Iterace je jeden krok v trénovacím cyklu modelu. Při každé iteraci model projde určitý počet trénovacích vzorků (batch), spočítá chybu a upraví své parametry. Více iterací znamená více příležitostí pro model se učit. Opakováním těchto kroků se model postupně zlepšuje – iterace jsou základním stavebním kamenem učení v AI.

Vstupní vrstva je první část neuronové sítě, která přijímá surová data – například pixely obrázku, čísla v tabulce nebo slova v textu. Tato data jsou pak předávána do skrytých vrstev, kde probíhá jejich zpracování. Kvalita a struktura vstupních dat hraje klíčovou roli v tom, jak dobře bude celý model fungovat.

Interpretovatelnost znamená, jak snadno lze porozumět tomu, jak AI model došel ke svému výsledku. U složitých modelů, jako jsou hluboké neuronové sítě, bývá toto vysvětlení obtížné – říkáme, že model je „černá skříňka“. Interpretovatelnost je zásadní ve vysoce regulovaných oblastech, jako je zdravotnictví, finance nebo právo, kde je důležité rozumět důvodům rozhodnutí AI.