau weighted-F1 (ponderat pe frecventa clasei). Azure ML AutoML afiseaza automat aceste variante. Pentru raportare catre business, F1 este insotit intotdeauna de precision si recall pentru a explica trade-off-ul.

Overfitting este problema cea mai comuna in ML. Apare cand un model este prea complex pentru cantitatea de date disponibile si invata atat semnalul cat si zgomotul din setul de training. Simptom tipic: accuracy 99% pe training si 70% pe test. Modelul a memorat exemple specifice in loc sa generalizeze patternul subiacent.

Cauze frecvente: prea putine date pentru complexitatea modelului, prea multe features irelevante, prea multe epoci de training pe Deep Learning, sau lipsa regularizarii. Solutii: mai multe date sau data augmentation, simplificarea arhitecturii, regularizare L1 sau L2, dropout in Neural Networks, early stopping pe validation loss, si cross-validation. Pentru tabular ML, ensemble methods precum Random Forest si XGBoost au regularizare incorporata.

In enterprise, overfitting este detectat prin separarea stricta a datelor in train/validation/test (tipic 70/15/15) si monitorizarea performantei pe test la final. Cross-validation cu k=5 sau k=10 este standardul. Un model deployed in productie trebuie monitorizat pentru data drift (datele reale se schimba in timp) si concept drift (relatia input-output se schimba). Azure ML ofera monitoring automat pentru aceste fenomene cu alerte cand performanta scade.

Precision se calculeaza ca True Positives impartit la (True Positives plus False Positives). Cu alte cuvinte, din toate cazurile pe care modelul le-a prezis ca fiind pozitive, ce procent sunt cu adevarat pozitive. Precision mare inseamna ca atunci cand modelul spune da, ai mare incredere ca raspunsul este corect.

Precision este metrica critica cand False Positives (alarme false) sunt costisitoare. Exemple: filtru de spam unde un email important marcat gresit ca spam este catastrofal; detectie cancer in imagistica unde diagnoz fals pozitiv duce la biopsii invazive; sistem de fraude care blocheaza tranzactii legitime si pierde clienti. In aceste cazuri preferi sa ratezi unele cazuri reale (recall mai mic) dar sa fii sigur pe alarmele pe care le ridici.

In enterprise, precision se raporteaza intotdeauna alaturi de recall, deoarece exista un trade-off: poti creste precision crescand pragul de decizie, dar pierzi recall. F1 Score combina cele doua intr-o metrica unica. Azure ML afiseaza grafic curba precision-recall pentru a alege pragul optim. Pentru o aplicatie business, alegerea pragului este o decizie de business (cat de costisitoare e o eroare), nu doar tehnica.

Recall (numit si sensitivity sau true positive rate) se calculeaza ca True Positives impartit la (True Positives plus False Negatives). Reprezinta procentul cazurilor pozitive reale pe care modelul le-a gasit. Recall mare inseamna ca modelul nu rateaza cazuri reale.

Recall este metrica critica cand False Negatives (cazuri ratate) sunt periculoase. Exemple: detectie cancer unde a rata un caz real costa o viata; detectie intruziuni in retea unde a rata un atac duce la breach; classification de continut periculos unde a lasa sa treaca este inacceptabil; detectie fraude unde fiecare frauda ratata costa direct. In aceste cazuri accepti mai multe alarme false (precision mai mic) pentru a nu rata nimic.

In practica, balansul intre precision si recall depinde de costul fiecarui tip de eroare. Pentru un sistem de detectie atacuri ransomware, recall 99.9% este preferat chiar cu precision 70% (o alarma falsa pe zi e tolerabila, dar a rata un atac real este fatal). Azure ML permite ajustarea pragului de decizie post-training pentru a optimiza recall sau precision in functie de cerinte. F1 Score este combinatia echilibrata folosita ca default.

AutoML automatizeaza partile cele mai consumatoare de timp din ML: alegerea algoritmului, feature engineering automat, hyperparameter tuning si ensemble building. Utilizatorul incarca datele, alege coloana target si tipul problemei (classification, regression sau forecasting), iar AutoML ruleaza zeci sau sute de experimente cu algoritmi diferiti si combinatii de hyperparametri pentru a gasi cel mai bun model.

Azure AutoML testeaza algoritmi precum LightGBM, XGBoost, Random Forest, Logistic Regression, SVM si Neural Networks. Pentru tabular data, AutoML gaseste tipic in 30-120 minute un model cu performanta in top 10% fata de un data scientist senior. Pentru forecasting time series, suporta Prophet, ARIMA, Temporal Fusion Transformer si DeepAR. Pretul este compute-ul folosit, tipic 50-500 EUR pentru un experiment AutoML mediu.

In enterprise, AutoML este perfect pentru proiecte tactice: echipa business stie problema dar nu are data scientist. Cazuri tipice: predictie churn pe 50000 clienti, forecast vanzari pe SKU, scoring lead-uri sales, identificare reclamatii prioritare. Limitari: AutoML nu rezolva probleme cu date murdare sau slab definite, si pentru cazuri foarte complexe (deep learning custom, NLP specializat) este nevoie de data scientist.

Azure Machine Learning (AML) este workspace-ul gestionat Microsoft pentru ML enterprise. Ofera: notebooks gestionate cu compute scalabil, AutoML pentru proiecte rapide, Designer pentru pipeline-uri vizuale, training distribuit pe clustere GPU, model registry cu versioning, deployment ca endpoint REST sau batch, si monitoring continuu pentru data drift si model degradation.

AML se integreaza nativ cu Azure DevOps si GitHub Actions pentru MLOps complet (CI/CD pentru modele). Suporta framework-uri populare: scikit-learn, PyTorch, TensorFlow, XGBoost, Hugging Face Transformers. Pretul tipic in 2026: compute training pe Standard_NC6s_v3 (NVIDIA V100) este aproximativ 3 EUR pe ora, iar inference endpoint Standard_DS3_v2 este 0.30 EUR pe ora. Pentru o echipa medie, bugetul lunar este 800-3000 EUR.

In enterprise, AML este alegerea naturala pentru companii deja in ecosistem Azure si M365. Pentru un proiect tipic in Romania (predictie churn telecom, recomandari retail, scoring credit), AML acopera tot ciclul fara sa fie nevoie de stack open-source custom. Pentru Generative AI specific (RAG, chatbots), AML se combina cu Azure OpenAI si Azure AI Search prin Azure AI Foundry.

Azure ML Designer ofera un canvas vizual unde tragi si plasezi module pentru fiecare etapa: import date, curatare, transformari, antrenare model, evaluare, scoring. Modulele sunt prebuilt si configurabile prin formulare, fara cod. Pipeline-ul final poate fi publicat ca endpoint REST sau rulat batch pe date noi.

Designer este potrivit pentru: analisti business care inteleg datele dar nu programeaza, prototipare rapida pentru pilot proiecte, educatie si demo-uri ML, sau ca first draft inainte de implementare in cod. Suporta toate problemele clasice ML: classification, regression, clustering, time series. Componentele complexe (custom Python sau R) pot fi adaugate ca module pentru cazurile in care drag-and-drop nu este suficient.

In enterprise, Designer este mai putin folosit decat AutoML sau notebooks Python, dar este valoros pentru organizatii care vor sa democratizeze ML catre echipe non-tehnice. Mai potrivit pentru sesiuni de modelare colaborativa unde un data scientist si un business analyst lucreaza impreuna. Cu venirea generative AI si AutoML, Designer si-a pierdut din popularitate, dar ramane in stack-ul Azure ML pentru utilizatori care prefera vizual peste cod.

Azure AI Face ofera trei capabilitati principale: detection (gaseste fete si extrage atribute precum varsta aproximativa, gen, ochelari, masca, expresie), verification (1:1, confirma daca doua fete apartin aceleiasi persoane), si identification (1:N, gaseste persoana intr-o baza de date inregistrata anterior). Toate folosesc Deep Learning antrenat pe milioane de imagini, cu acuratete peste 99% pe perechi 1:1 in conditii bune.

Din Iunie 2022, Microsoft a restrictionat puternic accesul la features Face: identification, verification si attributes sunt Limited Access, necesitand aplicatie aprobata cu justificare business si politica de utilizare. Detection ramane open. Acest pas a fost facut ca raspuns la abuzurile globale ale recognition facial (supraveghere de masa, profilare). Pentru entitati guvernamentale, regulile sunt si mai stricte.

In enterprise romanesc, utilizarile legale tipice sunt: KYC bancar (verificare 1:1 client cu poza din buletin), access control la birou cu acordul angajatilor, dezablocare biometrica in aplicatii mobile. Atentie maxima la GDPR: datele biometrice sunt categorie speciala in art 9, necesita consimtamant explicit sau alt temei legal, DPIA obligatoriu, si stocare minima. Identificarea in spatii publice fara consimtamant este ilegala in UE conform AI Act 2024.

Azure AI Vision (cunoscut anterior ca Computer Vision API) ofera capabilitati prebuilt accesibile prin REST API sau SDK. Cele mai folosite: Image Analysis (tag-uri, descriere in limbaj natural, categorii, brands, obiecte, text, fete, adult content), Read API pentru OCR cu suport pentru 164 limbi, Spatial Analysis pentru video, si Image Retrieval pentru cautare semantica peste cataloage de imagini.

Integrarea este simpla: API key plus endpoint, transmiti imaginea (URL sau binary), primesti JSON cu rezultatele. Pretul in 2026: 1 USD per 1000 tranzactii pentru analiza basic, 1.50 USD per 1000 pentru OCR Read API, 30 USD pe ora pentru video Spatial Analysis. Pentru volume mari (peste 1 milion tranzactii pe luna) sunt disponibile reduceri commitment-based de 30-50%.

In enterprise, Azure AI Vision este alegerea standard pentru cazuri unde modelele preantrenate sunt suficiente: OCR pe facturi standardizate, gathering metadata pentru biblioteci de imagini, moderare continut user-generated, accessibility (descrieri imagini pentru screen readers). Pentru cazuri cu specificitate (ex. defecte specifice fabricii tale), Custom Vision sau modele Deep Learning antrenate intern sunt mai potrivite. Limita majora: serviciile prebuilt nu se pot fine-tuna pentru domeniul tau, doar consuma ce ofera Microsoft.

Computer Vision rezolva sarcini precum: classification imagini (ce este in imagine), object detection (unde si cate obiecte sunt), segmentation (ce pixeli apartin fiecarui obiect), face recognition, OCR (extragere text), si video understanding. Tehnologia dominanta in 2026 este Deep Learning, in special Convolutional Neural Networks si Vision Transformers, antrenate pe milioane de imagini etichetate precum ImageNet, COCO sau OpenImages.

In Azure, Computer Vision este expus ca: Azure AI Vision (servicii prebuilt pentru tag-uri, descrieri, OCR), Custom Vision (training propriu prin transfer learning), Form Recognizer si Document Intelligence (extragere date din documente), si Azure AI Face (detectie si verificare fete cu restrictii GDPR). Costuri tipice: Azure AI Vision Read API este 1.50 USD per 1000 imagini, Custom Vision training este 20 USD pe ora compute si predictia 2 USD per 1000 predictii.

In enterprise romanesc, Computer Vision este folosit pentru: clasificare automata defecte pe linii de productie, OCR pentru facturi si chitante (incarcare automata in ERP), recunoastere placute auto pentru access control, supraveghere video inteligenta cu detectie evenimente, si verificare identitate la onboarding (KYC). Adoptia a crescut puternic 2024-2026 pe masura ce serviciile cloud au facut tehnologia accesibila fara nevoie de echipa de ML.

Custom Vision foloseste transfer learning sub capota pentru a antrena rapid modele pe seturi mici de date specifice. Utilizatorul incarca imagini (50-500 per categorie pentru rezultate utilizabile), eticheteaza manual sau prin bulk import, apoi click pe Train si dupa cateva minute are un model functional. Suporta clasificare multi-class (o eticheta per imagine) si object detection (bounding boxes pentru obiecte multiple).

Pretul tipic in 2026: 20 USD per ora de training (un model mediu se antreneaza in 20-30 minute), 2 USD per 1000 predictii pentru endpoint. Modelele pot fi exportate ca ONNX, TensorFlow Lite, CoreML sau container Docker pentru rulare on-premise sau pe edge devices. Suporta hardware-uri specializate precum Azure Stack Edge si dispozitive industriale pentru manufacturing.

In enterprise, Custom Vision este perfect pentru: defecte de productie pe linia ta specifica (zgarieturi pe baterii, sudura defectuoasa, ambalaj deformat), classification produse pentru retail si stock counting, identificare echipament de protectie (casca, vesta) pe santiere, sau categorisere imagini specifice domeniului. Limita: nu este potrivit pentru sarcini foarte complexe (segmentation fina, video analytics avansat) sau pentru volume foarte mari unde un model custom antrenat in Azure ML este mai eficient.

Document Intelligence (rebranduit din Form Recognizer in 2023) este nivelul peste OCR clasic. In loc sa returneze text liber, intelege structura documentului si extrage campuri tipuri: numar factura, data, suma totala, TVA, vendor, line items. Are doua moduri: prebuilt (modele Microsoft pentru tipuri comune precum factura, chitanta, ID card, business card, contract) si custom (antrenezi pe formularele tale specifice).

Prebuilt models acopera tipuri internationale: invoice (acces multilang), receipt, ID document, business card, W-2 (USA), 1098 (USA), si layout generic care extrage tabele si key-value pairs. Custom models necesita doar 5 documente pentru training, gandit pentru companii cu formulare proprii (cereri concediu, comenzi standardizate, contracte template). Pretul 2026: 10 USD per 1000 pagini pentru prebuilt, 50 USD per 1000 pentru custom, 30 USD per 1000 pentru layout.

In enterprise romanesc, Document Intelligence este motorul automatizarii contabile: facturi furnizori directe in ERP fara introducere manuala, expense reports cu chitante extrase automat, contracte HR cu campuri completate in HRMS, formulare cereri credit in core banking. ROI tipic: o companie cu 5000 facturi pe luna economiseste 80-120 ore pe luna prin automatizare, recuperand investitia in 3-6 luni.

OCR (Optical Character Recognition) converteste text vizual in text digital editabil si cautabil. Evolutie istorica: OCR clasic bazat pe template matching (ABBYY FineReader, Tesseract) functioneaza bine pe text imprimat curat dar esueaza pe scris de mana sau imagini de slaba calitate. OCR modern bazat pe Deep Learning (Azure AI Vision Read API, Google Cloud Vision, AWS Textract) functioneaza pe scris de mana, documente inclinate, imagini de telefon, si suporta 164 de limbi inclusiv romana cu diacritice.

Azure AI Vision Read API este OCR-ul Microsoft modern, optimizat pentru documente lungi si complex. Pretul: 1.50 USD per 1000 pagini. Suporta atat text imprimat (printed) cat si scris de mana (handwriting), returnand structura cu boxes pentru fiecare cuvant si linie. Pentru documente structurate (facturi, formulare, chitante) este preferat Document Intelligence (fostul Form Recognizer) care extrage si campuri tipuri (data, suma, vendor), nu doar text.

In enterprise, OCR este motorul digitalizarii: incarcare automata facturi furnizori in ERP, extragere date din contracte legale, procesare documente HR (CV-uri, contracte de munca), digitalizare arhive vechi, si automatizare workflow-uri pe documente. Pentru companii cu 1000+ facturi pe luna, OCR automat reduce timpul de procesare de la zile la minute si elimina erorile de introducere manuala.

Azure AI Language (cunoscut anterior ca Text Analytics) consolideaza intr-un singur serviciu mai multe capabilitati NLP prebuilt: Sentiment Analysis (pozitiv, negativ, neutru, mixt cu scoruri), Named Entity Recognition (persoane, locatii, organizatii, date, valori), Key Phrase Extraction, Language Detection (peste 120 limbi), PII Detection (identificare automate date personale pentru GDPR), Summarization (extractiva si abstractiva), si Custom Text Classification.

Pretul tipic in 2026: 2 USD per 1000 tranzactii pentru capabilitati standard, 25 USD per 1000 tranzactii pentru custom models. Suport pentru romana este complet la sentiment, NER si key phrases. Integrare via REST API sau SDK Python/.NET/Java. Pentru cazuri custom (clasificare email-uri pe departamente specifice, extragere entitati de domeniu), suporta training prin Language Studio cu interfata UI.

In enterprise romanesc, Azure AI Language este alegerea naturala pentru: analiza feedback clienti pe canale multiple, clasificare automata tichete IT, monitorizare brand reputation pe social media, screening CV-uri si oferte de munca, detectare automata date personale in documente (pentru GDPR si DLP). Comparativ cu Azure OpenAI: Language este mai ieftin si mai rapid pentru sarcini fixe, OpenAI este mai flexibil dar mai scump pentru sarcini complexe sau care necesita rationament.

Azure AI Translator ofera traducere automata prin Neural Machine Translation pentru peste 130 limbi, inclusiv romana cu calitate excelenta in ambele directii. Capabilitati: Text Translation (real-time pe stringuri), Document Translation (mentine formatarea documentelor Word, PDF, HTML, Excel), Custom Translator (fine-tuning pe terminologia specifica domeniului tau), si Conversation Translator pentru traduceri in timp real intre vorbitori multipli.

Pretul 2026: 10 USD per 1 milion caractere pentru Text Translation, 15 USD per 1 milion caractere pentru Document Translation, 40 USD per 1 milion caractere pentru Custom Translator. Pentru un sediu cu 50 angajati care folosesc Translator zilnic, bugetul tipic este 50-200 EUR pe luna. Custom Translator necesita 10000+ perechi de propozitii bilingve pentru training rezonabil.

In enterprise, Translator este folosit pentru: localizare automata continut marketing si support, traducere documentatie tehnica si manuale, internal communication pentru companii multinationale, support multilingv prin chatbot cu traducere live, transcriere si traducere meetings Teams. Pentru terminologie sensibila (juridic, medical), Custom Translator antrenat pe corpusul intern ofera consistenta mult superioara fata de translator generic.

NER analizeaza text liber si identifica spans care reprezinta entitati, clasificandu-le pe categorii. Categoriile standard: Person, Organization, Location, DateTime, Quantity, Money, Percentage, Email, URL, Phone Number, IP Address. NER avansat suporta entitati custom pentru un domeniu specific (cazuri legale, medicamente, terminologie tehnica).

Azure AI Language NER prebuilt suporta romana cu peste 30 tipuri de entitati. Pentru cazuri custom, Custom NER prin Language Studio permite training pe 50-200 documente anotate. PII Detection este o varianta specializata care identifica datele personale (CNP, IBAN, email, telefon, adresa) pentru conformitate GDPR si DLP automat. Pretul tipic: 2 USD per 1000 tranzactii prebuilt, 25 USD per 1000 pentru custom NER.

In enterprise, NER este folosit pentru: identificare automata date personale in documente pentru rapoarte GDPR, extragere clauze si parti din contracte legale, anonimizare documente inainte de share intern, knowledge graph construction din corpusuri mari, si analiza presa pentru mentionari brand sau competitori. Combinat cu OCR, NER transforma documente scanate in date structurate utile in ERP, CRM si BI.

NLP acopera sarcini precum: tokenization (impartirea textului in unitati), POS tagging (gramatical), parsing sintactic, named entity recognition (extragere persoane, locatii, date), sentiment analysis, summarization, machine translation, question answering, si generare text. Evolutie: din anii 90 pana 2017 dominate de metode statistice (n-grams, TF-IDF, HMM, CRF), apoi Word Embeddings (Word2Vec, GloVe), apoi Transformer (BERT, GPT) care a schimbat tot domeniul.

In 2026, NLP enterprise este dominat de doua tipuri de solutii. Servicii prebuilt precum Azure AI Language ofera capabilitati prefacute pentru sentiment, entitati, summarization, key phrases, language detection. Modele generative precum GPT-4, Claude si Gemini accesibile via Azure OpenAI ofera flexibilitate maxima prin prompt engineering: orice sarcina NLP poate fi rezolvata cu prompts potrivite, fara training custom.

In romaneste, NLP modern functioneaza foarte bine pentru engleza si rezonabil pentru romana. Azure AI Language are suport oficial pentru romana cu sentiment si NER. Azure OpenAI suporta romana excelent prin GPT-4 si GPT-4o pentru orice sarcina NLP. Pentru cazuri specifice (juridic romanesc, medical romanesc), fine-tuning pe modele preantrenate este recomandat. Costuri tipice: Azure AI Language 2 EUR per 1000 tranzactii, Azure OpenAI 30 EUR per milion tokeni input GPT-4.

Sentiment Analysis primeste text si returneaza tonalitatea emotionala plus scoruri numerice de confidence pentru fiecare categorie. Variantele: document-level (un scor pe tot textul), sentence-level (scor per propozitie), aspect-based (sentiment per aspect specific al unui produs, ex preto si calitate vorbite separat). Azure AI Language ofera toate cele trei.

Utila in 2026 pentru analiza la scara mare a feedback clientilor. Avantajul fata de citirea manuala: poti procesa milioane de mentiuni in minute si poti trasa tendintele in timp. Limitari: sarcasmul si ironia raman dificile, contextul cultural conteaza mult, si pentru domenii specifice (medical, juridic) sentiment generic poate fi inselator. Pentru cazuri sensibile, fine-tuning pe date interne sau folosirea unui LLM via prompt engineering ofera precizie mai buna.

In enterprise romanesc, sentiment analysis este folosit pentru: voice of customer programs (analiza review-uri Google, Trustpilot, Forum, social media), CSAT si NPS automat pe tichete suport, monitorizare brand pe presa si bloguri, analiza feedback intern angajati (survey-uri anonime). Pentru retail mare, sentiment analysis pe milioane de review-uri identifica produse cu probleme inainte ca PR-ul negativ sa creasca.

Azure AI Speech consolideaza intr-un singur serviciu: Speech to Text (transcriere audio in text, real-time si batch), Text to Speech (sinteza voce cu peste 400 voci neuronale in 140 limbi), Speech Translation (traducere directa voce-la-voce), si Custom Voice (crearea unei voci sintetice unice pentru brand sau persona). Calitate exceptionala pentru engleza si buna pentru romana cu suport pentru diacritice in TTS.

Pretul 2026: Speech to Text Standard 1 EUR per ora audio, Custom Speech 1.40 EUR per ora, Text to Speech Neural 16 EUR per 1 milion caractere, Custom Voice 24 EUR per 1 milion caractere. Pentru transcriere meetings de 10 ore pe zi (200 ore pe luna), costul tipic este 200-400 EUR pe luna. Speech Recognition real-time este integrat in Teams pentru transcrieri si captioning automat.

In enterprise, Azure AI Speech este folosit pentru: transcriere automata call center pentru analiza calitate si compliance, captioning videoclipuri pentru accessibility, voice IVR inteligenta pentru telefonie, dictation tools pentru medici si avocati, voice bots pentru servicii clienti telefonice, si traducere live in meetings Teams multinationale. In Romania, calitatea pentru romana este buna dar nu egala cu engleza, recomandandu-se Custom Speech antrenat pe vocabularul specific al companiei pentru rezultate optime.

Azure OpenAI este parteneriatul Microsoft cu OpenAI care aduce modelele GPT-4, GPT-4o, DALL-E 3, Whisper, si modelele de embedding text-embedding-3 in infrastructura Azure cu garantii enterprise. Diferentele cheie fata de API-ul OpenAI direct: izolare regionala (datele raman in regiunea Azure aleasa, ex West Europe), zero retention pentru training extern, network isolation prin Private Endpoints, identity prin Entra ID, audit complet, si compliance ISO 27001 / SOC2 / HIPAA / FedRAMP / GDPR.

Deployment este cu Provisioned Throughput Units (PTU) pentru cazuri enterprise cu trafic predictibil, sau Pay-as-you-go pentru variabil. Preturi tipice 2026 Pay-as-you-go in West Europe: GPT-4o 5 USD input si 15 USD output per 1M tokens, GPT-4o mini 0.15 USD input si 0.60 USD output, text-embedding-3-large 0.13 USD per 1M tokens. Pentru o aplicatie chatbot enterprise cu 1000 conversatii pe zi medie de 2000 tokens, costul lunar este 200-800 EUR.

In enterprise romanesc, Azure OpenAI este alegerea standard pentru organizatii cu cerinte de compliance: bancile, NIS2-entitati, sectorul public, sanatate. Permite construirea de chatbots peste Azure AI Search pentru RAG, integrare in Power Platform si Logic Apps, embedded in aplicatii custom .NET sau Python. Avantajul fata de ChatGPT Enterprise: control total al datelor si integrare in stack-ul Microsoft existent (M365, Entra ID, Purview, Sentinel).

Un embedding este un vector de numere reale (tipic 1536 sau 3072 dimensiuni) care reprezinta semnificatia semantica a unui text. Textele cu sens similar produc vectori apropiati in spatiul embedding-urilor (distanta cosinus mica), permitand cautari bazate pe sens, nu doar pe cuvinte exacte. De exemplu, automobil si masina au embedding-uri foarte apropiate, chiar daca nu impart cuvinte.

Modele dominante in 2026: text-embedding-3-large de la OpenAI (3072 dimensiuni, calitate top), text-embedding-3-small (1536 dimensiuni, mai rapid si ieftin), si modele open-source precum BGE si E5. Embedding-urile se stocheaza in baze de date vectoriale: Azure AI Search (cu vector search nativ), Pinecone, Weaviate, Qdrant, Milvus, sau pgvector pentru PostgreSQL. Cautarea returneaza top-K vectori similari prin algoritmi de Approximate Nearest Neighbor (HNSW, IVF).

In enterprise, embedding-urile sunt componenta tehnica centrala in aplicatii RAG: documente sunt chunkate, fiecare chunk este convertit in embedding si stocat in vector DB, iar la query timpul intrebarea utilizatorului este convertita in embedding si se cauta cele mai apropiate chunks pentru a fi pasate ca context LLM-ului. Costul tipic: text-embedding-3-large 0.13 USD per 1M tokens, baza de date vectoriala Azure AI Search Standard tier 250 EUR pe luna. Pentru o aplicatie RAG cu 50000 documente, costul total embedding plus storage este 1000-3000 EUR pe luna.

Fine-tuning continua antrenamentul unui model preantrenat (GPT-4o, Llama 3, BERT) pe un dataset custom de exemple specifice domeniului sau stilului dorit. Tipic, fine-tuning-ul foloseste 100-10000 exemple bine alese pentru a specializa modelul pe sarcini precum: ton de comunicare brand-specific, vocabular juridic sau medical, format de raspuns specific, sau capacitati noi (clasificare custom pe taxonomia ta).

In 2026, Azure OpenAI suporta fine-tuning pentru GPT-4o si GPT-4o mini cu costuri tipice 5-25 USD per 1M tokens training plus 8 USD per ora hosting pentru modelul fine-tuned. Comparativ cu RAG, fine-tuning este mai potrivit pentru: invatare stil si format (ton de comunicare, structura raspuns), classification cu taxonomii custom, sau reducerea costurilor (modelul mic fine-tuned poate inlocui un model mare cu prompts complexe). RAG ramane superior pentru cunoastere care se schimba frecvent.

In enterprise, fine-tuning este folosit selectiv: brand chatbots care trebuie sa imite ton specific, asistenti juridici cu vocabular romanesc juridic, clasificare email-uri pe taxonomii foarte specifice, sau optimizare cost pentru aplicatii cu volum foarte mare. Pentru proiecte cu cerinte de privacy maxime (date confidentiale), fine-tuning pe modele open-source Llama 3 in environment-ul propriu poate fi alternativa la cloud. Recomandare: incearca RAG primul, fine-tuning doar daca RAG nu rezolva problema.

Generative AI cuprinde modele care produc continut original in loc sa clasifice sau sa prezica. Categorii principale: text generation (GPT-4, Claude, Gemini, Llama), image generation (DALL-E 3, Midjourney, Stable Diffusion, Imagen), code generation (GitHub Copilot, Codex), audio generation (Whisper inverse, Eleven Labs voice clone), si video generation (Sora, Veo). Tehnologia comuna este Deep Learning pe arhitecturi Transformer sau Diffusion Models, antrenate pe seturi enorme de date.

In 2026, Generative AI a depasit faza de hype si a devenit infrastructura standard in companii. Microsoft Copilot integrat in M365 (Word, Excel, PowerPoint, Outlook, Teams) este accesibil la 30 USD per utilizator pe luna si reprezinta cea mai mare implementare enterprise. Azure OpenAI Service ofera acces enterprise la GPT-4, DALL-E si Whisper cu garantii de izolare regionala, compliance si fara folosirea datelor pentru training extern.

In enterprise romanesc, Generative AI este aplicat pentru: chatbots cu RAG peste documentatia interna, asistenti pentru cod si dezvoltatori, generare automata content marketing, sumarizare automata reports si meetings, asistenti pentru helpdesk care raspund pe baza KB-ului. Atentie majora la: hallucination (raspunsuri inventate), Responsible AI (bias si compliance), si costuri care pot creste exponential la utilizare nemonitorizata. ROI tipic enterprise: 15-40% productivity gain pe sarcini knowledge work.

GPT (Generative Pre-trained Transformer) este familia OpenAI care a pornit revolutia LLM-urilor comerciale. Evolutie: GPT-2 (2019, 1.5B parametri), GPT-3 (2020, 175B), GPT-3.5 (2022, baza ChatGPT initial), GPT-4 (2023, multimodal), GPT-4o (2024, optimizat omni-modal), GPT-4 Turbo si variantele mini. Toate sunt arhitecturi decoder-only Transformer antrenate prin pretraining plus RLHF.

Diferentele intre versiuni in 2026: GPT-4o este flagship-ul pentru calitate maxima, multimodal (text plus imagini plus audio), 128K context window, 5 USD per 1M tokens input. GPT-4o mini este versiunea economica, calitate buna pentru majoritatea sarcinilor, 0.15 USD per 1M tokens input, ideal pentru aplicatii cu volum mare. o1 si o3 sunt modele de reasoning cu lant de gandire intern, mai scumpe dar mai performante la matematica si logica.

In enterprise prin Azure OpenAI Service, GPT este accesibil cu garantii: izolare regionala (datele nu parasesc tenantul tau), zero retention pentru training extern, suport SLA, compliance ISO 27001 / SOC2 / HIPAA / GDPR. Aplicatii tipice: Microsoft Copilot in M365, GitHub Copilot pentru cod, chatbots custom cu RAG, asistenti virtuali interni, automate de processing documente. Pretul total pentru o organizatie de 200 oameni cu utilizare medie: 30000-80000 EUR pe an.

Grounding combina arhitectura RAG cu instructiuni stricte de prompt pentru a forta modelul sa raspunda doar pe baza contextului explicit furnizat, nu pe baza cunostintelor sale generale. Instructiuni tipice: Raspunde DOAR pe baza contextului. Daca informatia nu este in context, raspunde Nu stiu pe baza surselor disponibile. Citeaza sursa pentru fiecare afirmatie. Aceasta abordare reduce drastic riscul de hallucination si raspunsuri inventate plauzibil.

Grounding este esential in aplicatii cu cerinte de precizie ridicata: support tehnic pe baza documentatiei oficiale, asistenti juridici care nu pot inventa legi sau articole, asistenti medicali care raspund pe baza protocoalelor aprobate, sau aplicatii customer-facing unde un raspuns incorect poate cauza prejudicii reputationale sau legale. Azure AI Foundry ofera grounding scores automati care evalueaza cat din raspuns este sustinut de surse vs inventat.

Pattern arhitectural typic: RAG-ul aduce 3-10 chunks relevante, prompt-ul include explicit aceste chunks cu instructiunea de grounding, raspunsul include citari (link sau referinta la chunk), iar evaluator-ul automat verifica scor grounding. Pentru aplicatii critice (securitate, juridic, medical), un al doilea LLM verifica raspunsul vs sursele si flagheaza inconsistentele. Combinatia grounding plus citari plus verificare automata reduce hallucination rate de la 15-30% la sub 2% in aplicatii bine construite.

Hallucination apare pentru ca LLM-urile sunt antrenate sa prezica next token plauzibil, nu sa verifice acuratetea. Cand modelul nu stie un fapt, va completa cu ceva care suna probabil pe baza patternurilor din date. Exemple comune: inventarea unei referinte bibliografice cu autori si pagini inexistente, citarea unui articol legal cu numar gresit, inventarea unei functii sau metode dintr-un API care nu exista, sau combinarea creativa a doua fapte reale intr-un al treilea fals.

Factorii care cresc rata de hallucination: intrebari despre fapte specifice (date, cifre, nume proprii), domenii unde modelul are putin training (tematici de nisa), prompt-uri ambigue care invita extrapolare, si lipsa contextului concret. Rata baseline pentru GPT-4o pe intrebari factuale generale este 5-15%, dar poate ajunge 30-50% pe intrebari de domain specific fara grounding. Strategii de reducere: RAG cu surse verificabile, grounding strict, chain-of-verification, si umani in loop pentru sarcini critice.

In enterprise, hallucination este principalul motiv pentru care multe proiecte AI generative esueaza in productie. Atacatorii pot exploata hallucination prin prompt injection (manipuleaza modelul sa genereze raspunsuri false sau periculoase), similar cu cum phishing-ul exploiteaza increderea umana. Bune practici: niciodata nu prezenta raspunsul LLM ca fiind autoritar fara verificare, mereu ofera surse citabile, monitorizeaza rata raspunsurilor flag-uite ca posibil halucinate, si educa utilizatorii ca asistentul poate gresi. Pentru aplicatii customer-facing, disclaimer explicit este obligatoriu.

Large Language Models sunt retele Transformer scalate la sute de miliarde sau trilioane de parametri, antrenate pe corpusuri text de dimensiunea internetului plus carti, cod si articole stiintifice. Procesul de antrenare cuprinde pretraining (predictie next token pe corpus general) plus fine-tuning si RLHF (Reinforcement Learning from Human Feedback) pentru a deveni utili si siguri ca asistenti.

Modele dominante in 2026: GPT-4 si GPT-4o de la OpenAI (accesibile via Azure OpenAI), Claude 3 Opus si Sonnet de la Anthropic, Gemini 1.5 Pro de la Google, Llama 3 si Llama 4 open-source de la Meta. Capabilitati cheie: instruction following, raspuns la intrebari, generare cod, traducere, sumarizare, rationament step-by-step. Context windows au crescut de la 4K tokens in 2022 la 128K-2M tokens in 2026, permitand prelucrarea de carti intregi sau code bases.

In enterprise, LLM-urile sunt baza pentru: chatbots inteligenti, asistenti pentru cod, generare automata content, analiza si summarizare documente, classification fara training custom (zero-shot), si agents care pot executa task-uri complexe prin tool calling. Costuri tipice 2026 Azure OpenAI: GPT-4o costa 5 USD per 1M tokens input si 15 USD per 1M output, GPT-4o mini este 0.15 USD per 1M input. Pentru o companie cu 200 angajati care folosesc Copilot zilnic, bugetul anual este 50000-100000 EUR.

Prompt-ul este interfata principala cu un LLM. Spre deosebire de codul clasic unde controlul vine din logica programului, intr-o aplicatie LLM controlul vine din modul in care formulezi promptul. Un prompt bine construit produce raspunsuri precise si utile, unul slab produce raspunsuri vagi sau gresite. Structura tipica a unui prompt enterprise: system message (rol si reguli), context (date relevante), instructiune (ce sa faca), si exemple (few-shot learning daca e cazul).

Elementele unui prompt eficient: claritate (instructiuni explicite, nu ambigue), structura (sectiuni delimitate cu markdown sau XML), context relevant (date concrete pentru a evita generalitati), constrangeri (format raspuns, lungime, ton), exemple (1-3 demonstratii pentru sarcini complexe). Tehnici avansate: chain-of-thought (cere modelului sa gandeasca pas cu pas), self-consistency (genereaza multiple raspunsuri si voteaza), tree-of-thought pentru rationament.

In enterprise, prompt-urile sunt active versionate ca orice cod: stocate in repository, testate cu test cases concrete, evaluate cu metrici (relevance, accuracy, format compliance), si deploy controlat. Tools precum Azure AI Foundry Prompt Flow si LangChain ajuta la gestionarea prompts ca artefacte software. Pentru sarcini critice, prompt-urile sunt audited si revizuite ca codul, fiind o sursa majora de eroare daca sunt slab construite.

Prompt Engineering a aparut ca disciplina noua intre 2022-2024, devenind in 2026 o competenta esentiala in echipele care construiesc aplicatii pe LLM. Combina rationament tehnic (cum functioneaza modelul, cum se procesleaza tokenii), psihologie cognitiva (cum sa structurezi instructiuni clare) si testare iterativa. Un prompt engineer experimentat poate creste calitatea raspunsurilor cu 30-60% fata de un prompt naiv pe acelasi model.

Tehnici fundamentale: role assignment (Esti un expert in conformitate GDPR), task decomposition (sparge sarcina in pasi), output format constraint (raspunde in JSON cu campurile X, Y, Z), few-shot examples (arata 2-3 exemple bune), grounding (raspunde DOAR pe baza textului furnizat), si chain-of-thought (gandeste pas cu pas inainte de raspuns final). Pentru sarcini complexe, decompositia in multiple LLM calls cu prompt-uri specializate este preferata unui prompt unic gigantic.

In enterprise, prompt engineering este versionat si testat ca orice cod. Tools precum Azure AI Foundry Prompt Flow ofera: orchestrare pipeline-uri prompts, evaluation sets cu metrici automate (groundedness, relevance, fluency, safety), A/B testing intre versiuni, monitoring continuu in productie. Pentru pozitiile dedicate (Prompt Engineer, AI Engineer), salariile in Romania au crescut puternic in 2025-2026, fiind dificil de gasit profile cu experienta reala.

Retrieval Augmented Generation rezolva una dintre cele mai mari limitari ale LLM-urilor: lipsa cunostintelor despre datele tale interne si tendinta de a inventa raspunsuri cand nu stiu. Mecanismul are doua etape. Prima: cand utilizatorul pune o intrebare, sistemul cauta in baza de cunostinte (documente, wiki, ticketing, baze de date) fragmentele relevante folosind embedding-uri si vector search. A doua: aceste fragmente sunt inserate in promptul trimis catre LLM ca context, iar modelul genereaza raspunsul folosind acea informatie concreta.

Arhitectura RAG enterprise tipica in 2026 contine: un sistem de ingestie care chunkifica documentele (tipic 500-1000 tokens per chunk), un model de embedding (text-embedding-3-large), o baza de date vectoriala (Azure AI Search, Pinecone, pgvector pentru PostgreSQL), un retriever care cauta top-K chunk-uri relevante si un LLM care genereaza raspunsul final. Costul tipic Azure pentru un RAG mic-mediu (10000 documente, 1000 query-uri pe zi) este intre 200 si 800 EUR pe luna.

In ecosistem Microsoft, Azure AI Foundry si Azure AI Search integrate cu Azure OpenAI ofera RAG end-to-end fara cod custom. Pentru clienti enterprise, RAG este de departe cea mai populara aplicatie a Generative AI, gasita in chatbots de suport intern, asistenti pentru documentatie tehnica, analiza contracte legale si search semantic peste baze interne. Avantaj cheie fata de fine-tuning: actualizarea bazei de cunostinte se face in timp real, fara reantrenare.

Tokens sunt unitati de text in care un LLM imparte input-ul si output-ul. Tokenizer-ul (de obicei Byte Pair Encoding) imparte textul in fragmente frecvente: cuvinte comune devin un token, cuvinte rare se sparg in mai multe tokens. In engleza, 1 token este aproximativ 4 caractere sau 0.75 cuvinte. In romana, datorita lipsei suportului in tokenizer pentru anumite cuvinte si diacritice, raportul este mai prost: aproximativ 2-3 tokens per cuvant.

Tokens sunt unitatea de facturare in Azure OpenAI: platesti per 1 milion tokens input plus 1 milion tokens output. Pretul difera dramatic pe model: GPT-4o input 5 USD per 1M, GPT-4o mini input 0.15 USD per 1M, deci o diferenta de 33x. Context window-ul este masurat tot in tokens: GPT-4o suporta 128K tokens (aproximativ 96K cuvinte sau o carte de 400 pagini), Gemini 1.5 Pro suporta 2M tokens.

In enterprise, monitoring tokens este critic pentru control buget. Aplicatii cu prompt-uri lungi (RAG cu mult context, instructiuni complexe) pot consuma rapid milioane de tokens pe zi. Bune practici: caching prompts comune, sumarizare istoric conversational, alegere model potrivit sarcinii (mini pentru simple, full pentru complex), si setting hard limits per utilizator. Azure OpenAI ofera tools de monitoring si quotas pentru a evita escaladarea costurilor.

Un AI Agent este nivelul peste un chatbot simplu. In timp ce chatbot-ul raspunde mesaj cu mesaj, un agent primeste un obiectiv si executa autonom mai multi pasi pentru a-l atinge: descompune obiectivul in subtask-uri, alege tool-uri externe (API-uri, baze de date, search web, calcule), executa, evalueaza rezultatele, si re-planifica daca este nevoie. Tehnologia centrala este tool calling (function calling) suportat de LLM-uri precum GPT-4o si Claude.

Frameworks populare in 2026: Azure AI Foundry Agents, Microsoft Semantic Kernel, LangChain si LangGraph, AutoGen (multi-agent), CrewAI. Pattern-uri arhitecturale: ReAct (Reason plus Act), Plan-and-Execute, multi-agent collaboration unde mai multi agents specializati colaboreaza (researcher, writer, critic), si recursive self-improvement. Microsoft Copilot Studio permite construirea de agents low-code accesibili in Teams si M365.

In enterprise, agents sunt urmatoarea generatie dupa chatbots: automatizare procese complexe (procesare cerere de credit cu validari multiple), research automat (analize de piata cu surse multiple), helpdesk autonom care rezolva tichete simple fara om, copilot pentru sales care planifica si executa secvente de outreach. Provocari majore in 2026: cost (agents complexe pot consuma milioane de tokens), reliability (planning si tool use pot esua), security (un agent autonom care greseste poate cauza prejudicii), si lipsa standardelor maturate. ROI tipic apare in cazuri foarte specifice si bine definite, nu ca solutie generala.

Azure AI Bot Service ofera framework si infrastructura pentru chatbots enterprise. Componente cheie: Bot Framework SDK (Node.js, C#, Python) pentru logica conversationala, Bot Framework Composer (low-code visual designer), Channels Connector pentru integrare cu Teams, Web Chat, Slack, Telegram, WhatsApp, Facebook Messenger, si Direct Line API pentru aplicatii custom. Stateul conversational si autentificarea sunt gestionate central.

In 2026, majoritatea bot-urilor noi se construiesc pe Azure OpenAI plus Bot Service. Pattern-ul tipic: utilizator scrie mesaj, Bot Service primeste, identifica intentia (clasic LUIS, modern LLM), face RAG peste documentatie, trimite raspunsul prin canal. Pretul: Standard channel gratuit pentru toate canalele Microsoft (Teams, Web Chat), 0.50 USD per 1000 mesaje pentru premium channels (WhatsApp Business). Hosting bot necesita App Service sau Azure Functions, plus cost LLM.

In enterprise romanesc, Azure Bot Service este alegerea standard pentru: chatbots interni in Teams pentru HR (cereri concediu, intrebari frecvente), helpdesk IT cu acces la knowledge base, customer service multilingv, bot-uri pentru sales (programari, calificare lead-uri), si asistenti pentru documentatie tehnica. Combinat cu Azure OpenAI si Azure AI Search, ofera platforma completa pentru orice tip de chatbot enterprise. Migrarea de la bot-uri clasice (LUIS+QnA Maker) la LLM-based este standardul in 2026.

Copilot este brand-ul Microsoft pentru asistentii AI generativi integrati in suita Microsoft. Variantele principale: Microsoft 365 Copilot (in Word, Excel, PowerPoint, Outlook, Teams; 30 USD per utilizator pe luna), GitHub Copilot (asistent pentru cod; 10-20 USD per utilizator), Copilot for Security (analiza incidente pentru SOC; 4 USD per Security Compute Unit), Copilot in Dynamics 365 (CRM si ERP), Copilot Studio (low-code builder pentru Copilot custom). Toate folosesc Azure OpenAI sub capota.

Diferentiatorul cheie fata de ChatGPT este accesul controlat la datele organizatiei via Microsoft Graph: Copilot poate citi email-urile tale, documentele SharePoint, mesajele Teams, calendare, contacte, si datele Dynamics, cu respectarea permisiunilor RBAC existente. Datele nu parasesc tenantul tau si nu se folosesc pentru training. Pentru companii deja in ecosistem M365, Copilot ofera AI integrat fara proiecte custom.

In enterprise, ROI pentru Microsoft 365 Copilot este intre 15-40% productivity gain pe knowledge workers, dar masurarea este dificila. Cazuri tipice de succes: sumarizare meetings Teams cu actiuni extrase automat, drafting email-uri rapide in Outlook, formule Excel complex prin descriere naturala, prezentari PowerPoint generate din documente Word. Adoptia in 2026 a depasit 100M licente platite global, cu Microsoft 365 ca cea mai mare implementare AI enterprise din istorie.

Function Calling (sau Tool Use) este mecanismul prin care un LLM detecteaza intentia utilizatorului si emite un apel JSON structurat catre o functie definita in prealabil, cu parametrii extrasi din limbaj natural. Modelul nu executa direct functia, ci genereaza payload-ul validat impotriva unei scheme (de obicei JSON Schema), iar aplicatia gazda apeleaza efectiv API-ul si returneaza rezultatul inapoi in conversatie.

In 2026, suportul nativ exista in OpenAI (GPT-4o, GPT-4.1), Anthropic Claude 3.5/4, Google Gemini 1.5/2.0 si modele open-source compatibile (Llama 3.1, Mistral Large). Diferenta fata de un simplu prompt cu instructiuni este robustetea: modelul intelege cand sa apeleze functia, cand sa ceara clarificari si cum sa combine mai multe apeluri in serie (function chaining). Acuratetea function calling-ului depaseste 90 procente pe benchmarks precum Berkeley Function Calling Leaderboard pentru modelele top-tier.

In integrari enterprise Microsoft, Function Calling sta la baza Azure OpenAI Assistants API si a plugins-urilor din Microsoft Copilot Studio. Permite agentilor AI sa interogheze CRM-ul, sa creeze tickete in ITSM, sa caute documente in SharePoint sau sa apeleze workflows in Power Automate. Pentru implementari NIS2 si zone reglementate, function calling se combina cu audit log centralizat si validare RBAC inainte de executie efectiva.

Multi-Agent System (MAS) presupune mai multi agenti AI cu roluri distincte (planner, researcher, coder, reviewer, executor) care comunica intre ei sub coordonarea unui orchestrator. Fiecare agent are propriul prompt de sistem, propriul set de tools si uneori propriul model. Avantajul fata de un agent monolitic este specializarea: fiecare agent rezolva mai bine o subsarcina decat un singur prompt incarcat cu toate responsabilitatile.

Framework-urile populare in 2026 includ Microsoft AutoGen, LangGraph, CrewAI si Semantic Kernel Agent Framework. Patternurile arhitecturale comune sunt: hierarchical (un agent manager deleaga subordonatilor), sequential (pipeline de agenti), debate (mai multi agenti discuta si voteaza) si collaborative (agentii lucreaza in paralel pe taskuri diferite si combina rezultatele). Costul si latenta cresc liniar cu numarul de agenti, deci optimizarea numarului de invocari LLM este critica.

In enterprise, Multi-Agent Systems incep sa inlocuiasca RPA traditional pentru procese cognitive complexe: analiza documente legale, due diligence financiar, triage incident SOC, generare cod cu review automat. Microsoft Copilot Studio expune Multi-Agent Orchestration native incepand cu 2024, permitand integrarea cu Microsoft 365, Dynamics si servicii Azure. Pentru entitati NIS2, multi-agent systems se folosesc in SOC pentru corelarea automata a alertelor si propunerea de runbooks de raspuns.

Accountability respinge argumentul ca a fost AI-ul drept scuza pentru rezultate negative. Organizatia care construieste sau opereaza un sistem AI este responsabila legal si moral pentru consecintele acestuia. In practica, asta inseamna: oameni nominati pentru fiecare sistem AI critic (AI accountability owner), proceduri de audit trail pentru decizii, mecanism de redress pentru utilizatori afectati, si insurance pentru daune cauzate de AI.

Guvernanta AI in 2026 cuprinde: AI Steering Committee la nivel C-suite, AI Risk Register cu evaluare per proiect, AI Impact Assessment obligatoriu inainte de deployment, Model Cards si Datasheets pentru documentare, monitoring continuu cu reporting trimestrial, si incident response procedures specifice pentru AI. Frameworks precum NIST AI Risk Management Framework si ISO 42001 (AI Management Systems) ofera ghidaj structurat.

In Romania si UE, accountability este intarit prin EU AI Act 2024 care impune: register pentru providers de High Risk AI, conformity assessment, post-market monitoring, si responsabilitate legala clara (cine este Provider, cine este Deployer, cine este User). Amenzile pot ajunge la 35 milioane EUR sau 7% din cifra de afaceri globala. Pentru companii in Romania, asignarea unui AI Officer (similar DPO pentru GDPR) devine practica standard in organizatii cu utilizare semnificativa AI.

AI Act (Regulamentul UE 2024/1689) a intrat in vigoare in august 2024 si se aplica gradual pana in 2027. Clasifica sistemele AI pe patru niveluri de risc. Unacceptable risk (interzise complet): scoring social, manipulare comportamentala subliminala, recunoastere faciala in timp real in spatii publice fara mandat. High risk (obligatii stricte): AI in HR, credit scoring, educatie, infrastructura critica, justitie. Limited risk (transparenta): chatbots, deepfakes - utilizatorul trebuie informat ca interactioneaza cu AI. Minimal risk: filtre spam, AI in jocuri video.

Obligatiile pentru sisteme high-risk includ: documentatie tehnica, sistem de management al riscului, data governance, transparenta, supraveghere umana, robustete tehnica si cibersecuritate. Sanctiunile maxime sunt 35 milioane EUR sau 7 procente din cifra de afaceri globala, mai mult chiar decat GDPR. Pentru sistemele Generative AI (numite General Purpose AI in regulament), obligatii suplimentare pentru modelele cu risc sistemic (peste 10^25 FLOPS la antrenare).

In Romania, autoritatea competenta pentru supraveghere este in curs de desemnare (probabil ANCOM si DNSC partial). Companiile care folosesc AI pentru HR, credit, asigurari sau decizii cu impact juridic asupra cetatenilor sunt deja in scope. Pentru entitatile NIS2 cu sisteme AI integrate, articolul 21 NIS2 si AI Act se suprapun pe cerintele de risk management si documentatie. Implementarea practica cere mapping intre cerintele AI Act si controalele existente NIS2 si GDPR.

AI Bias nu este o eroare aleatoare ci o tendinta sistematica de a trata un grup diferit de altul. Cauze principale: date de antrenare nereprezentative (subreprezentare a minoritatilor sau reflexia istorica a discriminarii), features proxy pentru atribute protejate (codul postal este proxy pentru rasa in multe contexte), alegere algoritm care amplifica diferentele, si feedback loops in productie (recomandari care intaresc prejudecati existente).

Tipuri specifice: representation bias (anumite grupuri absente sau subreprezentate in date), measurement bias (etichetele reflecta judecati biased ale annotatorilor), aggregation bias (un model unic nu functioneaza la fel pentru toate grupurile), si deployment bias (folosire model pentru un scop diferit de cel pentru care a fost antrenat). Detectia se face cu Fairlearn, AIF360, sau Responsible AI Dashboard in Azure ML.

In enterprise, AI Bias este risc major legal si reputational. Sisteme de scoring credit, screening CV-uri, pretare asigurari, justice predictiva, si servicii publice trebuie evaluate strict pentru bias. GDPR art 22 si EU AI Act impun: dreptul utilizatorului de a contesta o decizie automata, obligatia de a documenta procesul de evaluare bias, si raportare incidente catre autoritati. DPIA (Data Protection Impact Assessment) este obligatoriu pentru sisteme cu profile-uri automatizate, iar evaluare bias este parte din DPIA pentru AI.

Explainability (sau Explainable AI, XAI) acopera tehnicile prin care un model AI black-box devine interpretabil. Pentru modele clasice ML se folosesc tehnici post-hoc precum SHAP (Shapley Additive Explanations), LIME (Local Interpretable Model-agnostic Explanations) si feature importance. Pentru deep learning vision se folosesc Grad-CAM si saliency maps. Pentru LLM-uri, abordarile actuale includ attention visualization, chain-of-thought prompting si attribution la documentele RAG.

Distinctia importanta este intre interpretability (modelul este inteligibil prin design, ex. decision trees, regresie liniara) si explainability (modelul este complex dar oferim explicatii dupa fapt). In 2026, regulatorii cer din ce in ce mai des explainability pentru decizii high-stake: credit scoring, recrutare, asigurari, diagnostic medical. AI Act EU impune explicit dreptul la explicatie pentru sistemele high-risk.

In implementari enterprise Microsoft, Azure Machine Learning ofera Responsible AI Dashboard cu SHAP, error analysis si counterfactual explanations integrate. Azure OpenAI pentru LLM-uri logheaza prompt-urile si raspunsurile in Application Insights pentru audit. Pentru entitatile NIS2 si organizatii sub GDPR care folosesc AI decisional, explainability este obligatorie nu doar tehnic ci si legal, prin articolul 22 GDPR (dreptul la o explicatie pentru decizii automate).

Fairness inseamna ca sistemul AI nu introduce discriminare sistematica intre grupuri protejate (gen, rasa, varsta, religie, dizabilitate). Exemplu de violare: un model de scoring credit antrenat istoric poate invata sa discrimineze femeile sau minoritati daca datele istorice reflecta decizii biased. Definitia matematica a fairness are multiple variante (demographic parity, equalized odds, equal opportunity), care pot fi in conflict, si alegerea depinde de context legal si etic.

Metrici pentru evaluare: difference in selection rate intre grupuri, false positive rate parity, false negative rate parity, calibration. Tools Microsoft: Fairlearn (open-source library pentru evaluare si mitigare bias), Responsible AI Dashboard in Azure ML, plus Azure AI Foundry Evaluations cu metrici fairness automati. Pentru servicii prebuilt precum Face API, Microsoft publica fairness reports independente.

In enterprise romanesc, fairness este critica in: scoring credit (legal sa nu discriminezi pe gen sau etnicitate), screening CV-uri (riscul de a respinge candidati din motive nelegitime), pretul asigurarilor (factorul varsta este permis dar trebuie justificat), si servicii publice. EU AI Act categorizeaza aceste sisteme ca High Risk si impune evaluari fairness obligatorii. Non-conformitatea poate genera amenzi semnificative si actiuni legale colective.

Inclusiveness cere ca sistemul AI sa functioneze bine pentru toti utilizatorii, indiferent de dizabilitati, varsta, limba sau competente tehnice. In practica, asta inseamna: speech recognition care intelege accente diverse si vorbire afectata, computer vision care recunoaste persoane de toate culorile pielii (problema istorica a face recognition), chatbots care suporta limbi multiple inclusiv romana, si interfete accesibile pentru utilizatori cu dizabilitati vizuale sau motorii.

Microsoft a investit semnificativ in accessibility AI: Seeing AI (aplicatie iPhone care descrie lumea pentru persoane nevazatoare), Immersive Reader (citire si formatare adaptabila pentru dislexie), Live Captions in Teams pentru persoane cu probleme auditive, plus Translator real-time pentru comunicare cross-language. Toate folosesc backbone Azure AI. Standardul Microsoft Inclusive Design ghideaza dezvoltarea de la inceput.

In enterprise, Inclusiveness se traduce in: WCAG 2.2 AA compliance pentru aplicatii web cu componenta AI, testing cu utilizatori reali din diverse grupuri (nu doar tech-savvy), suport pentru limba romana cu diacritice (multe modele AI au suport slab pentru limbi mai mici), si design care nu presupune competente tehnice avansate. Pentru sectorul public si educatie, Inclusiveness este cerinta legala prin Directiva UE Web Accessibility si Romanian legislation derivata.

Privacy in AI cere ca datele personale folosite la antrenare si in operare sa fie protejate, anonimizate sau pseudonimizate cand este posibil, cu acces limitat si audit complet. Security cere ca modelul si infrastructura sa fie rezistente la atacuri specifice: prompt injection (manipulare input pentru a obtine raspunsuri nedorite), model inversion (recuperare date de training din model), membership inference (determinare daca o anumita inregistrare a fost in training), si data poisoning (corupere date training pentru a influenta comportament).

Masuri tehnice in Azure: Customer Managed Keys pentru cripare modele, Private Endpoints pentru izolare retea, Microsoft Entra ID pentru access control, Azure AI Content Safety pentru jailbreak detection, plus zero retention policy pentru date input/output in Azure OpenAI (datele tale nu sunt folosite pentru imbunatatirea modelelor Microsoft). Pentru GDPR compliance, este obligatoriu DPIA pentru sisteme AI care procesare date personale la scara larga.

In enterprise romanesc, Privacy si Security in AI sunt indispensabile pentru: chatbots care acceseaza date clienti (CRM, ERP), aplicatii medicale care procesare date pacienti (categorie speciala GDPR art 9), HR tools care evaluează angajati, si orice integrare AI in sectoare reglementate (financiar, sanatate, public). Combinatia GDPR plus NIS2 plus EU AI Act creeaza un cadru complex care necesita echipa juridica plus DPO plus securitate IT colaborand activ in proiecte AI.

Reliability inseamna ca sistemul produce rezultate corecte consistent pe parcursul timpului si pe conditii diverse de input. Safety inseamna ca sistemul nu produce rau utilizatorilor sau tertilor chiar in cazuri edge sau atacuri adversariale. Pentru AI clasic, asta inseamna gestionare drift si monitoring performance. Pentru Generative AI, include filtre pentru continut periculos (instructiuni pentru atacuri, continut explicit, manipulare psihologica), protectie contra prompt injection, si comportament predictibil.

Tools Microsoft pentru Reliability si Safety: Azure AI Content Safety (filtre prebuilt pentru hate speech, violenta, self-harm, sexual content, plus protected material detection si jailbreak detection), Azure ML model monitoring (data drift, concept drift, performance degradation), si testing automatizat de adversarial robustness. Azure OpenAI include content filters by default pentru toate apelurile, cu severity levels configurabile.

In enterprise, Reliability si Safety se traduc in: SLA-uri pentru aplicatii AI (uptime, latency, success rate), playbooks pentru incident response cand modelul produce raspunsuri problematice, monitoring continuu cu alerting pe metrici de calitate, testing adversarial inainte de deployment, si red teaming periodice pentru a descoperi vulnerabilitati. Pentru aplicatii cu impact mare (financiar, medical, legal), human-in-the-loop este obligatoriu pentru deciziile critice.

Microsoft Responsible AI cuprinde 6 principii care guverneaza dezvoltarea si deployment-ul AI: Fairness (tratament egal pentru toate grupurile demografice), Reliability and Safety (functionare consistenta in conditii variate), Privacy and Security (protectia datelor personale), Inclusiveness (accesibilitate pentru toti utilizatorii), Transparency (utilizatorii inteleg cum functioneaza), si Accountability (oamenii raman responsabili pentru decizii). Standardul este publicat ca document si implementat in Azure AI Foundry.

Tools concrete Microsoft pentru Responsible AI: Azure AI Content Safety (filtre automate pentru continut periculos in input si output LLM), Responsible AI Dashboard pentru evaluare fairness, error analysis si interpretability, Azure AI Foundry Evaluations pentru testing safety si quality, plus Impact Assessment template-uri pentru evaluare risc proiect AI. Toate sunt obligatorii in Azure OpenAI Limited Access program.

In 2026, Responsible AI nu mai este optional: EU AI Act intrat in vigoare 2024-2026 impune cerinte legale pentru sisteme AI cu risc inalt (HR, scoring credit, justitie, sanatate). Companii in Romania trebuie sa implementeze: Impact Assessment AI inainte de deployment, monitoring continuu fairness si bias, transparency catre utilizatori, audit trail pentru decizii automate, si human oversight pentru decizii cu impact legal. Non-conformitatea poate ajunge la amenzi de 35 milioane EUR sau 7% din cifra de afaceri globala.

Transparency are doua niveluri. Primul, transparency de baza: utilizatorul stie ca interactioneaza cu un AI (nu un om), stie ce date sunt colectate si folosite, stie limitele sistemului. Al doilea, interpretability: utilizatorii afectati de decizia AI pot intelege de ce a fost luata acea decizie. Pentru deep learning, interpretability ramane o problema deschisa (modelele sunt black boxes), dar exista tools precum SHAP, LIME, si Counterfactual Explanations care ofera explicatii post-hoc.

Tools Microsoft: Responsible AI Dashboard cu Model Interpretability features (feature importance global si local, what-if analysis, counterfactuals), Transparency Notes publicate pentru toate serviciile Azure AI (descriere capabilities, limitations, intended use, examples of misuse), si Impact Assessment template-uri pentru documentare proiecte AI. Pentru LLM-uri, transparency include disclosing ca modelul poate halucina si limitarile cunoscute.

In enterprise, Transparency este cerinta legala EU AI Act pentru sisteme High Risk: utilizatorul trebuie sa fie informat ca interactioneaza cu AI, deciziile automate cu impact legal trebuie explicate, si trebuie sa existe drept de apel la decizie umana. In Romania, GDPR art 22 oferea deja drept la non-supunere la decizii automate, EU AI Act intareste aceste drepturi. Practic, fiecare chatbot trebuie sa anunte ca este AI, fiecare aplicatie de scoring credit automat trebuie sa explice motivele respingerii, si fiecare decizie HR automata trebuie sa fie reviewable.

Azure AI Foundry (rebrand din Azure AI Studio in noiembrie 2024) este hub-ul Microsoft pentru lifecycle-ul complet al aplicatiilor Generative AI: explorare modele in Model Catalog, fine-tuning, evaluare, deployment, monitoring si guardrails. Integreaza Azure OpenAI Service (GPT-4o, o1, o3-mini), modele open-source din Hugging Face (Llama, Mistral, Phi) si modele Microsoft proprii (Phi-3, Phi-4) intr-un singur control plane.

Foundry expune Prompt Flow pentru orchestrare vizuala de chains si agenti, Content Safety pentru filtrare prompt injection si output toxic, si Azure AI Evaluation SDK pentru testare automata pe metrics precum groundedness, relevance si coherence. In 2026 a primit Agent Service ca GA, care permite construit agenti cu function calling, RAG nativ pe Azure AI Search si integrare directa cu Microsoft Fabric pentru date enterprise.

Pentru companii din Romania, Azure AI Foundry deployeaza in regiunile West Europe, North Europe si Sweden Central cu garantii de data residency UE si conformitate GDPR. Combinatia tipica enterprise este Foundry plus Azure OpenAI plus Azure AI Search pentru RAG, cu autentificare Entra ID si izolare retea via Private Endpoints. Pentru entitatile NIS2 ofera logging centralizat in Microsoft Sentinel si audit trail complet al apelurilor AI.

Azure AI Search (rebranded din Azure Cognitive Search in 2023) este motorul Microsoft de search-as-a-service care combina keyword search clasic (BM25) cu vector search (embeddings) si semantic ranker (re-rankare cu modele L2). Indexeaza date din Azure Blob Storage, SQL, Cosmos DB, SharePoint, OneLake si surse externe via indexers configurabili, cu skillsets care extrag text din PDF, OCR pe imagini si chunking automat.

Functionalitatile cheie in 2026 includ: hybrid search (combinatie keyword plus vector cu Reciprocal Rank Fusion), semantic ranker bazat pe modele Microsoft instruite pentru re-rankare, integrated vectorization care genereaza embeddings automat la indexare folosind Azure OpenAI, si query rewriting pentru a imbunatati recall-ul. Suporta filtre RBAC la nivel de document pentru izolare per utilizator, esential in RAG enterprise.

In arhitecturi enterprise, Azure AI Search este componenta retrieval din pattern-ul RAG, alimentand Azure OpenAI cu context relevant la query time. Se integreaza nativ cu Azure AI Foundry, Copilot Studio si Semantic Kernel. Pentru entitati NIS2 si organizatii cu cerinte de data residency, ruleaza in regiunile UE cu Private Endpoints si Customer-Managed Keys. Tarifarea pe replicas plus partitions face costul predictibil pentru workloads stabile.